1、Flink运行时的组件
Flink运行时架构主要包括四个不同的组件，他们会在运行流处理应用程序时协同工作：
- 作业管理器（JobManager）
- 资源管理器（ResourceManager）
- 任务管理器（TaskManager）
- 分发器（Dispatcher）
1.1 作业管理器（JobManager）
控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的jobManager所控制执行。
JobManager会先收到要执行的应用程序，这个应用程序会包括：作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有的类库和其他资源的jar包。
JobManager会把JobGraph转换成一个物理层面的数据流图，这个图叫做“执行图”（ExecutionGraph），包含了所有可以并发执行的任务。
JobManager会向资源管理器（ResourceManager）请求执行任务必要的资源，也就是任务管理器（TaskManager）上的插槽（slot）。
一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的TaskManager上。
而在运行过程中，JobManager会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调
1.2 资源管理器（ResourceManager）
主要负责管理任务管理器（TaskManager）的插槽（slot）
Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、Mesos、K8s，以及standalone部署
当JobManager申请插槽资源时，ResourceManager会将有空闲插槽的TaskManager分配给JobManager
如果ResourceManager没有足够的插槽来满足JobManager的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器。
ResourceManager还负责终止空闲的TaskManager，释放计算资源
1.3 任务管理器（TaskManager）
TaskManger插槽是Flink中定义的处理资源单元
Flink中的工作进程。通常在Flink中会有多个TaskManager运行，每一个TaskManager都包含了一定数量的插槽（slots）
插槽的数量限制了TaskManager能够执行的任务数量。
启动之后，TaskManager会向资源管理器注册它的插槽
收到资源管理器的指令后，TaskManager就会将一个或者多个插槽提供给JobManager调用
在执行过程中，一个TaskManager可以跟其它运行同一应用程序的TaskManager交换数据。
1.4 分发器（Dispatcher）
可以跨作业运行，它为应用提交提供了REST接口
当一个应用被提交执行时，分发器就会启动并将应用移交给一个JobManager。
由于是REST接口，所以Dispatcher可以作为集群的一个HTTP接入点，这样就能够不受防火墙阻挡
Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行的信息
Dispatcher在架构中可能并不是必需的，这取决于应用提交运行的方式。
2、任务提交流程
Yarn模式任务提交流程
官网提交流程：
了解的提交流程：
- Flink任务提交后，client向HDFS上传Flink的jar包和配置
- Client向Yarn ResourceManager 提交任务
- ResourceManager 分配Container 资源并通知对应的NodeManager 启动 ApplicationMaster
- ApplicationMaster 启动后加载Flink的jar包和配置构建环境
- ApplicationMaster启动JobManager
- ApplicationMaster向ResourceManager申请资源启动 TaskManager
- ResourceManager 分配Container 资源后
- 由ApplicationMaster 通知资源所在节点的NodeManager 启动 TaskManager
- NodeManager 加载Flink的jar包和配置构建环境并启动TaskManager
- TaskManager启动后向JobManager发送心跳包
- 等待JobManager 向其分配任务
3、任务调度原理
客户端不是运行时和程序执行的一部分，但它用于准备并发送DataFlow（JobGraph）给Master（JobManager），然后客户端断开连接或者维持连接以等待接收计算结果
Flink集群启动后，首先会启动一个JobManager和一个或多个TaskManager
由Client提交任务给JobManager
JobManager再调度任务到各个TaskManager去执行，然后TaskManager将心跳和统计信息汇报给JobManager
TaskManager 之间以流的形式进行数据的传输
Client 、 JobManager 、 TaskManager 均为独立的 JVM进程
- Client 为提交Job的客户端，可以使运行在任何机器上（与JobManager环境连通即可）提交 Job 后，Client 可以结束进程（Streaming的任务），也可以不结束并等待结果返回。
- JobManager 主要负责调度Job 并协调 Task 做 checkpoint，职责上很像Storm的Nimbus。从Client出接收到Job和Jar包等资源后，会生成优化后的执行计划，并以Task的单元调度到各个TaskManager去执行
- TaskManager 在启动的时候就设置好了槽位数（Slot），每个 slot 能启动一个 Task，Task 为线程。从 JobManager 处接收需要部署的 Task，部署启动后，与自己的上游建立 Netty 连接，接收数据并处理。
3.1 TaskManager 与 Slots
Flink中每一个worker（TaskManager）都是一个JVM进程，它可能会在独立的线程上执行一个或多个subtask。为了控制一个worker能接收多少个task，worker通过task slot来进行控制（一个worker至少有一个taskslot）
每个task slot表示TaskManager拥有资源的一个固定大小的子集。 假如一个TaskManager有三个slot，那么它会将其管理的内存分成三份给各个slot。资源slot化意味着一个subtask将不需要跟来自其他job的subtask竞争被管理的内存，取而代之的是它将拥有一定数量的内存储备。 需要注意的是，这里不会涉及到CPU的隔离（CPU是靠抢的），slot目前仅仅用来隔离task的受管理的内存。
通过调整task slot的数量，允许用户定义subtask之间如何互相隔离。如果一个TaskManager一个slot，那将意味着每个task group运行在独立的JVM中（该JVM可能是通过一个特定的容器启动的），而一个TaskManager多个slot意味着更多的subtask可以共享同一个JVM。而在同一个JVM进程中的task将共享TCP连接（基于多路复用）和心跳消息。它们也可能共享数据集和数据结构，因此这减少了每个task的负载。
默认情况下，Flink允许子任务共享slot，即使他们是不同任务的子任务（前提是他们来自同一个job）。 这样的结果是，一个slot可以保存作业的整个管道。
Task Slot是静态的概念，是指TaskManager具有的并发执行能力，可以通过参数taskmanager.numberOfTaskSlots进行配置
并行度parallelism是动态概念，即TaskManager运行程序时实际使用的并发能力，可以通过参数parallelism.default进行配置。
设一共有3个TaskManager，每一个TaskManager中的分配3个TaskSlot，也就是每个TaskManager可以接收3个task，一共9个TaskSlot，如果我们设置parallelism.default=1，即运行程序默认的并行度为1，9个TaskSlot只用了1个，有8个空闲，因此，设置合适的并行度才能提高效率。
3.2 程序与数据流（DataFlow）
所有的Flink程序都是由三部分组成的： Source 、Transformation和Sink。
Source负责读取数据源，Transformation利用各种算子进行处理加工，Sink负责输出。
执行时，Flink程序将映射到由流（Stream）和转换运算（ transformation operators ）符组成的流数据流（ streaming dataflows ）
每一个dataflow以一个或多个sources开始以一个或多个sinks结束
dataflow类似于任意的有向无环图（DAGs： directed acyclic graphs ）
在大部分情况下，程序中的转换运算（transformations）跟dataflow中的算子（operator）是一一对应的关系，但有时候，一个transformation可能对应多个operator。
3.3 执行图（ExecutionGraph）
由Flink程序直接映射成的数据流图是StreamGraph，也被称为逻辑流图， 因为它们表示的是计算逻辑的高级视图。
为了执行一个流处理程序，Flink需要将逻辑流图转换为物理数据流图（执行图）
Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图
StreamGraph：是根据用户通过 Stream API 编写的代码生成的最初的图。用来表示程序的拓扑结构。
JobGraph：StreamGraph经过优化后生成了 JobGraph，提交给 JobManager 的数据结构。主要的优化为，将多个符合条件的节点 chain 在一起作为一个节点，这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。
ExecutionGraph：JobManager 根据 JobGraph 生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据结构。
物理执行图：JobManager 根据 ExecutionGraph 对 Job 进行调度后，在各个TaskManager 上部署 Task 后形成的“图”，并不是一个具体的数据结构。
3.4 并行度（Parallelism）
Flink程序的执行具有并行、分布式的特性
在执行过程中，一个流（stream）包含一个或多个分区（stream partition），而每一个算子（operator）可以包含一个或多个子任务（operator subtask），这些子任务在不同的线程、不同的物理机或不同的容器中彼此互不依赖地执行。
一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism）
一般情况下，一个流程序的并行度，可以认为就是其所有算子中最大的并行度。一个程序中，不同的算子可能具有不同的并行度。
Stream在算子之间传输数据的形式可以是one-to-one(forwarding)的模式也可以是redistributing的模式，具体是哪一种形式，取决于算子的种类。
（1）One-to-one：stream(比如在source和map operator之间)维护着分区以及元素的顺序。那意味着map 算子的子任务看到的元素的个数以及顺序跟source 算子的子任务生产的元素的个数、顺序相同，map、fliter、flatMap等算子都是one-to-one的对应关系。
类似于spark中的窄依赖
（2）Redistributing：stream(map()跟keyBy/window之间或者keyBy/window跟sink之间)的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如，keyBy() 基于hashCode重分区、broadcast和rebalance会随机重新分区，这些算子都会引起redistribute过程，而redistribute过程就类似于Spark中的shuffle过程。
类似于spark中的宽依赖
3.5 任务链（Operator Chains）
相同并行度的one to one操作，Flink这样相连的算子链接在一起形成一个task，原来的算子成为里面的一部分
将算子链接成task是非常有效的优化：它能减少线程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。
链接的行为可以在编程API中进行指定。
任务链必须满足两个条件：one-to-one的数据传输并且并行度相同