容错机制

容错：指出错后不影响数据的继续处理，并且恢复到出错前的状态。
检查点：用存档读档的方式，将之前的某个时间点的所有状态保存下来，故障恢复继续处理的结果应该和发送故障前完全一致，这就是所谓的检查点。

检查点的控制节点：jobManager里面的检查点协调器，向source节点的数据插入barrier标记。

检查点的保存：
- 周期性触发保存
- 保存的时间点：所有算子恰好处理完一个相同的输入数据时(使用Barrier机制)

检查点分界线Barrier

barrier标记表示这个标记之前的所有数据已经将状态更改存入当前检查点。后续的算子节点只要遇到它就开始对状态做持久化快照保存。在它之后对数据状态的改变，只能保存到下一个检查点中。

检查点算法：Chandy-Lamport算法的一种变体。
算法两个原则:

1. 当上游任务向多个并行下游任务发送barrier时，需要广播出去
2. 而当多个上游任务向同一个下游任务传递分界线时，需要在下游任务执行“分界线对齐”操作，也就是需要等到所有并行分区的barrier都到齐，才可以开始状态的保存。

分界线对齐策略

1. 精确一次（等待分界线2，先到的数据暂不进行处理）：处理多次的结果是一样的
   

2. 至少一次（对先到的数据进行处理）：检查点中记录了先到数据对状态的更新信息，但是还未保存到状态后端，如果此时发生故障进行故障恢复，会导致从source重复发送刚刚已经处理过的先到数据。
   

分界线非对齐策略

• 非对齐策略只有精准一次
• 缺点是需要将算子左边，分界线右边的所有数据存储起来，增加内存压力。

检查点配置

 CheckpointConfig checkpointConfig = env.getCheckpointConfig();//指定一致性语义
//        checkpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);//检查点的存储//JobManagerCheckpointStorage:将检查点存储到JobManager的内存中//FileSystemCehckpointSotrage:将检查点存储到指定的文件系统中checkpointConfig.setCheckpointStorage(new FileSystemCheckpointStorage("hdfs://hadoop102:8020/flink/checkpoint"));//状态后端
//        env.setStateBackend(new EmbeddedRocksDBStateBackend());//检查点间隔checkpointConfig.setCheckpointInterval(2000L);//检查点超时时间checkpointConfig.setCheckpointTimeout(10000);//同时存在的检查点个数checkpointConfig.setMaxConcurrentCheckpoints(1);//两次检查点之间的间隔checkpointConfig.setMinPauseBetweenCheckpoints(1000L);//检查点清理checkpointConfig.setExternalizedCheckpointCleanup(CheckpointConfig.ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION);//检查点允许的失败次数checkpointConfig.setTolerableCheckpointFailureNumber(5);//开启非对齐模式：只有在精准一次时才能开启，且最大同时存在检查点只能为1checkpointConfig.enableUnalignedCheckpoints();//对齐超时，自动开启非对齐checkpointConfig.setAlignedCheckpointTimeout(Duration.ofSeconds(5));//最终检查点：//开启changlogenv.enableChangelogStateBackend(true);

通用增量changelog配置：hashmap本身不支持增量存储状态，rockDB是支持的。changeLog可以不论hashmap还是rockDB，都实现增量存储。开启该配置可以减少检查点的持续时间，在创建检查点时，只有changlog中的相关部分需要上传。
- 创建更多的文件
- 残留更多的文件
- 使用更多的IO来上传状态
- 占用更多的CPU资源来序列化状态变更

保存点savepoint

检查点与保存点的区别：

1. 检查点
   • 检查点是频繁触发的，设计目标就是轻量和尽快恢复
   • 检查点的数据在作业终止后是否删除可以配置
   • 数据存储格式可能是增量的
2. 保存点
   • 设计更侧重于可移植和操作灵活性，即运维
   • 针对计划中的，手动的运维
   • 保存点在作业终止和恢复后都不会删除
   • 保存点的数据格式以状态后端独立的（标准的）数据格式存储

保存点的用途：

• 版本管理和归档存储
• 更新Flink版本
• 更新应用程序
• 调整并行度

保存点的使用之切换状态后端

1. 开启flink集群
2. 提交任务 bin/flink run -d -c -Dstate.backend=hashmap 全类名 jar路径
3. 保存点的落盘： bin/flink -yid -type canonical yarn_id job_id hdfs://hadoop102/flink-savepoint
4. 切换状态后重启：bin/flink run -d -Dstate.backend=rocksdb -s hdfs保存点路径 全类名 jar包路径