本节从整体使用的角度了解Flink如何实现对内存的积极管理，然后对比基于JVM带来的内存管理问题，介绍Flink如何抽象出合理内存模型，解决大规模场景下的内存使用问题。

一.flink为什么自己管理内存

1. 处理大数据时JVM内存管理的问题

在JVM上运行的系统，需要将数据存储到JVM堆内存中进行处理和运算，借助JVM提供的GC能力能够实现内存的自动管理，但对于大数据处理场景而言，需要处理非常庞大的数据，此时JVM内存管理的问题会比较突出，主要体现在以下几点。

1. Java对象存储密度相对较低：对于常用的数据类型，例如Boolean类型数据占16字节内存空间，其中对象头占字节，Boolean属性仅占1字节，其余7字节做对齐填充。而实际上仅1字节就能够代表Boolean值，这种情况造成了比较严重的内存空间浪费。
2. Full GC极大影响系统性能：使用JVM的垃圾回收机制对内存进行回收，在大数据量的情况下GC的性能会比较差，尤其对于大数据处理，有些数据对象处理完希望立即释放内存空间，但如果借助JVM GC自动回收，通常情况下会有秒级甚至分钟级别的延迟，这对系统的性能造成了非常大的影响。
3. OutOfMemoryError问题频发，严重影响系统稳定性：系统出现对象大小分配超过JVM内存限制时，就会触发OutOfMemoryError，导致JVM宕机，影响整个数据处理进程。

 

2. flink主动管理内存逻辑

积极地内存管理，强调的是主动对内存资源进行管理。

2.1. Flink内存管理方面

对Flink内存管理来讲，主要是

1. 将本来直接存储在堆内存上的数据对象，通过数据序列化处理，存储在预先分配的内存块上，该内存块也叫作MemorySegment，代表了固定长度的内存范围，默认大小为32KB，同时MemorySegment也是Flink的最小内存分配单元。
2. MemorySegment将JVM堆内存和堆外内存进行**集中管理，形成统一的内存访问视图。**MemorySegment提供了非常高效的内存读写方法，例如getChar()、putChar()等。
3. 如果MemorySegment底层使用的是JVM堆内存，数据通常会被存储至普通的字节数据（byte[]）中，如果MemorySegment底层使用的是堆外内存，则会借助ByteBuffer数据结构存储数据元素。
4. 基于MemorySegment内存块可以帮助Flink将数据处理对象尽可能连续地存储到内存中，且所有的数据对象都会序列化成二进制的数据格式，对一些**DBMS风格（关系型数据库）**的排序和连接算法来讲，这样能够将数据序列化和反序列化开销降到最低。

2.2. 序列化、反序列化说明

如图，对于用户编写的自定义数据对象，例如Person(String name, int age)，会通过高效的序列化工具将数据序列化成二进制数据格式，然后将二进制数据直接写入事先申请的内存块（MemorySegment）中，当再次需要获取数据的时候，通过反序列化工具将二进制数据格式转换成自定义对象。

整个过程涉及的序列化和反序列化工具都已经在Flink内部实现，当然，Flink也可以使用其他的序列化工具，例如KryoSerializer等。

 
OOM情况的处理
我们也可以看到，在MemorySegment中如果因为内存空间不足，无法申请到更多的内存区域来存储对象时，Flink会将MemorySegment中的数据溢写到本地文件系统（SSD/Hdd）中。当再次需要操作数据时，会直接从磁盘中读取数据，保证系统不会因为内存不足而导致OOM（Out Of Memory，超出内存空间），影响整个系统的稳定运行。

 

3. Flink主动管理内存的好处

1. 内存剩余监控简单：因为分配的内存段数量是固定的，所以监控剩余的内存资源非常简单。在内存不足的情况下，处理操作符可以有效地将更大批的内存段写入磁盘，然后再将它们读回内存。这样就可以有效防止OOM问题。
2. 减低垃圾收集压力：在Flink中，所有长生命周期的数据都是以二进制形式管理内存的，所有创建的数据对象都是短暂且可变的，并且支持重用。短生命周期的对象可以更有效地进行垃圾收集，这大大降低了垃圾收集的压力。为了降低垃圾收集的压力，Flink社区实现了将数据对象分配到堆外内存，使得JVM堆变得更小，垃圾收集消耗的时间更短。
3. 数据对象以二进制的形式存储，可以节省大量存储Java对象需要的存储开销。
4. 更高效的缓存访问模式：通过二进制形式存储数据对象，框架可以有效地比较和操作二进制数据。（ing）此外，用二进制表示数据可以将相关值、哈希码、键和指针等信息存储在相邻的内存中。（ing）这使得数据结构通常具有更高效的缓存访问模式。

 

二. Flink内存模型

1. 堆内存

在Flink中将JVM堆内存分为Framework堆内存和Task堆内存两种类型，其中

1. Framework堆内存主要用于Flink框架本身需要的内存空间，
2. Task堆内存则用于Flink算子及用户代码的执行，两者主要的区别在于是否将内存计入Slot计算资源中。
3. Framework堆内存和Task堆内存之间没有做明确的隔离，在后续版本中会做进一步优化。

2. 非堆内存

对于非堆内存，则主要包含了托管内存、直接内存以及JVM特定内存三部分。

2.1. 托管内存

托管内存是由Flink负责分配和管理的本地（堆外）内存，

在流处理作业中用于RocksDBStateBackend状态存储后端
在批处理作业中用于排序、哈希表及缓存中间结果

 

2.2.直接内存

直接内存分为Framework非堆内存、Task非堆内存和Network三个部分，

1. 其中Framework非堆内存和Task非堆内存主要根据堆外内存是否计入Slot资源进行区分，堆外内存没有对Framework和Task之间进行隔离。
2. Network内存存储空间主要用于基于Netty进行网络数据交换时，以NetworkBuffer的形式进行数据传输的本地缓冲。

 

2.3. JVM特定内存

JVM特定内存不在Flink总内存范围之内，包括JVM元空间和JVM Overhead，其中JVM元空间存储了JVM加载类的元数据，加载的类越多，需要的内存空间越大，JVM Overhead则主要用于其他JVM开销，例如代码缓存、线程栈等。

 

 

对于Flink来讲，将内存划分成不同的区域，实现了更加精准地内存控制，并且可以通过MemorySegment内存块的形式申请和管理内存，我们继续了解MemorySegment内存块的设计与实现。

 

参考：《Flink设计与实现：核心原理与源码解析》