Flink 的 JobManager 和 TaskManager 在内存分配上有不同的职责和结构。以下是两者的内存分类及详细说明：

---

一、JobManager 内存分类

JobManager 主要负责作业调度、协调（如 Checkpoint 协调）、资源管理等，其内存需求相对较低，主要分为以下几个部分：

1. JVM 堆内存（JVM Heap）

• 用途：
  • 存储作业的元数据（如 JobGraph、ExecutionGraph）。
  • 管理 Checkpoint 协调信息（如 Checkpoint 触发逻辑）。
  • 处理客户端提交作业的请求（如 REST API 交互）。
• 配置参数：
  • jobmanager.memory.heap.size：直接指定堆大小（如 2048m）。
  • jobmanager.memory.heap.fraction：按比例分配（需结合总内存配置）。

2. JVM 元空间（Metaspace）

• 用途：存储 JVM 加载的类元数据（Class Metadata）。
• 配置参数：
  • jobmanager.memory.jvm-metaspace.size：默认约 256m，可通过 -XX:MaxMetaspaceSize 调整。

3. JVM 直接内存（Direct Memory）

• 用途：用于 Netty 网络通信的堆外内存（如 JobManager 与 TaskManager 间的心跳通信）。
• 配置参数：
  • jobmanager.memory.off-heap.size：默认较小（如 128m），一般无需调整。

4. JVM 开销（JVM Overhead）

• 用途：为 JVM 自身预留的内存（如线程栈、本地方法调用）。
• 配置参数：
  • jobmanager.memory.jvm-overhead.min/max/fraction：通常占总内存的 10%。

5. 总内存公式

Total JobManager Memory = Heap + Metaspace + Direct Memory + JVM Overhead + 其他（如 Native 库）

---

二、TaskManager 内存分类

TaskManager 是数据计算的核心组件，其内存结构更为复杂，主要分为以下部分：

1. 框架堆内存（Framework Heap）

• 用途：运行 Flink 框架本身的代码（如 Task 调度、Shuffle 管理）。
• 配置参数：
  • taskmanager.memory.framework.heap.size：默认 128m，一般无需调整。

2. 任务堆内存（Task Heap）

• 用途：用户代码（如 Map、Filter 算子）的堆内存，存储用户创建的对象。
• 配置参数：
  • taskmanager.memory.task.heap.size：直接指定大小。
  • taskmanager.memory.task.heap.fraction：按比例分配（默认 0.4）。

3. 托管内存（Managed Memory）

• 用途：Flink 自动管理的内存，用于批处理排序/哈希、RocksDB 状态后端、PyFlink 等（详见之前的总结）。
• 配置参数：
  • taskmanager.memory.managed.size 或 taskmanager.memory.managed.fraction（默认 0.4）。

4. 网络缓冲区（Network Buffers）

• 用途：TaskManager 间数据传输的缓冲区（如 Shuffle、Broadcast）。
• 配置参数：
  • taskmanager.memory.network.min/max/fraction：默认占总内存的 0.1。
  • 每个 Buffer 大小：taskmanager.memory.segment-size（默认 32KB）。

5. JVM 元空间（Metaspace）

• 配置参数：
  • taskmanager.memory.jvm-metaspace.size：默认 256m。

6. JVM 直接内存（Direct Memory）

• 用途：用于堆外数据（如 RocksDB 直接访问内存、Netty 网络传输）。
• 配置参数：
  • taskmanager.memory.off-heap.size：默认不启用，需显式配置。

7. JVM 开销（JVM Overhead）

• 配置参数：
  • taskmanager.memory.jvm-overhead.min/max/fraction：默认占总内存的 0.1。

8. 总内存公式

Total TaskManager Memory = Framework Heap + Task Heap + Managed Memory + Network Buffers + Metaspace + Direct Memory + JVM Overhead + 其他（如 Native 库）

---

三、配置示例与调优建议

1. JobManager 配置示例

jobmamager.memory.process.size: 8192m   # 总内存 
jobmanager.memory.heap.size: 4096m      # 堆内存 4GB
jobmanager.memory.jvm-metaspace.size: 512m  # 元空间 512MB
jobmanager.memory.jvm-overhead.max: 1024m   # JVM 开销上限 1GB

2. TaskManager 配置示例

taskmamager.memory.process.size = 10240m    # tm总内存
taskmanager.memory.task.heap.size: 4096m    # 任务堆内存 4GB
taskmanager.memory.managed.size: 8192m      # 托管内存 8GB（用于批处理或 RocksDB）
taskmanager.memory.network.fraction: 0.2    # 网络缓冲区占比 20%
taskmanager.memory.jvm-metaspace.size: 512m # 元空间 512MB

3. 调优建议

• JobManager：
  • 小规模作业：堆内存 2~4GB 足够。
  • 大规模作业（如千个 Task）：需增大堆内存（如 8GB+）以处理更多元数据。
• TaskManager：
  • 批处理作业：增大托管内存（占比 50%~70%）减少磁盘溢出。
  • 流处理作业（使用 RocksDB）：确保托管内存足够容纳 Block Cache（至少 1GB）。
  • 高吞吐场景：增加网络缓冲区大小或占比，避免背压。
  • 避免 OOM：
    • 若用户代码占用堆内存过多，增大 taskmanager.memory.task.heap.size。
    • 若元空间不足，调整 -XX:MaxMetaspaceSize。

---

四、常见问题排查

1. JobManager OOM：

   • 现象：作业提交失败或频繁 Full GC。
   • 解决：增大 jobmanager.memory.heap.size，检查元数据规模（如超大状态）。

2. TaskManager OOM：

   • Task Heap OOM：用户代码生成过多对象 → 增大任务堆内存。
   • Managed Memory OOM：批处理溢出频繁或 RocksDB 缓存不足 → 增大托管内存。
   • Metaspace OOM：类加载过多 → 调整 -XX:MaxMetaspaceSize。

3. 网络瓶颈：

   • 现象：反压（Backpressure）或低吞吐。
   • 解决：增大 taskmanager.memory.network.fraction 或 taskmanager.memory.segment-size。

---

五、总结

• JobManager：轻量级协调者，内存需求集中在堆和元空间。
• TaskManager：核心计算节点，需平衡任务堆内存、托管内存和网络缓冲区。
• 调优核心：根据作业类型（批/流）、状态后端（Heap/RocksDB）和集群规模动态调整。建议通过 Flink Web UI 监控内存使用率，逐步优化配置。