Flink全链路延迟的测量方式和实现原理

一、背景

Flink Job端到端延迟是一个重要的指标，用来衡量Flink任务的整体性能和响应延迟（大部分流式应用，要求低延迟特性）。

通过流处理引擎竞品对比，我们发现大部分流计算引擎产品，都在告警监控页面，集成了全链路时延指标展示（直方图）。

一些低延时的处理场景，例如用于登陆、用户下单规则检测，实时预测场景，需要一个可度量的Metric指标，来实时观测、监控集群全链路时延情况。

二、源码分析来源

1、本文的源码分析基于Flink社区issue FLINK-3660，以及issue对应的pr源码pull-2386，另外，个人也新增了实现源码的说明。

2、其pr源码中只涉及到了部分全链路时延实现代码，因此，我在文章中总结了：

• Source到Sink处理Latency Marker源码
• LatencyMarksEmitter 提交时延标记类
• LatencyStats（时延直方图Metric实现）源码

时延测量–整体架构图

三、腾讯Oceanus监控指标参考

如下图，红色框线对应的数据延时，即我们描述的指标

四、Flink LatencyMarker实现思路

1. 实现方案变迁

在webinterface中，加入流式job的端到端延迟是一个重要特性。因此，Flink社区最初的想法是在每个记录的source上附加一个摄取时间(ingestion-time)时间戳。

然而，这为不使用monitor feature（监控功能）的用户，带来了额外开销(每个元素+每个元素上的System.currentTimeMilis()需要8个字节)。

因此，Flink社区最后决定，通过定期发送特殊事件来实现此功能，类似于通过拓扑发送水印watermark。

2. 实现原理

这些特殊事件（LatencyMarker）在source上以可配置发送间隔，并由任务Task转发。Sink最后接收到LatencyMarks后，将比较LatencyMarker的时间戳与当前系统时间，以确定延迟。

LatencyMarker不会增加作业的延迟，但是LatencyMarker与常规记录类似，可以被delay阻塞（例如反压情况），因此LatencyMarker的延迟与Record延迟近似。

3. 节点间时钟偏移及准确性

当前方案期望所有任务管理器TaskManager上的时钟是同步的。否则，测量的延迟也包括TaskManager时钟之间的偏移。

后续，我们可以尝试通过使用JobManager作为计时服务中心(central timing service)来缓解这个问题。taskmanager将定期查询JM的当前时间，以确定其时钟的偏移量。

这个偏移量仍然包括TM和JM之间的网络延迟，但是仍然比较好的测量时延。

五、Flink LatencyMarker实现源码

本章节对应到pr源码pull-2386的实现，这里简要说明。

1. 实现基础类及下发标记

Flink源码中，引入了一个新的StreamElement，称为LatencyMarker。

与水印类似，LatencyMarker按配置的间隔从源发出。这个时间间隔的默认值是0毫秒，即不触发(配置项在ExecutionConfig#latencyTrackingInterval，名称metrics.latency.interval)，例如可以配置成2000毫秒触发一次LatencyMarker发送。

LatencyMarker不能“多于”常规元素。这确保了测量的延迟接近于常规流元素的端到端延迟。

常规操作符Operator(不包括那些参与迭代的Operator)如果不是sink，就会转发延迟标记LatencyMarker。

2. 多输出通道—随机下发标记

具有多个输出channel的Operator，随机选择一个channel通道，将LatencyMarker发送给它。这可以确保每个LatencyMarker标记在系统中只存在一次，并且重新分区步骤不会导致传输的LatencyMarker数量激增。

public class RecordWriterOutput{
 @Override
 public void emitLatencyMarker(LatencyMarker latencyMarker) {
  serializationDelegate.setInstance(latencyMarker);

  try {
   // 内部实现了随机选择通道
   recordWriter.randomEmit(serializationDelegate);
  }
  catch (Exception e) {
   throw new RuntimeException(e.getMessage(), e);
  }
 }
}

上述RecordWriterOutput#emitLatencyMarker()会被StreamSource、AbstractStreamOperator调用，分别实现source和中间operator的延迟标记下发。

如果操作符Operator是Sink，它将维护每个已知source实例的最后128个LatencyMarker信息。

3. Metric展示

每个已知source的最小/最大/平均值/p50/p95/p99时延，在sink的LatencyStats对象中，进行汇总(如果没有任何输出的Operator，就是是sink)。

本pr只涉及全链路延迟统计的实现，Flink已有一整套Metric显示体系，全链路时延Metric展示交给Flink框架本身)。

此外，目前还没有确保系统时钟同步的机制，因此如果硬件时钟不正确，则延迟测量将不准确。

六、时延粒度Granularity说明

1. 时延粒度–概念说明

任意一个中间Operator或Sink，可以通过配置metrics.latency.granularity项，调整与Source间统计的粒度(Singe、Operator、Subtask):

A、统计的时候，可以选择source源id、source源subtask index进行组合，调整统计粒度。

B、统计的时候，当前Operator及当前Operator subtask index总是参与粒度名称的生成，固定的。

2. 三种时延跟踪策略及其源码定义

Single - 跟踪延迟，无需区分:源+源子任务:

(例如双流Join的两个source，这里都默认为一个数据源了)

  SINGLE {
   String createUniqueHistogramName(LatencyMarker marker, OperatorID operatorId, int operatorSubtaskIndex) {
    // 只有自己的operatorId和operatorSubtaskIndex参与Metric名称生成
    // LatencyMarker带有的id（源）不参与Metric名称生成
    return String.valueOf(operatorId) + operatorSubtaskIndex;
   }
  }

Operator - 跟踪延迟，区分源，但不区分源的子任务:

  OPERATOR {
   String createUniqueHistogramName(LatencyMarker marker, OperatorID operatorId, int operatorSubtaskIndex) {
   // LatencyMarker带有的id（源）中id参与计算
    return String.valueOf(marker.getOperatorId()) + operatorId + operatorSubtaskIndex;
   }
  }

Subtask - 跟踪延迟，区分源+源子任务:

  SUBTASK {
   String createUniqueHistogramName(LatencyMarker marker, OperatorID operatorId, int operatorSubtaskIndex) {
    return String.valueOf(marker.getOperatorId()) + marker.getSubtaskIndex() + operatorId + operatorSubtaskIndex;
   }
  }

根据上述不同的名称key，将直方图对象放入Map中，Map定义：

Map latencyStats = new HashMap<>()
伪代码(创建直方图)：
latencyHistogram = new DescriptiveStatisticsHistogram(this.historySize);
this.latencyStats.put(uniqueName, latencyHistogram);

伪代码(更新直方图)：
long now = System.currentTimeMillis();
latencyHistogram.update(now - marker.getMarkedTime())

3. Single、Operator、Subtask时延策略在Web Metric中的体现

上述Single、Operator 、Subtask不同测试，生成的Metric名称和group就会产生变化，Web Metric中名称相应改变

一个Subtask时延粒度的Metric路径：

Job__ .latency

七、总结说明

1. LatencyMarker不参与window、MiniBatch的缓存计时，直接被中间Operator下发。

2. Metric路径:TaskManagerJobMetricGroup/operator_id/operator_subtask_index/latency（根据时延配置粒度Granularity，路径会有变化，参考本文第六章节）

3. 每个中间Operator、以及Sink都会统计自己与Source节点的链路延迟，我们在监控页面，一般展示Source至Sink链路延迟。

4. 延迟粒度细分到Task，可以用来排查哪台机器的Task时延偏高，进行对比和运维排查。

5. 从实现原理来看，发送时延标记间隔配置大一些（例如20秒一次），一般不会影响系统处理业务数据的性能（所有的StreamSource Task都按间隔发送时延标记，中间节点有多个输出通道的，随机选择一个通道下发，不会复制多份数据出来）。

参考原文：https://blog.csdn.net/LS_ice/article/details/103295774