Flink WaterMark原理简述

1.Flink中Time概念

我们知道在分布式环境中 Time 是一个很重要的概念，在 Flink 中 Time 可以分为三种Event-Time，Processing-Time 以及 Ingestion-Time，三者的关系我们可以从下图中得知：

• Event-Time 表示事件发生的时间

• Processing-Time 则表示处理消息的时间

• Ingestion-Time 表示进入到系统的时间

在 Flink 中我们可以通过下面的方式进行 Time 类型的设置

env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime); // 设置使用 ProcessingTime

以上摘自:

Apache Flink 零基础入门（六）：Flink Time & Window 解析

2. Flink中Watermark 概念

我们可以考虑一个这样的例子：某 App 会记录用户的所有点击行为，并回传日志（在网络不好的情况下，先保存在本地，延后回传）。A 用户在 11:02 对 App 进行操作，B 用户在 11:03 操作了 App，但是 A 用户的网络不太稳定，回传日志延迟了，导致我们在服务端先接受到 B 用户 11:03 的消息，然后再接受到 A 用户 11:02 的消息，消息乱序了。

那我们怎么保证基于 event-time 的窗口在销毁的时候，已经处理完了所有的数据呢？这就是 watermark 的功能所在。watermark 会携带一个单调递增的时间戳 t，watermark(t) 表示所有时间戳不大于 t 的数据都已经到来了，未来小于等于t的数据不会再来，因此可以放心地触发和销毁窗口了。下图中给了一个乱序数据流中的 watermark 例子

以上摘自:

Apache Flink 零基础入门（六）：Flink Time & Window 解析

3. WaterMark的两种生成方式

如上图watermark的生成有两种方式:

• 实现AssignerWithPeriodicWatermarks接口(周期性水位线)
  按照固定时间间隔生成新的水位线，不管是否有新的消息抵达，水位线提升的时间间隔是由用户设置的，在两次水位线提升间隔内会有一部分消息流入，用户可以根据这部分数据来计算出新的水位线。举个例子，最简单的水位线算法就是取目前为止最大的事件时间，然而这种方式比较暴力，对乱序事件的容忍程度比较低，容易出现大量迟到事件。

  public abstract class BoundedOutOfOrdernessTimestampExtractor<T>
          implements AssignerWithPeriodicWatermarks<T> {
     //...
     //获取当前的时间戳
      @Override
      public final Watermark getCurrentWatermark() {
          // 这里保证了watermark是单调递增 
          long potentialWM = currentMaxTimestamp - maxOutOfOrderness; //当前最大时间戳 - 允许乱序延迟时间 相当于: watermark = eventTime -t
          if (potentialWM >= lastEmittedWatermark) {
              lastEmittedWatermark = potentialWM;
          }
          return new Watermark(lastEmittedWatermark);
      }
     
      //提取时间戳
      @Override
      public final long extractTimestamp(T element, long previousElementTimestamp) {
          //从元素中提取时间戳
          long timestamp = extractTimestamp(element);
          //如果元素中提取的时间戳大于当前最大的时间戳,则更新
          if (timestamp > currentMaxTimestamp) {
              currentMaxTimestamp = timestamp;
          }
          return timestamp;
      }
  }
  
  

  注：周期性的(一定时间间隔或者达到一定的记录条数)产生一个Watermark。在实际的生产中Periodic的方式必须结合时间和积累条数两个维度继续周期性产生Watermark，否则在极端情况下会有很大的延时。

• 实现AssignerWithPunctuatedWatermarks接口(标点性水位线)

  标点水位线（Punctuated Watermark）通过数据流中某些特殊标记事件来触发新水位线的生成。这种方式下窗口的触发与时间无关，而是决定于何时收到标记事件。

  public class WatermarkOnFlagAssigner 
         implements AssignerWithPunctuatedWatermarks<MyElement> {
       //截取flink源码demo  
       @Override
       public long extractTimestamp(MyElement element, long previousElementTimestamp) {
           //从元素中提取时间戳
            return element.getSequenceTimestamp();
        }
        
        //检查和获取下一个时间戳
       @Override
       public Watermark checkAndGetNextWatermark(MyElement lastElement, long extractedTimestamp) {
            //元素完成处理就产生一个新的watermark
            return lastElement.isEndOfSequence() ? new Watermark(extractedTimestamp) : null;
       }
    }
    }
  

  注：数据流中每一个递增的EventTime都会产生一个Watermark。在实际的生产中Punctuated方式在TPS很高的场景下会产生大量的Watermark在一定程度上对下游算子造成压力，所以只有在实时性要求非常高的场景才会选择Punctuated的方式进行Watermark的生成。

4. 迟到事件

​ 虽说水位线表明着早于它的事件不应该再出现，但是上如上文所讲，接收到水位线以前的的消息是不可避免的，这就是所谓的迟到事件。实际上迟到事件是乱序事件的特例，和一般乱序事件不同的是它们的乱序程度超出了水位线的预计，导致窗口在它们到达之前已经关闭。

迟到事件出现时窗口已经关闭并产出了计算结果，因此处理的方法有3种：

• 重新激活已经关闭的窗口并重新计算以修正结果。
• 将迟到事件收集起来另外处理。
• 将迟到事件视为错误消息并丢弃。

Flink 默认的处理方式是第3种直接丢弃，其他两种方式分别使用Side Output和Allowed Lateness。

Allowed Lateness机制允许用户设置一个允许的最大迟到时长。Flink 会再窗口关闭后一直保存窗口的状态直至超过允许迟到时长，这期间的迟到事件不会被丢弃，而是默认会触发窗口重新计算。因为保存窗口状态需要额外内存，并且如果窗口计算使用了 ProcessWindowFunction API 还可能使得每个迟到事件触发一次窗口的全量计算，代价比较大，所以允许迟到时长不宜设得太长，迟到事件也不宜过多，否则应该考虑降低水位线提高的速度或者调整算法。

以上部分摘自:

全网最详细Flink之Watermark机制

标签：WaterMark,Watermark,Flink,迟到,简述,水位,事件,Time
来源： https://www.cnblogs.com/qiangsky/p/16444073.html