起底eBay Flink的上云之路

供稿 | Rheos Team 徐朝晖来源 | eBay技术荟本文2238字，预计阅读时间7分钟

导读

Apache Flink作为低延迟、高吞吐的大数据计算引擎，在实时数据处理领域有着优越的地位。本文将从集群生命周期管理、Job生命周期管理、Job快照管理三个方面介绍eBay Rheos Team如何将Flink算力服务化、便捷化。希望能给同业人员相应的借鉴与启发。

实时数据处理是当前数据生态的热门关注环节，是业务创新的重要前提。Flink从诞生之初就定位于实时计算的框架和引擎，演化至今，已经发展成为实时数据处理领域的佼佼者。然而，Flink的使用门槛比较高，加上集群本身的维护和job状态管理并不容易，业务开发者们往往就会望而却步。事实上，我们仍有多种途径可以使Flink更加服务化、便捷化。

本文将分享我们在eBay内部如何提供Flink服务的端到端管理，以解决业务开发者的后顾之忧，让他们专注于业务领域的创新，而无需烦心平台层面的维护。

从平台提供者角度，为了让Flink服务更触手可及并稳定可靠地运行，我们需要完整的组件来支撑。而云基础设施高度动态的运行时特征，也决定了平台需要具备更加弹性的机制来保证Flink集群的容错性和云原生特性。

一、集群生命周期管理Flink集群构建于Tess之上，Tess是eBay对Kubernettes的定制和增强，是eBay内部使用的下一代云平台。我们采用Tess Deployment来构建Flink cluster的TaskManager(TM)和JobManager(JM)。Deployment的特性使得单个Pod即便因为各种原因被异常销毁或退出，也能被Controler自动带起，实现一定程度上的高可用和容错机制。JM的持续健康对集群至关重要，因为JM掌控着job的状态管理，以及统筹job的checkpoint机制。

为此，我们支持JM的Active-Standby架构，通过Zookeeper来实现主备之间的快速切换。

跟Tess交互，实现集群从构建、配置更改、伸缩扩展到销毁删除，这些过程涉及到复杂的元数据管理和事件处理。NAP Service(MilkyWay)是eBay内部广泛使用的Tess应用管理平台，通过定义CRD(Custom Resource Definition)来管理应用的状态和组件之间的依赖，并提供接口以操作相应组件，此处可类比成k8s的Operator。

Flink集群的构建和维护正是依赖于Milkyway的这种能力，通过集成Milkyway接口，实现集群层面的生命周期管理，详见图1。在这一过程中，我们设计实现了丰富的运维工作流，以支持不同业务场景下集群的演化和伸缩，这些工作流运行于eBay自研的工作流引擎NAP Workflow之上。

在Flink服务化的过程中，我们也构建了精细的权限管理和Quota管理，以实现不同租户（一个租户通常对应一个业务小组）之间资源的隔离性，同时避免资源竞争。此外，为保证服务的稳健性，我们也内建了自动重试机制和熔断机制。

图1（点击可查看大图）

二、Job生命周期管理

平台构建的Flink集群运行于会话模式（Session Mode），意味着集群的生命周期与job的生命周期是互相独立的。这带来的好处是，允许job多次启停调试而无需重建集群，节省了集群频繁重建的耗时。同时，多个job能共用一个集群，也在一些场合下提升了资源利用率。我们集成了Flink的restful接口来实现job的生命周期管理。通常情况下，在提交job之前，用户需要上传job jar包到Flink集群里，而后基于此jar包来提交job执行。另一方面，具备复杂业务逻辑且包含了依赖的jar包，通常都比较大。当增长到几百兆的大小时，本地上传jar包的体验就非常差，因为本地到线上集群的网络传输效率普遍较低，而本地到生产环境的集群甚至是隔离的。为此，我们在Flink内部增强了jar包管理模块，使得集群能从就近的存储系统主动下拉jar包到本地，而后基于此jar包提交任务。同时，我们还开发了一个maven插件，当用户在项目中引用插件后，就能一键实现打包和上传jar包到存储系统。为了让提交到集群后的job和平台中维护的job元数据状态同步，我们在Flink端增强了一个回调机制，每次当job状态切换时，就会生成一个事件，而后这个事件会推送到平台端以更新元数据状态。通过这些，用户就能在平台上一站式管理job的生命周期，详见图2。

图2（点击可查看大图）

Flink任务通常是一个长期无间断运行的流数据处理逻辑，但用户有时也会有临时中断job做参数调制或debug的需求。用户发起的job管理命令，经平台验证合法后，就会进一步下发到集群执行，job状态迁移详见图3。

图3（点击可查看大图）

三、Job快照管理

Flink原生支持job的checkpoint机制，通过定期给任务内部的状态数据打快照而实现job的容错能力。为实现高可用，这些快照数据都需要落盘存储到指定的集群内共享目录。然而，在云环境下，用户很难知道哪些目录可用。为此，我们设计实现了一系列的定制和增强，使得用户透明无感地享受到job的容错能力。

首先，我们为集群内的每个Pod以local-volume的形式挂载Cephfs到指定路径。

而后，我们定制了Flink job状态数据的管理机制，使得触发出来的checkpoint数据都能落到指定目录。

此外，我们还设计了合理的Cephfs目录结构，使得多租户环境下，同一租户建的集群之间能互通数据，而不同租户之间集群的数据互相隔离。

Job的checkpoint是由Flink运行时自动触发和管理的。而savepoint则由用户按需触发的状态数据保存方式，以便job下次启动时能达到断点续传的效果。我们在平台端实现了给job定期触发savepoint的功能，以便在碰到错误或需要replay数据的场景下，让job能穿梭到过去的任何时间点继续运行，详见图4。为了避免savepoint数据膨胀，我们也引入了retention机制，以清理过期数据。

图4（点击可查看大图）

四、监控和智能运维在云环境里，机器的维护和硬件故障是常态。因此，实时监控集群的健康状况，并配置异常告警系统就很有必要。

我们为Flink集群的各节点都内置了监控模块，以搜集节点本地的运行时特征。同时借助Prometheus收集各节点数据，汇聚成集群层面的健康指标，当探测到潜在风险时，及时通过AlertManager发出告警通知。节点和job的监控数据也同时发往eBay内部的统一监控平台，以便用户端查看指标报表和订阅异常告警。

人为处理异常告警是一项非常繁琐的运维工作，所以我们还搭建了一套智能运维系统以优化操作。当运维系统收到告警后，经过初检判断是否为假告警，而后根据先前积累的经验，采取一系列补救措施来把集群带回到健康状态。只有当运维系统无法处理或补救措施效果不明显时，系统才会将告警转发至管理员，由人工介入。

五、总结

把Flink服务化，让用户触手可得Flink特性，前端业务人员就能更加专注于业务逻辑本身，而无需关心平台以下的细节。这不仅优化了操作，节省了大量的时间和人力成本，更有助于eBay在风险监测、行为分析、数据洞察和市场营销等复杂案例上取得更多的业务创新和技术突破。