本文为您介绍提升性能的Flink SQL推荐写法、配置及函数。

Group Aggregate优化技巧

  • 开启MicroBatch或MiniBatch(提升吞吐)

    MicroBatch和MiniBatch都是微批处理,只是微批的触发机制略有不同。原理同样是缓存一定的数据后再触发处理,以减少对State的访问,从而提升吞吐并减少数据的输出量。

    MiniBatch主要依靠在每个Task上注册的Timer线程来触发微批,需要消耗一定的线程调度性能。MicroBatch是MiniBatch的升级版,主要基于事件消息来触发微批,事件消息会按您指定的时间间隔在源头插入。MicroBatch在元素序列化效率、反压表现、吞吐和延迟性能上都要优于MiniBatch。

    • 适用场景
      微批处理通过增加延迟换取高吞吐,如果您有超低延迟的要求,不建议开启微批处理。通常对于聚合的场景,微批处理可以显著的提升系统性能,建议开启。
      说明 MicroBatch模式也能解决两级聚合数据抖动问题。
    • 开启方式
      MicroBatch和MiniBatch默认关闭,开启方式如下。
      # 3.2及以上版本开启Window miniBatch方法(3.2及以上版本默认不开启Window miniBatch)。
      sql.exec.mini-batch.window.enabled=true
      # 批量输出的间隔时间,在使用microBatch策略时,需要增加该配置,且建议和blink.miniBatch.allowLatencyMs保持一致。
      blink.microBatch.allowLatencyMs=5000
      # 在使用microBatch时,需要保留以下两个miniBatch配置。
      blink.miniBatch.allowLatencyMs=5000
      # 防止OOM设置每个批次最多缓存数据的条数。
      blink.miniBatch.size=20000
  • 开启LocalGlobal(解决常见数据热点问题)

    LocalGlobal优化将原先的Aggregate分成Local+Global两阶段聚合,即MapReduce模型中的Combine+Reduce处理模式。第一阶段在上游节点本地攒一批数据进行聚合(localAgg),并输出这次微批的增量值(Accumulator)。第二阶段再将收到的Accumulator合并(Merge),得到最终的结果(GlobalAgg)。

    LocalGlobal本质上能够靠LocalAgg的聚合筛除部分倾斜数据,从而降低GlobalAgg的热点,提升性能。您可以结合下图理解LocalGlobal如何解决数据倾斜的问题。
    • 适用场景
      LocalGlobal适用于提升如SUM、COUNT、MAX、MIN和AVG等普通聚合的性能,以及解决这些场景下的数据热点问题。
      说明 开启LocalGlobal需要UDAF实现Merge方法。
    • 开启方式

      实时计算2.0版本开始,LocalGlobal是默认开启的,参数是blink.localAgg.enabled=true ,但是需要在microbatchminibatch开启的前提下才能生效。

    • 判断是否生效

      观察最终生成的拓扑图的节点名字中是否包含GlobalGroupAggregateLocalGroupAggregate

  • 开启PartialFinal(解决COUNT DISTINCT热点问题)

    LocalGlobal优化针对普通聚合(例如SUM、COUNT、MAX、MIN和AVG)有较好的效果,对于COUNT DISTINCT收效不明显,因为COUNT DISTINCT在Local聚合时,对于DISTINCT KEY的去重率不高,导致在Global节点仍然存在热点。

    之前,为了解决COUNT DISTINCT的热点问题,通常需要手动改写为两层聚合(增加按Distinct Key取模的打散层)。自2.2.0版本开始,实时计算提供了COUNT DISTINCT自动打散,即PartialFinal优化,您无需自行改写为两层聚合。PartialFinal和LocalGlobal的原理对比参见下图。
    • 适用场景
      使用COUNT DISTINCT,但无法满足聚合节点性能要求。
      说明
      • 不能在包含UDAF的Flink SQL中使用PartialFinal优化方法。
      • 数据量不大的情况下,不建议使用PartialFinal优化方法。PartialFinal优化会自动打散成两层聚合,引入额外的网络Shuffle,在数据量不大的情况下,浪费资源。
    • 开启方式

      默认不开启,使用参数显式开启blink.partialAgg.enabled=true

    • 判断是否生效

      观察最终生成的拓扑图的节点名中是否包含Expand节点,或者原来一层的聚合变成了两层的聚合。

  • 改写为AGG WITH FILTER语法(提升大量COUNT DISTINCT场景性能)
    说明 仅实时计算2.2.2及以上版本支持AGG WITH FILTER语法。
    统计作业需要计算各种维度的UV,例如全网UV、来自手机客户端的UV、来自PC的UV等等。建议使用标准的AGG WITH FILTER语法来代替CASE WHEN实现多维度统计的功能。实时计算目前的SQL优化器能分析出Filter参数,从而同一个字段上计算不同条件下的COUNT DISTINCT能共享State,减少对State的读写操作。性能测试中,使用AGG WITH FILTER语法来代替CASE WHEN能够使性能提升1倍。
    • 适用场景

      建议您将AGG WITH CASE WHEN的语法都替换成AGG WITH FILTER的语法,尤其是对同一个字段上计算不同条件下的COUNT DISTINCT结果,性能提升很大。

    • 原始写法
      COUNT(distinct visitor_id) as UV1 , COUNT(distinct case when is_wireless='y' then visitor_id else null end) as UV2
    • 优化写法
      COUNT(distinct visitor_id) as UV1 , COUNT(distinct visitor_id) filter (where is_wireless='y') as UV2

TopN优化技巧

  • TopN算法
    当TopN的输入是非更新流(例如Source),TopN只有一种算法AppendRank。当TopN的输入是更新流时(例如经过了AGG/JOIN计算),TopN有3种算法,性能从高到低分别是:UpdateFastRank 、 UnaryUpdateRank和RetractRank。算法名字会显示在拓扑图的节点名字上。
    • UpdateFastRank :最优算法。
      需要具备2个条件:
      • 输入流有PK(Primary Key)信息,例如ORDER BY AVG。
      • 排序字段的更新是单调的,且单调方向与排序方向相反。例如,ORDER BY COUNT/COUNT_DISTINCT/SUM(正数)DESC(仅实时计算2.2.2及以上版本支持)。
        如果您要获取到优化Plan,则您需要在使用ORDER BY SUM DESC时,添加SUM为正数的过滤条件,确保total_fee为正数。
        insert
          into print_test
        SELECT
          cate_id,
          seller_id,
          stat_date,
          pay_ord_amt  --不输出rownum字段,能减小结果表的输出量。
        FROM (
            SELECT
              *,
              ROW_NUMBER () OVER (
                PARTITION BY cate_id,
                stat_date  --注意要有时间字段,否则state过期会导致数据错乱。
                ORDER
                  BY pay_ord_amt DESC
              ) as rownum  --根据上游sum结果排序。
            FROM (
                SELECT
                  cate_id,
                  seller_id,
                  stat_date,
                  --重点。声明Sum的参数都是正数,所以Sum的结果是单调递增的,因此TopN能使用优化算法,只获取前100个数据。
                  sum (total_fee) filter (
                    where
                      total_fee >= 0
                  ) as pay_ord_amt
                FROM
                  random_test
                WHERE
                  total_fee >= 0
                GROUP
                  BY cate_name,
                  seller_id,
                  stat_date
              ) a
            WHERE
              rownum <= 100
          );                              
    • UnaryUpdateRank:仅次于UpdateFastRank的算法。需要具备1个条件:输入流中存在PK信息。
    • RetractRank:普通算法,性能最差,不建议在生产环境使用该算法。请检查输入流是否存在PK信息,如果存在,则可进行UnaryUpdateRank或UpdateFastRank优化。
  • TopN优化方法
    • 无排名优化

      TopN的输出结果无需要显示rownum值,仅需在最终前端显式时进行1次排序,极大地减少输入结果表的数据量。无排名优化方法详情请参见TopN语句

    • 增加TopN的Cache大小
      TopN为了提升性能有一个State Cache层,Cache层能提升对State的访问效率。TopN的Cache命中率的计算公式为。
      cache_hit = cache_size*parallelism/top_n/partition_key_num
      例如,Top100配置缓存10000条,并发50,当您的PatitionBy的key维度较大时,例如10万级别时,Cache命中率只有10000*50/100/100000=5%,命中率会很低,导致大量的请求都会击中State(磁盘),性能会大幅下降。因此当PartitionKey维度特别大时,可以适当加大TopN的CacheS ize,相对应的也建议适当加大TopN节点的Heap Memory(请参见手动配置调优)。
      ##默认10000条,调整TopN cahce到20万,那么理论命中率能达200000*50/100/100000 = 100%。
      blink.topn.cache.size=200000
    • PartitionBy的字段中要有时间类字段

      例如每天的排名,要带上Day字段。否则TopN的结果到最后会由于State ttl有错乱。

高效去重方案

说明 仅Blink 3.2.1版本支持高效去重方案。
实时计算的源数据在部分场景中存在重复数据,去重成为了用户经常反馈的需求。实时计算有保留第一条(Deduplicate Keep FirstRow)和保留最后一条(Deduplicate Keep LastRow)2种去重方案。
  • 语法
    由于SQL上没有直接支持去重的语法,还要灵活的保留第一条或保留最后一条。因此我们使用了SQL的ROW_NUMBER OVER WINDOW功能来实现去重语法。去重本质上是一种特殊的TopN。
    SELECT *
    FROM (
       SELECT *,
        ROW_NUMBER() OVER ([PARTITION BY col1[, col2..]
         ORDER BY timeAttributeCol [asc|desc]) AS rownum
       FROM table_name)
    WHERE rownum = 1
    参数 说明
    ROW_NUMBER() 计算行号的OVER窗口函数。行号从1开始计算。
    PARTITION BY col1[, col2..] 可选。指定分区的列,即去重的KEYS。
    ORDER BY timeAttributeCol [asc|desc]) 指定排序的列,必须是一个时间属性的字段(即Proctime或Rowtime)。可以指定顺序(Keep FirstRow)或者倒序 (Keep LastRow)。
    rownum 仅支持rownum=1rownum<=1
    如上语法所示,去重需要两层Query:
    1. 使用ROW_NUMBER() 窗口函数来对数据根据时间属性列进行排序并标上排名。
      说明
      • 当排序字段是Proctime列时,Flink就会按照系统时间去重,其每次运行的结果是不确定的。
      • 当排序字段是Rowtime列时,Flink就会按照业务时间去重,其每次运行的结果是确定的。
    2. 对排名进行过滤,只取第一条,达到了去重的目的。
      说明 排序方向可以是按照时间列的顺序,也可以是倒序:
      • Deduplicate Keep FirstRow:顺序并取第一条行数据。
      • Deduplicate Keep LastRow:倒序并取第一条行数据。
  • Deduplicate Keep FirstRow
    保留首行的去重策略:保留KEY下第一条出现的数据,之后出现该KEY下的数据会被丢弃掉。因为STATE中只存储了KEY数据,所以性能较优,示例如下。
    SELECT *
    FROM (
      SELECT *,
        ROW_NUMBER() OVER (PARTITION BY b ORDER BY proctime) as rowNum
      FROM T
    )
    WHERE rowNum = 1
    说明 以上示例是将T表按照b字段进行去重,并按照系统时间保留第一条数据。Proctime在这里是源表T中的一个具有Processing Time属性的字段。如果您按照系统时间去重,也可以将Proctime字段简化PROCTIME()函数调用,可以省略Proctime字段的声明。
  • Deduplicate Keep LastRow
    保留末行的去重策略:保留KEY下最后一条出现的数据。保留末行的去重策略性能略优于LAST_VALUE函数,示例如下。
    SELECT *
    FROM (
      SELECT *,
        ROW_NUMBER() OVER (PARTITION BY b, d ORDER BY rowtime DESC) as rowNum
      FROM T
    )
    WHERE rowNum = 1
    说明 以上示例是将T表按照b和d字段进行去重,并按照业务时间保留最后一条数据。Rowtime在这里是源表T中的一个具有Event Time属性的字段。

高效的内置函数

  • 使用内置函数替换自定义函数
    实时计算的内置函数在持续的优化当中,请尽量使用内部函数替换自定义函数。实时计算2.0版本对内置函数主要进行了如下优化:
    • 优化数据序列化和反序列化的耗时。
    • 新增直接对字节单位进行操作的功能。
  • KEY VALUE函数使用单字符的分隔符

    KEY VALUE 的签名:KEYVALUE(content, keyValueSplit, keySplit, keyName),当keyValueSplit和KeySplit是单字符(例如,冒号(:)、逗号(,))时,系统会使用优化算法,在二进制数据上直接寻找所需的keyName 的值,而不会将整个content做切分。性能约提升30%。

  • 多KEY VALUE场景使用MULTI_KEYVALUE
    说明 仅实时计算2.2.2及以上版本支持MULTI_KEYVALUE。
    在Query中对同一个Content进行大量KEY VALUE的操作,会对性能产生很大影响。例如Content中包含10个Key-Value对,如果您希望把10个Value的值都取出来作为字段,您就需要写10个KEY VALUE函数,则系统就会对Content进行10次解析,导致性能降低。

    在这种情况下,建议您使用MULTI_KEYVALUE表值函数,该函数可以对Content只进行一次Split解析,性能约能提升50%~100%。

  • LIKE操作注意事项
    • 如果需要进行StartWith操作,使用LIKE 'xxx%'
    • 如果需要进行EndWith操作,使用LIKE '%xxx'
    • 如果需要进行Contains操作,使用LIKE '%xxx%'
    • 如果需要进行Equals操作,使用LIKE 'xxx',等价于str = 'xxx'
    • 如果需要匹配 _ 字符,请注意要完成转义LIKE '%seller/id%' ESCAPE '/'_在SQL中属于单字符通配符,能匹配任何字符。如果声明为 LIKE '%seller_id%',则不单会匹配seller_id还会匹配seller#idsellerxidseller1id 等,导致结果错误。
  • 慎用正则函数(REGEXP)
    正则表达式是非常耗时的操作,对比加减乘除通常有百倍的性能开销,而且正则表达式在某些极端情况下可能会进入无限循环,导致作业阻塞。建议使用LIKE。正则函数包括:

网络传输的优化

目前常见的Partitioner策略包括:
  • KeyGroup/Hash:根据指定的Key分配。
  • Rebalance:轮询分配给各个Channel。
  • Dynamic-Rebalance:根据下游负载情况动态选择分配给负载较低的Channel。
  • Forward:未Chain一起时,同Rebalance。Chain一起时是一对一分配。
  • Rescale:上游与下游一对多或多对一。
  • 使用Dynamic-Rebalance替代Rebalance

    Dynamic-Rebalance可以根据当前各Subpartition中堆积的Buffer的数量,选择负载较轻的Subpartition进行写入,从而实现动态的负载均衡。相比于静态的Rebalance策略,在下游各任务计算能力不均衡时,可以使各任务相对负载更加均衡,从而提高整个作业的性能。例如,在使用Rebalance时,发现下游各个并发负载不均衡时,可以考虑使用Dynamic-Rebalance。参数:task.dynamic.rebalance.enabled=true, 默认关闭。

  • 使用Rescale替代Rebalance
    说明 仅实时计算2.2.2及以上版本支持Rescale。

    例如,上游是5个并发,下游是10个并发。当使用Rebalance时,上游每个并发会轮询发给下游10个并发。当使用Rescale时,上游每个并发只需轮询发给下游2个并发。因为Channel个数变少了,Subpartition的Buffer填充速度能变快,能提高网络效率。当上游的数据比较均匀时,且上下游的并发数成比例时,可以使用Rescale替换Rebalance。参数:enable.rescale.shuffling=true,默认关闭。

推荐的优化配置方案

综上所述,作业建议使用如下的推荐配置。
# EXACTLY_ONCE语义。
blink.checkpoint.mode=EXACTLY_ONCE
# checkpoint间隔时间,单位毫秒。
blink.checkpoint.interval.ms=180000
blink.checkpoint.timeout.ms=600000
# 2.x使用niagara作为statebackend,以及设定state数据生命周期,单位毫秒。
state.backend.type=niagara
state.backend.niagara.ttl.ms=129600000
# 2.x开启5秒的microbatch。
blink.microBatch.allowLatencyMs=5000
# 整个Job允许的延迟。
blink.miniBatch.allowLatencyMs=5000
# 单个batch的size。
blink.miniBatch.size=20000
# local 优化,2.x默认已经开启,1.6.4需手动开启。
blink.localAgg.enabled=true
# 2.x开启PartialFina优化,解决COUNT DISTINCT热点。
blink.partialAgg.enabled=true
# union all优化。
blink.forbid.unionall.as.breakpoint.in.subsection.optimization=true
# object reuse优化,默认已开启。
#blink.object.reuse=true
# GC优化(SLS做源表不能设置该参数)。
blink.job.option=-yD heartbeat.timeout=180000 -yD env.java.opts='-verbose:gc -XX:NewRatio=3 -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:ParallelGCThreads=4'
# 时区设置。
blink.job.timeZone=Asia/Shanghai