监控指标说明-实时计算 Flink版(Flink)-阿里云帮助中心

本文为您介绍Flink全托管支持的监控指标详情。

注意事项

云监控与Flink控制台数据差异说明

展示维度差异
Flink 控制台通过 PromQL 查询，仅展示最大延迟。这是因为在实时计算场景中，平均延迟极易掩盖数据倾斜或单分区阻塞等严重问题，仅最大延迟具备运维参考价值。
数值偏差
云监控采用预聚合机制计算指标。由于聚合窗口、采样时间点或计算逻辑的差异，云监控显示的“最大值”可能与 Flink 控制台展示的实时数值存在细微不一致。建议排查问题时以 Flink 控制台数据为准。

数据延迟与Watermark 配置的说明

延迟计算逻辑
当前的监控指标 Emit Delay 是基于事件时间（Event Time）计算的，具体公式为：

Delay = 当前系统时间 - 数据体中的逻辑时间字段（如 PriceData.time）

这意味着该指标反映的是“数据的新鲜度”，而非“系统的处理速度”。只要数据本身是旧的，或者系统为了等待水位线（Watermark）对齐而主动暂停输出，该指标都会偏高。
调整建议

场景一：业务强依赖 Watermark（需保证计算逻辑正确），但数据源本身较旧
- 典型情况：
  - 上游数据发送本身就有延迟（如埋点上报慢）。
  - 正在进行历史数据回溯/重跑（Backfill），处理的是昨天的数据。
  - 业务逻辑必须依赖 Watermark 解决乱序问题，不能关掉。
- 现象： 监控报警延迟很高，但 Kafka 消费组无积压（Lag ≈ 0），CPU 负载低。
- 建议：
  1. 忽略此延迟指标： 此时的高 Delay 是正常的业务表现（反映数据是旧的），不代表系统故障。
  2. 更换监控口径： 请运维人员转为监控 Kafka Consumer Lag（消费堆积量）。只要堆积量不持续上涨，就证明系统处理能力完全正常，无需介入。
场景二：追求实时性，且可以容忍少量乱序/数据丢失
- 典型情况：
  - 大屏展示或实时风控，数据由于 Watermark 等待导致结果输出过慢。
  - 业务上更在乎“当前几点收到的数据”，而不是“数据里写的几点”。
- 现象： 数据流本身是实时的，但因为 Watermark 设置了较大的容忍窗口（如允许迟到10秒），导致数据被强行延迟10秒才输出。
- 建议：
  1. 移除/关闭 Watermark： 改用处理时间（Processing Time）进行计算，或将 Watermark 的等待阈值设为 0。
  2. 预期结果： 延迟指标将瞬间下降（接近物理处理耗时），数据随到随出，不再等待对齐。

典型场景指标特征

指标仅反映当前组件的工作状态，并非判断问题根因的充分条件。请务必结合 Flink UI 的反压检测功能及其他辅助工具进行综合判断。

1. 算子反压

现象：下游处理能力不足，导致 Source 发送速率下降。

判断方式：首选 Flink UI 的反压监测面板。
指标特征：
- sourceIdleTime 呈周期性上升。
- currentFetchEventTimeLag 和 currentEmitEventTimeLag 持续增长。
- 极端情况：若算子完全卡死，sourceIdleTime 会持续上升。

2. Source 性能瓶颈

现象：Source 读取速度达到上限，但仍无法满足数据处理需求。

判断方式：作业中未检测到反压。
指标特征：
- sourceIdleTime 维持在极低数值（Source 处于全负荷工作状态）。
- currentFetchEventTimeLag 和 currentEmitEventTimeLag 数值接近，且均处于高位。

3. 数据倾斜或空分区

现象：上游 Kafka 分区数据分布不均，或存在空分区。

判断方式：观察不同 Source 的指标差异。
指标特征：
- 特定 Source 的 sourceIdleTime 显著高于其他 Source（表明该并行度处于闲置状态）。

4. 数据延迟分析

现象：作业整体延迟较高，需定位瓶颈位于 Source 内部还是外部系统。

判断方式：组合分析空闲时间、Lag 差值与堆积量。
指标特征：
- sourceIdleTime 较高：
  说明 Source 处于闲置状态。通常意味着外部系统的数据产出速率较低，而非 Flink 处理慢。
- Lag 差值分析：
  对比 currentEmitEventTimeLag 与 currentFetchEventTimeLag 的数值差异（即数据在 Source 算子内的驻留时间）：
  - 差值较小（两指标接近）：拉取能力不足。瓶颈在于网络 I/O 带宽或 Source 并发度不够。
  - 差值较大：处理能力不足。瓶颈在于数据解析效率低下，或受到下游反压限制。
- pendingRecords（如连接器支持）：
  直接反映外部滞留量。数值越高，说明数据在外部系统中的堆积越严重。

概览

指标	含义	详情	单位	支持的连接器
Num of Restarts	作业错误恢复次数。	作业出错重启次数，不包含JM Failover次数。查看作业可用性，协助您查看作业状态。	次数	不涉及
current Emit Event Time Lag	业务延时。	该延时较大时，说明作业可能在拉取数据或者处理数据上存在延时。	毫秒（ms）	Kafka RocketMQ SLS DataHub Postgres CDC Hologres（Binlog Source）
current Fetch Event Time Lag	传输延时。	该延时较大时，说明作业可能在拉取数据上存在延时。您需要查看网络I/O或上游系统情况。结合currentEmitEventTimeLag，您可以通过两个指标的差值（即数据在Source中停留的时间）分析Source当前的处理能力。详情如下：如果两个延迟非常接近，说明Source从外部系统中拉取数据的能力（网络 I/O、并发数）不足。如果两个延迟差值较大，说明作业的处理能力不足，导致数据在Source中有滞留。您可以在目标作业的作业部署详情页面，单击状态总览页签，在BackPressure页面先定位有问题的Vertex拓扑，再到Thread Dump页面分析堆栈定位真正的瓶颈点。	毫秒（ms）	Kafka RocketMQ SLS DataHub Postgres CDC Hologres（Binlog Source）
numRecordsIn	所有Operator的输入的记录总数。	如果某个算子的numRecordsIn值长时间未增涨，可能存在上游把数据都吞掉的情况，需要查看上游数据。	条	所有内置连接器均支持。
numRecordsOut	输出记录总数。	如果某个算子的numRecordsOut的值长时间未增涨，说明可能是作业代码逻辑错误，导致数据都被吞掉了，需要查看作业代码逻辑。	条	所有内置连接器均支持。
numRecordsInofSource	每个Operator中仅source operator的输入记录。	查看上游数据输入情况。	条	Kafka MaxCompute 增量MaxCompute RocketMQ SLS DataHub ElasticSearch Hologres
numRecordsOutOfSink	Sink端输出记录总数。	查看上游数据输出情况。	条	Kafka SLS DataHub Hologres HBase Tablestore Redis
numRecordsInPerSecond	整个数据流每秒钟输入的记录数。	用于需要监控整个数据流的处理速度的场景。例如，您可以使用numRecordsInPerSecond来观察整个数据流的处理速度是否达到了预期的水平，以及在不同的输入数据负载下性能的变化情况。	条/秒	所有内置连接器均支持。
numRecordsOutPerSecond	整个数据流每秒钟输出的记录数。	用于测量整个数据流每秒钟输出的记录数，适用于需要监控整个数据流的输出速度的场景。例如，您可以使用numRecordsOutPerSecond来观察整个数据流的输出速度是否达到了预期的水平，以及在不同的输出数据负载下性能的变化情况。	条/秒	所有连接器均支持。
numRecordsInOfSourcePerSecond (IN RPS)	数据源Source端每秒输入记录数。	用于测量每个数据源每秒钟生成的记录数，适用于需要了解每个数据源的生成速度的场景。例如，在一个数据流中，不同的数据源可能会产生不同数量的记录，使用numRecordsInOfSourcePerSecond可以帮助您了解每个数据源的生成速度，并对数据流进行调整以达到更好的性能，同时该数据用于监控告警。如果该值为0，说明可能存在上游把数据都吞掉的情况，需要查看上游数据是否一直未被消费，导致输出阻塞。	条/秒	Kafka MaxCompute 增量MaxCompute RocketMQ SLS DataHub ElasticSearch Hologres
numRecordsOutOfSinkPerSecond (OUT RPS)	数据目的Sink端每秒输出记录数。	用于测量每个Sink端每秒钟输出的记录数，适用于需要了解每个Sink的输出速度的场景。例如，在一个数据流中，不同的Sink可能会输出不同数量的记录。使用numRecordsOutOfSinkPerSecond可以帮助您了解每个Sink的输出速度，并对数据流进行调整以达到更好的性能。该数据用于监控告警，如果该值为0，说明可能是作业代码逻辑错误，导致全部数据被过滤了，需要查看作业代码逻辑。	条/秒	Kafka MaxCompute 增量MaxCompute SLS DataHub Hologres HBase Tablestore Redis
pendingRecords	源端未读取数据的条数。	外部系统中尚未被Source拉取的数据条数。	条	Kafka ElasticSearch
sourceIdleTime	源端未处理数据的时间。	该指标反映Source是否有闲置。如果该指标的值较大时，说明您的数据在外部系统中的产生速率较低。	毫秒（ms）	Kafka RocketMQ Postgres CDC Hologres（Binlog Source）
busyTimePerSecond	Task 繁忙时间。	每秒内 Task 线程处于繁忙状态（处理数据）的毫秒数。取值范围 0~1000，值越高表示 Task 负载越大。可用于识别性能瓶颈、评估资源利用率和指导自动调优。	毫秒（ms）	不涉及

系统检查点

指标	含义	详情	单位
Num of Checkpoints	Checkpoint数量。	总览Checkpoint状态，协助您设置Checkpoint告警。	个
lastCheckpointDuration	最近一个Checkpoint的持续时间。	如果Checkpoint耗时过长或者超时，可能由于状态过大、临时网络原因、Barrier未对齐或者数据存在反压等原因造成。	毫秒（ms）
lastCheckpointSize	最近一个Checkpoint的大小。	最近一次实际上传的Checkpoint大小，可以在Checkpoint有瓶颈时协助分析Checkpoint性能。	Bytes

状态

说明

latency状态指标需要设置后才可以使用，因此您需要在更多Flink配置中设置state.backend.latency-track.keyed-state-enabled: true，启用latency状态指标后，可能会对作业运行时的性能造成一定影响。

指标	含义	详情	单位	版本限制
State Clear Latency	单次状态清理延迟最大值。	查看State清理的性能。	纳秒（ns）	实时计算引擎VVR 4.0.0及以上版本。
Value State Latency	单次Value State访问延迟的最大值。	查看Value State访问的性能。	纳秒（ns）
Aggregating State Latency	单次Aggregating State访问延迟的最大值。	查看Aggregating State访问的性能。	纳秒（ns）
Reducing State Latency	单次Reducing State访问延迟的最大值。	查看Reducing State访问的性能。	纳秒（ns）
Map State Latency	单次Map State访问延迟的最大值。	查看Map State访问的性能。	纳秒（ns）
List State Latency	单次List State访问延迟的最大值。	查看List State访问的性能。	纳秒（ns）
Sorted Map State Latency	单次Sorted Map State访问延迟的最大值。	查看Sorted Map State访问的性能。	纳秒（ns）
State Size	状态数据的大小。	通过观测该指标，您可以：直接或提前定位可能出现的State瓶颈的节点。判断TTL是否生效。	Bytes	实时计算引擎VVR 4.0.12及以上版本。
State File Size	状态数据文件的大小。	通过观测该指标，您可以：查看本地磁盘中State部分占用的大小，在占用大时提前采取措施。遇到本地磁盘空间不足的情况时，判断是否因状态数据过大导致。	Bytes	实时计算引擎VVR 4.0.13及以上版本。

IO

指标	含义	详情	单位	支持的连接器
numBytesIn	输入字节总数。	查看上游吞吐的输入情况，协助您观察作业流量表现。	Bytes	Kafka MaxCompute 增量MaxCompute RocketMQ
numBytesInPerSecond	每秒输入字节总数。	查看上游流速的输入情况，协助您观察作业流量表现。	Bytes/秒	Kafka MaxCompute 增量MaxCompute RocketMQ
numBytesOut	输出字节总数。	查看上游吞吐的输出情况，协助您观察作业流量表现。	Bytes	Kafka RocketMQ DataHub HBase
numBytesOutPerSecond	每秒输出字节总数。	查看上游吞吐输出情况，协助您观察作业流量表现。	Bytes/秒	Kafka RocketMQ DataHub HBase
Task numRecords I/O	每个Subtask收到和输出的总数据量。	根据该指标判断作业是否存在I/O瓶颈。	条	Kafka MaxCompute 增量MaxCompute SLS DataHub ElasticSearch Hologres HBase Tablestore Redis
Task numRecords I/O PerSecond	每个Subtask每秒收到和输出的总数据量。	判断作业是否存在I/O瓶颈并且通过速率判断严重程度。	条/秒	Kafka MaxCompute 增量MaxCompute SLS DataHub ElasticSearch Hologres HBase Tablestore Redis
currentSendTime	输出到下游系统的每个Subtask发送最近一条数据的用时。	该指标值较小时，说明Subtask输出过慢。	毫秒（ms）	Kafka MaxCompute 增量MaxCompute RocketMQ SLS DataHub Hologres 说明 JDBC模式和RPC模式支持，BHClient模式不支持。 HBase Tablestore Redis

水印

指标	含义	详情	单位	支持的连接器
Task InputWatermark	每个Task收到最近一条水印的时间。	说明TM收到数据的延时情况。	无	不涉及连接器
watermarkLag	Watermark延迟。	判断Subtask级别的作业延迟情况。	毫秒（ms）	Kafka RocketMQ SLS DataHub Hologres（Binlog Source）

CPU

指标	含义	详情	单位
JM CPU Usage	单个JM CPU的CPU使用率。	该值反映Flink对CPU时间片的占用情况，1个Core的CPU用满了就是100%，4个Core用满了就是400%。如果该值长期大于100%则说明CPU很繁忙。如果负载很高，但CPU使用率却比较低，可能因为频繁的读写操作导致不可中断睡眠状态的进程过多。说明仅实时计算引擎VVR 6.0.6及以上版本支持该指标。	无
TM CPU Usage	单个TM CPU的CPU使用率。	该值反映Flink对CPU时间片的占用情况，1个Core的CPU用满了就是100%，4个Core用满了就是400%。如果该值长期大于100%则说明CPU很繁忙。如果负载很高，但CPU使用率却比较低，可能是因为频繁的读写操作导致不可中断睡眠状态的进程过多。	无

内存

指标	含义	详情	单位
JM Heap Memory	JM的堆内存。	查看JM堆内存的变化。	Bytes
JM NonHeap Memory	JM的非堆内存。	查看JM非堆内存的变化。	Bytes
TM Heap Memory	TM的堆内存。	查看TM堆内存的变化。	Bytes
TM nonHeap Memory	TM的非堆内存。	查看TM非堆内存的变化。	Bytes
TM Mem (RSS)	通过Linux获取整个进程的内存。	查看进程内存的变化。	Bytes

JVM

指标	含义	详情	单位
JM Threads	JM线程数。	JM线程数过多会导致占用过大的内存空间，从而降低作业稳定性。	个
TM Threads	TM线程数。	TM线程数过多会导致占用过多内存，从而降低作业稳定性。	个
JM GC Count	JM GC次数。	GC次数过多会导致占用过大内存空间，从而影响作业性能。该指标协助您进行作业诊断，排查作业级别的故障原因。	Times
JM GC Time	每次JM GC时间。	长时间GC会导致占用过大内存空间，从而影响作业性能。该指标协助您进行作业诊断，排查作业级别的故障原因。	毫秒（ms）
TM GC Count	TM GC次数。	GC次数过多会导致占用过大内存空间，从而影响作业性能。该指标协助您进行作业诊断，排查作业Task级别的故障原因。	次数
TM GC Time	每次TM GC时间。	长时间GC会导致占用过大内存空间，从而影响作业性能。该指标协助您进行作业诊断，排查作业级别的故障原因。	毫秒（ms）
JM ClassLoader	JM所在的JVM在创建后，加载或卸载的类总数。	JM所在的JVM创建后，加载类的总数或卸载类的总数过大，会导致占用过大的内存空间，从而影响作业性能。	无
TM ClassLoader	TM所在的JVM创建后，加载或卸载的类总数。	JM所在的JVM创建后加载类的总数或卸载类的总数过大，会导致占用过大内存空间，从而影响作业性能。	无

连接器 - Mysql

指标	含义	单位	应用场景	版本限制
isSnapshotting	作业是否在处理全量数据阶段（1表示处于该阶段）	无	确定作业处理阶段	实时计算引擎VVR 8.0.9及以上版本。
isBinlogReading	作业是否在处理增量数据阶段（1表示处于该阶段）	无	确定作业处理阶段
Num of remaining tables	全量阶段等待处理的表的个数	个	查看剩余未处理的表数量
Num of snapshotted tables	全量阶段已经处理的表的个数	个	查看已经处理的表数量
Num of remaining SnapshotSplits	全量阶段等待处理的分片的个数	个	查看已经处理的分片数
Num of processed SnapshotSplits	全量阶段已经处理的分片的个数	个	查看未处理的分片数
currentFetchEventTimeLag	数据从产生到从数据库读取出来之间的延迟	ms	查看从数据库读取binlog的延迟
currentReadTimestampMs	当前读取到的最新数据的时间戳	ms	查看读取到最新数据时间
numRecordsIn	已经读取的数据条数	条	查看已经处理的全部数据量
numSnapshotRecords	全量阶段已经处理的数据条数	条	查看全量阶段已处理的数据量
numRecordsInPerTable	每个表已经读取的数据条数	条	查看每个表已经处理的全部数据量
numSnapshotRecordsPerTable	每个表全量阶段已经处理的数据条数	条	查看每个表全量阶段已处理的数据量

连接器 - Kafka

指标	含义	单位	应用场景	版本限制
commitsSucceeded	位点提交成功的次数	次	判断位点提交是否成功	实时计算引擎VVR 8.0.9及以上版本。
commitsFailed	位点提交失败的次数	次	判断位点提交是否成功
Fetch Rate	拉取数据的频率	次/秒	判断数据拉取的延迟和速度
Fetch Latency Avg	拉取数据操作的延迟	毫秒	判断数据拉取的延迟和速度
Fetch Size Avg	每次拉取的平均字节数	字节	判断数据拉取的延迟和速度
Avg Records In Per-Request	每次拉取的平均消息数	条	判断数据拉取的延迟和速度
currentSendTime	发送上一条记录的时间	无	判断消费进度
batchSizeAvg	每个批次的平均字节数	Bytes	判断数据写入延迟和速度
requestLatencyAvg	请求的平均延迟	ms	判断数据写入延迟和速度
requestsInFlight	正在进行的请求数	无	判断数据写入延迟和速度
recordsPerRequestAvg	每次请求的平均消息数	条	判断数据写入延迟和速度
recordSizeAvg	消息的平均字节数	Bytes	判断数据写入延迟和速度

连接器 - Paimon

指标	含义	单位	应用场景	版本限制
Number of Writers	Writer实例数量	个	当前有几个分桶正在写入。若数量过大，可能会影响写入效率，增加内存消耗。分析分桶数或分区键设置是否合理。	实时计算引擎VVR 8.0.9及以上版本。
Max Compaction Thread Busy	小文件合并线程的最大繁忙程度	比例	当前正在写入的各个分桶中，最近一分钟内，小文件合并线程最多有多少时间在活动。可以反映小文件合并的压力
Average Compaction Thread Busy	小文件合并线程平均繁忙程度	比例	当前正在写入的各个分桶中，最近一分钟内，小文件合并线程最多有多少时间在活动。可以反映小文件合并的压力
Max Number of Level 0 Files	最大Level 0 文件数量	个	当前正在写入的各个分桶中，level 0文件（小文件）最多有几个。仅对主键表有意义，可以反映小文件合并的效率能否跟上写入效率
Average Number of Level 0 Files	平均Level 0 文件数量	个	当前正在写入的各个分桶中，level 0文件（小文件）平均有几个。仅对主键表有意义，可以反映小文件合并的效率能否跟上写入效率
Last Commit Duration	上次Commit耗时	毫秒	若时间太长，应检查是否有过多的分桶正在同时写入。
Number of Partitions Last Committed	上次Commit中写入的分区数量	个	若数量过大，可能会影响写入效率，增加内存消耗。分析分桶数或分区键设置是否合理。
Number of Buckets Last Committed	上次Commit中写入的分桶数量	个	若数量过大，可能会影响写入效率，增加内存消耗。分析分桶数或分区键设置是否合理。
Used Write Buffer	已使用的Write Buffer的内存大小	字节	所有task manager的writer节点已使用的buffer大小。该buffer将占用Java堆内存，若设置过大可能会导致OOM。
Total Write Buffer	分配给Write Buffer的总内存大小	字节	所有task manager的writer节点设置的uffer大小。该buffer将占用Java堆内存，若设置过大可能会导致OOM，。

数据摄入

指标	含义	单位	应用场景	版本限制
isSnapshotting	作业是否在处理全量数据阶段（1表示处于该阶段）	无	确定作业处理阶段	实时计算引擎VVR 8.0.9及以上版本。
isBinlogReading	作业是否在处理增量数据阶段（1表示处于该阶段）	无	确定作业处理阶段
Num of remaining tables	全量阶段等待处理的表的个数	个	查看剩余未处理的表数量
Num of snapshotted tables	全量阶段已经处理的表的个数	个	查看已经处理的表数量
Num of remaining SnapshotSplits	全量阶段等待处理的分片的个数	个	查看已经处理的分片数
Num of processed SnapshotSplits	全量阶段已经处理的分片的个数	个	查看未处理的分片数
currentFetchEventTimeLag	数据从产生到从数据库读取出来之间的延迟	ms	查看从数据库读取binlog的延迟
currentReadTimestampMs	当前读取到的最新数据的时间戳	ms	查看读取到最新数据的时间
numRecordsIn	已经读取的数据条数	条	查看已经处理的全部数据量
numRecordsInPerTable	每个表已经读取的数据条数	条	查看每个表已经处理的全部数据量
numSnapshotRecords	全量阶段已经处理的数据条数	条	查看全量阶段已处理的数据量
numSnapshotRecordsPerTable	每个表全量阶段已经处理的数据条数	条	查看每个表全量阶段已处理的数据量