问题一：在 Flink 中，如何拆分作业以更好地利用细粒度资源管理？
在 Flink 中，如何拆分作业以更好地利用细粒度资源管理？
参考回答：
在 Flink 中，为了更好地利用细粒度资源管理，可以将整个作业拆分成多个 SlotSharingGroup (SSG)。每个 SSG 内部的并发和资源需求应该尽量对齐，以减少资源浪费。例如，在上面的复杂作业中，可以将算子按照并发划分成多个 SSG，每个 SSG 内部的并发和资源需求都是一致的，从而可以更好地利用细粒度资源管理来优化资源分配。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/669993
问题二：细粒度资源管理的核心目的是什么？它主要适用于哪些场景？
细粒度资源管理的核心目的是什么？它主要适用于哪些场景？
参考回答：
细粒度资源管理的核心目的是通过使作业各个模块按需申请和使用资源来提高资源的整体利用效率。它主要适用于作业中上下游 task 并发有显著差异、pipeline 的资源过大或者其中包含比较昂贵的扩展资源等场景。在这些情况下，将作业拆分成多个 SlotSharingGroup (SSG)，并利用细粒度资源管理可以减少资源浪费。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/669994
问题三：在 Flink 的资源调度框架中，JM、RM 和 TM 分别扮演什么角色？
在 Flink 的资源调度框架中，JM、RM 和 TM 分别扮演什么角色？
参考回答：
在 Flink 的资源调度框架中，JobMaster (JM) 负责管理 JobGraph 的资源申请以及执行部署；ResourceManager (RM) 负责检查集群中现有的资源是否满足 JM 的需求，并协调资源的分配；TaskManager (TM) 负责接收 RM 的请求，提供对应的 slot 给 JM 使用。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/669995
问题四：简述 Flink 中资源调度流程是怎样的？
简述 Flink 中资源调度流程是怎样的？
参考回答：
在 Flink 中，资源调度流程如下：用户编写的任务首先被编译成 JobGraph，并注入资源后提交到 JM。JM 中的 Scheduler 根据 JobGraph 生成 SlotRequest，并将这些请求聚合成 ResourceRequirement 发送给 RM。RM 检查集群资源，如果足够则直接请求 TM 分配 slot，如果不足则通过外部系统（如 K8s 或 Yarn）申请新资源。JM 收到足够多的 slot 后开始部署算子，作业得以运行。 
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/669996
问题五：FLIP-156 中提出的基于 SlotSharingGroup 的资源配置接口有几种设计选择？它们各自的优缺点是什么？
FLIP-156 中提出的基于 SlotSharingGroup 的资源配置接口有几种设计选择？它们各自的优缺点是什么？
参考回答：
FLIP-156 中提出的基于 SlotSharingGroup 的资源配置接口有三种设计选择：
算子粒度：优点是资源配置与 chaining 和 slot sharing 解耦，用户配置简单；缺点是用户配置成本高，难以支持粗细粒度混合配置，且资源偏差会累积。
Task 粒度：优点是相比算子粒度降低了用户配置成本；缺点是资源配置与 chaining 逻辑耦合，内部优化受限，且 chaining 逻辑变化可能导致用户配置不兼容。
SlotSharingGroup 粒度：优点是资源配置所见即所得，省略了资源聚合逻辑；缺点是若 SSG 内部算子资源需求差异大，则可能导致资源浪费。
关于本问题的更多问答可点击原文查看：
