微博机器学习平台使用 Flink 实时处理用户行为日志和生成标签，并且在生成标签后写入存储系统。为了降低存储系统的 IO 负载，有批量写入的需求，同时对数据延迟也需要进行一定的控制，因此需要一种有效的消息聚合处理方案。
在本篇文章中我们将详细介绍 Flink 中对消息进行聚合处理的方案，描述不同方案中可能遇到的问题和解决方法，并进行对比。
基于 flatMap 的解决方案
这是我们能够想到最直观的解决方案，即在自定义的 flatMap 方法中对消息进行聚合，伪代码如下：
对应的作业拓扑和运行状态如下：
该方案的优点如下：
- 逻辑简单直观，各并发间负载均匀。
- flatMap 可以和上游算子 chain 到一起，减少网络传输开销。
- 使用 operator state 完成 checkpoint，支持正常和改并发恢复。
与此同时，由于使用 operator state，因此所有数据都保存在 JVM 堆上，当数据量较大时有 GC/OOM 风险。
使用 Count Window 的解决方案
对于大规模 state 数据，Flink 推荐使用 RocksDB backend，并且只支持在 KeyedStream 上使用。与此同时，KeyedStream 支持通过 Count Window 来实现消息聚合，因此 Count Window 成为第二个可选方案。
由于需要使用 KeyedStream，我们面临的第一个问题就是如何生成 key。一个比较自然的想法是直接使用随机数，伪代码示例如下：
对应的作业拓扑如下：
然而实际上线测试时出现了数据倾斜，不同并发间会出现负载不均，部分 task 接收不到数据从而 TPS 为 0:
在我们的场景下，除了有批量写入降低 IO 的需求，对数据延迟也需要控制，当 key set 太大时，每个 key 累积指定数据条数的时间将增加，会导致数据写入的延迟增大，因此我们需要控制 key set 的大小。经过分析，当 key set 较小时，Flink 默认的数据分发策略在并发间分布不均，从而导致了上述数据倾斜的问题。下面我们从源码级别对此进行说明。
首先，Flink 为了保证从 state 中恢复数据时产生最小的 IO，引入了 key group 的概念。Key group 数目等于最大并发数（max parallelism），取值范围是 128-32768。当做数据分发的时候，key 会按照规则被分发到 key group 里面，相关代码如下所示：
keyGroup->KeyGroupRangeAssignment.assignToKeyGroup(key,maxParallelism);
然后，key group 会按照规则被分发到每个 task 上，代码示例如下：
Task->String.valueOf(KeyGroupRangeAssignment.computeOperatorIndexForKeyGroup(maxParallelism, parallelism, keyGroup));
通过 debug 可以发现，当 key 的数量较小时，该分发策略会导致 key 在 task 之间分配不均匀，测试代码如下：
输出结果如下：
{0=4, 1=4, 2=1}
{0=651, 1=686, 2=710}
可以看到，当只有 10 个 key 时，并发间分布很不均匀；但当 key 的数量增加到 2048 时，就相对均匀了。
在了解了 key 的分发策略之后，我们可以相应的调整 key 的生成规则，来达到指定并发度和 key set 大小前提下的数据均匀，如下述代码所示：
我们利用 maxParallelism 和 parallelism 生成 key，并将其存储到一个大小为 parallelism 的 map 里，以 taskid 作为 map key ，每个 task 对应的 key list 作为 value，来保证每个 taskid 对应的 list 都存储了相同数量的 key。
最后，再将 map 打平，存储到一个数组里。在使用的时候，我们可以从该数组里随机取数来作为key，就能达到平均分配的目的了。
该方案的执行效果如下：
可以看到数据倾斜的问题得以解决，每个任务的负载都比较均匀。但需要注意的是由于引入了 key by，因此会有数据 shuffle，对比 flatmap 方案会有额外的网络开销。另外由于生成 key 的规则和实际并发度有关，因此该方案不支持改并发恢复，或者说如果修改并发，那么在 restore 的时候会发生数据错乱的问题，这一点需要尤为注意。
方案对比和总结
最后我们将两种解决方案的优缺点对比总结如下：
在数据量不大且内存充足的情况下，建议使用 flatmap 方案；在数据量较大且可以保证不修改并发的情况下，建议使用 count window 方案并使用 RocksDB 进行 state数据存储；在数据量较大且需要修改并发的情况下，当前给出的两种方案都无法解决，需要寻求新的解决方案。
作者介绍：
曹富强、张颖，微博机器学习研发中心-系统工程师。现负责微博机器学习平台数据计算模块，主要涉及实时计算 Flink、Storm、Spark Streaming，离线计算 Hive、Spark 等。目前专注于 Flink 在微博机器学习场景的应用。
