CheckPoint失败排查方案是怎样的？

当 checkpoint coordinator（job manager 的一部分）指示 task manager 开始checkpoint 时，它会让所有 sources 记录它们的偏移量，并将编号的 checkpointbarriers 插入到它们的流中。这些 barriers 流经 job graph，标注每个checkpoint 前后的流部分。Checkpoint n将包含每个 operator 的 state，这些 state 是对应的operator 消费了在 checkpoint barrier n之前的所有事件，当 job graph 中的每个operator 接收到 barriers 时，它就会记录下其状态。拥有两个输入流的 Operators（例如 CoProcessFunction）会执行 barrier 对齐（barrier alignment） 以便当前快照能够包含消费两个输入流 barrier 之前（但不超过）的所有 events 而产生的状态。

Flink 的 state backends 利用写时复制（copy-on-write）机制允许当异步生成旧版本的状态快照时，能够不受影响地继续流处理。只有当快照被持久保存后，这些旧版本的状态才会被当做垃圾回收。整体流程：

•JM trigger checkpoint

•Source 收到 trigger checkpoint 的 PRC，开始做 snapshot，并往下游发送barrier

•下游接收 barrier（需要 barrier 都到齐才会开始做checkpoint）

•Task 开始同步阶段 snapshot

•Task 开始异步阶段 snapshot

•Task snapshot 完成，汇报给 JM

以上内容摘自《企业级云原生白皮书项目实战》电子书，点击https://developer.aliyun.com/ebook/download/7774可下载完整版