问题一：相比经典单元化，动态单元化有哪些优势？
相比经典单元化，动态单元化有哪些优势？
参考回答：
动态单元化通过分布式数据库和服务网格技术，实现了数据分区和路由规则的动态调整，降低了系统建设成本和实施周期。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/671148
问题二：在 Flink 1.14 之前，资源管理的主要方式是什么？这种方式有什么局限性？
在 Flink 1.14 之前，资源管理的主要方式是什么？这种方式有什么局限性？
参考回答：
在 Flink 1.14 之前，资源管理主要采用的是粗粒度的方式。每个算子 slot request 所需要的资源都是未知的，内部用 UNKNOWN 特殊值来表示，这种资源规格可以与任意资源规格的物理 slot 匹配。然而，这种方式的局限性在于，它无法针对具体算子的资源需求进行精确匹配，特别是在复杂作业中，上下游并发不一致时，会导致资源利用效率降低，甚至因为资源规格无法对齐而导致作业无法执行。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/669986
问题三：如何在 Flink 中通过调整 slot 配置来提高资源利用效率？
如何在 Flink 中通过调整 slot 配置来提高资源利用效率？
参考回答：
在 Flink 中，对于简单作业，用户可以通过调整默认的 slot 配置来提高资源利用效率。例如，将上下游的并发保持一致，并将整个作业的 pipeline 放到一个 SlotSharingGroup (SSG) 中。由于不同的 task 热点峰值不一定相同，这种方式可以通过削峰填谷效应，将不同的 task 放到一个大的 slot 里，从而进一步降低整体的资源开销。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/669989
问题四：为什么在复杂作业中，粗粒度资源管理可能导致资源利用效率降低？
为什么在复杂作业中，粗粒度资源管理可能导致资源利用效率降低？
参考回答：
在复杂作业中，上下游并发不一致，且不同算子的资源需求差异较大。如果尝试将整个作业放到一个 slot 中，并与最高的并发对齐，那么对于轻量级的算子来说，会导致资源的大量浪费。例如，Redis 维表只需 32 份资源，而聚合算子需要 16 份资源，但在粗粒度资源管理中，它们都需要申请到与最高并发（如 128）对齐的资源，从而造成了资源的低效利用。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/669990
问题五：如何通过细粒度资源管理解决复杂作业中的资源浪费问题？
如何通过细粒度资源管理解决复杂作业中的资源浪费问题？
参考回答：
细粒度资源管理的提出正是为了解决复杂作业中的资源浪费问题。其基本思想是，每个 slot 的资源规格都可以单独定制，用户可以根据具体算子的需求按需申请资源。这样，不同算子可以根据其实际的资源需求来申请资源，从而最大化资源的利用效率。例如，Redis 维表可以只申请 32 份内存资源，而聚合算子则申请足够的 managed memory 来存储 state，避免了资源的过度分配和浪费。 
关于本问题的更多问答可点击原文查看：
