Flink1.15.3 standalone 模式，其中一个任务发生重启，导致集群都挂了 又遇到嘛？

Flink任务重启导致整个集群挂掉,可能的原因和解决方法:

当一个slot失败或重启时,如果其他程序没有可用的slot,将导致整个作业也失败和停止。可增加TaskManager的并行槽数,为程序提供更多备用资源。

如果有较大的状态,一个TaskManager失败会导致整个状态失效无法从Checkpoint恢复。分布状态以防止单点故障。

单个Job占用了过多的整体资源或者资源调度不合理,一个TaskManager挂掉后没有足够资源给其他程序。优化资源配置和调度策略。

使用了savepointcheckpoints并且savepoints存储在了本地磁盘,TaskManager失败后导致无法从保存点恢复。存储savepoints至分布式存储系统中。

Flink版本问题,旧版本在重启机制或状态管理上存在bug。尝试升级到稳定版本。

也有可能是底层 Mesos 或 YARN 集群的问题。

task.cancellation.timeout 你看看这个参数
https://study.sf.163.com/documents/read/service_support/dsc-t-d-0501，此回答整理自钉群“【③群】Apache Flink China社区”