一致性检查点（Checkpoints）

1. Flink 故障恢复机制的核心，就是应用状态的一致性检查点

2. 有状态流应用的一致检查点，其实就是所有任务的状态，在某个时间点的一份拷贝（一份快照）；这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候(如5这个数据虽然进了奇数流但是偶数流也应该做快照，因为属于同一个相同数据，只是没有被他处理)

3. 在JobManager中也有个Chechpoint的指针，指向了仓库的状态快照的一个拓扑图，为以后的数据故障恢复做准备

从检查点恢复状态

1. 在执行流应用程序期间，Flink 会定期保存状态的一致检查点
2. 如果发生故障， Flink 将会使用最近的检查点来一致恢复应用程序的状态，并重新启动处理流程（如图中所示，7这个数据被source读到了，准备传给奇数流时，奇数流宕机了，数据传输发生中断）

1. 遇到故障之后，第一步就是重启应用(重启后的流都是空的)

1. 第二步是从 checkpoint 中读取状态，将状态重置(读取在远程仓库(Storage，这里的仓库指状态后端保存数据指定的三种方式之一)保存的状态)，从检查点重新启动应用程序后，其内部状态与检查点完成时的状态完全相同

1. 第三步：开始消费并处理检查点到发生故障之间的所有数据
2. 这种检查点的保存和恢复机制可以为应用程序状态提供“精确一次”（exactly-once）的一致性，因为所有算子都会保存检查点并恢复其所有状态，这样一来所有的输入流就都会被重置到检查点完成时的位置

Chandy-Lamport 算法

在上图所示的数据7，同样被Source读取后，在传向奇数流时，奇数流宕机了，那么这个数据7在开始已经Source读取了，但是由于宕机，奇数流又没有处理到这个数据7，那么当检查点恢复后，这个数据7是否还会重新从输入队列中读取，如果不重新读取则数据将发生丢失，为了防止这种情况Flink做了改进实现，这种实现叫Chandy-Lamport 算法的分布式快照，这样做的好处是将检查点的保存和数据处理分离开，不暂停整个应用，简单来说就是Source读取一个数据，自己就做一份CheckPoint保存，不用管其他数据流是否读取，其他数据流依然如此，读取一个数据保存一份数据

Flink 检查点算法

Flink 检查点算法 ：

1. Flink 的检查点算法用到了一种称为分界线（barrier）的特殊数据形式，用来把一条流上数据按照不同的检查点分开
2. 分界线之前到来的数据导致的状态更改，都会被包含在当前分界线所属的检查点中；而基于分界线之后的数据导致的所有更改，就会被包含在之后的检查点中

算法操作解析

1. 现在是一个有两个输入流的应用程序，用并行的两个 Source 任务来读取
2. 两条自然数数据流，蓝色数据流已经输出完蓝3了，黄色数据流输出完黄4了
3. 在Souce端 Source1 接收到了数据蓝3 正在往下游发向一个数据蓝2 和 蓝3； Source2 接受到了数据黄4，且往下游发送数据黄4
4. 偶数流已经处理完黄2 所以后面显示为2， 奇数流处理完蓝1 和 黄1 黄3 所以为5 并分别往下游发送每次聚合后的结果给Sink

1. JobManager 会向每个 source 任务发送一条带有新检查点 ID 的消息，通过这种方式来启动检查点，这个带有新检查点ID的东西为barrier，图中三角型表示，2只是ID

1. 在Source端接受到barrier后，将自己此身的3 和 4 的数据，将它们的状态写入检查点，且向JobManager发送checkpoint成功的消息(状态后端在状态存入检查点之后，会返回通知给 source 任务，source 任务就会向 JobManager 确认检查点完)，然后向下游分别发出一个检查点 barrier
2. 可以看出在Source接受barrier时，数据流也在不断的处理，不会进行中断，
3. 此时的偶数流已经处理完蓝2变成了4，但是还没处理到黄4，只是下游发送了一个次数的数据4，而奇数流已经处理完蓝3变成了8，并向下游发送了8
4. 此时barrier都还未到奇数流和偶数流

1. 此时蓝色流的barrier先一步抵达了偶数流，黄色的barrier还未到，但是因为数据的不中断一直处理，此时的先到的蓝色的barrier会将此时的偶数流的数据4进行缓存处理，流接着处理接下来的数据等待着黄色的barrier的到来，而黄色barrier之前的数据将会对缓存的数据相加
2. 这次处理的总结：分界线对齐：barrier 向下游传递，sum 任务会等待所有输入分区的 barrier 到达，对于barrier已经到达的分区，继续到达的数据会被缓存。而barrier尚未到达的分区，数据会被正常处理

1. 当蓝色的barrier和黄色的barrier(所有分区的)都到达后，进行状态保存到远程仓库，然后对JobManager发送消息，说自己的检查点保存完毕了
2. 此时的偶数流和奇数流都为8
3. 当收到所有输入分区的 barrier 时，任务就将其状态保存到状态后端的检查点中，然后将 barrier 继续向下游转发

1. 向下游转发检查点 barrier 后，任务继续正常的数据处理

1. Sink 任务向 JobManager 确认状态保存到 checkpoint 完毕
2. 当所有任务都确认已成功将状态保存到检查点时，检查点就真正完成了

保存点（Savepoints）

简而言之，CheckPoint为自动保存，SavePoint为手动保存

CheckPoint配置

 env.enableCheckpointing(1000L) // 开启 触发时间间隔为1000毫秒
    env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.AT_LEAST_ONCE) // 语义 默认EXACTLY_ONCE
    env.getCheckpointConfig.setCheckpointTimeout(60000L) // 超时时间
    env.getCheckpointConfig.setMaxConcurrentCheckpoints(2) // 最大允许同时出现几个CheckPoint
    env.getCheckpointConfig.setMinPauseBetweenCheckpoints(500L) // 最小得间隔时间
    env.getCheckpointConfig.setPreferCheckpointForRecovery(true) // 是否倾向于用CheckPoint做故障恢复
    env.getCheckpointConfig.setTolerableCheckpointFailureNumber(3) // 容忍多少次CheckPoint失败
     // 重启策略
    // 固定时间重启
    env.setRestartStrategy(RestartStrategies.fixedDelayRestart(3, 10000L))
    // 失败率重启
    env.setRestartStrategy(RestartStrategies.failureRateRestart(5, Time.of(5, TimeUnit.MINUTES), Time.of(10, TimeUnit.SECONDS)))