Apache flink：使用 keyBy/connect 维护流中的消息输入顺序

Question

简介

我正在使用 apache flink 构建一个相当复杂的数据流网络。这个想法是，用flink实现一个规则引擎。

作为应用程序的基本描述，它应该是这样工作的：

数据由 kafka consumer source 接收，并与多个数据流一起处理，直到最终发送到 kafka producer sink。传入数据包含具有逻辑键（“object-id”）的对象，传入消息可能引用相同的 object-id。对于每个给定的 object-id，其传入消息的顺序必须在整个应用程序中保留。整个消息的顺序可以是任意的。

这意味着object1的消息a、b和c必须按顺序处理，但是消息x object2 的 em> 可能在 a1/b1/c1 之间处理，之前或之后，没关系。

就我目前的理解而言，这意味着我必须keyBy(_.objectID)，以便同一对象的消息按照它们到达的顺序进行处理。

目前的做法

为了实现实际的规则引擎，创建了一个流网络。思路如下：

• 每条规则都有 1-n 个条件
• 为每个规则的每个条件创建一个带有.filter(_.matches(rule.condition)) 的原始流的子流
• 使用substream1.connect(substream2).flatMap(new CombineFunction[MyObject](...))合并所有对应相同规则的子流
• connect 只能加入 2 个流，所以 3 个条件的规则会导致后续的 2 个加入
• 使用相同条件的规则将重复使用在第二步中创建的相同子流。

这将导致 n 个加入流，其中 n 对应于规则的数量。加入的流将附加一个map 函数，用于标记消息，以便我们知道匹配的规则。

每个加入/结果流可能会独立于其他结果将其结果（“规则 xyz 匹配”）发布到 kafka 生产者，因此此时我可以将接收器附加到流。

连接详情

因为两个流（“条件”-子流）的.connect 必须只传递一条消息，如果在两个流上都接收到它（^= 两个条件都匹配），我需要一个带键状态的RichCoFlatMapFunction，它可以处理“只有在对方已经收到它的情况下才能通过”。

然而，问题是，流是由 object-id 键控的。那么，如果同一对象的 2 条消息通过网络运行并到达.connect().map(new RichCoFlatMapFunction...)，会发生什么情况？这将导致错误的输出。 在进入网络时，我需要为每条传入消息分配一个唯一 ID (UUID)，因此我可以在 .connect().map().. 连接中使用此密钥（而不是对象 ID）。 但同时，我需要通过 object-id 对流进行键控，以便按顺序处理相同对象的消息。怎么办？

为了解决这个问题，我将输入流保留为keyBy(_.objectID)，但流连接中的RichCoFlatMapFunction 不再使用键控状态。相反，我使用了一个简单的操作符状态，它保留了传递对象的映射，但实现了相同的逻辑，只是通过手动键/值查找。

这似乎可以工作，但是我不知道这是否会引入更多问题。

可视化

flink GUI 会渲染这个图片，14 条规则的列表，总共 23 个条件（有些规则只有一个条件）：

代码

使用以下代码实现网络的创建：

val streamCache = mutable.Map[Int,DataStream[WorkingMemory]]()
val outputNodesCache = ListBuffer[DataStream[WorkingMemory]]()

if (rules.isEmpty)
  return

// create partial streams for all conditions (first level)
// cache the sub-stream with the hashcode of its condition as key (for re-use)

for (rule <- rules if rule.checks.nonEmpty ;
     cond <- rule.checks if !streamCache.contains(cond.hashCode()))
  streamCache += cond.hashCode -> sourceStream.filter(cond.matches _)

// create joined streams for combined conditions (sub-levels)

for (rule <- rules if rule.checks.nonEmpty)
{
  val ruleName = rule.ruleID

  // for each rule, starting with the rule with the least conditions ...

  if (rule.checks.size == 1)
  {
    // ... create exit node if single-condition rule
    // each exit node applies the rule-name to the objects set of matched rules.

    outputNodesCache += streamCache(rule.checks.head.hashCode).map(obj => { obj.matchedRule = ListBuffer((ruleName, rule.objectType.mkString(":"), rule.statement)) ; obj })
  }
  else
  {
    // ... iterate all conditions, and join nodes into full rule-path (reusing existing intermediate paths)

    var sourceStream:DataStream[WorkingMemory] = streamCache(rule.checks.head.hashCode)
    var idString = rule.checks.head.idString

    for (i <- rule.checks.indices)
    {
      if (i == rule.checks.size-1)
      {
        // reached last condition of rule, create exit-node
        // each exit node applies the rule-name to the objects set of matched rules.

        val rn = ruleName
        val objectType = rule.objectType.mkString(":")
        val statement = rule.statement

        outputNodesCache += sourceStream.map(obj => { obj.matchedRule = ListBuffer((rn, objectType, statement)) ; obj })
      }
      else
      {
        // intermediate condition, create normal intermediate node

        val there = rule.checks(i+1)
        val connectStream = streamCache(there.hashCode)

        idString += (":" + there.idString)

        // try to re-use existing tree-segments

        if (streamCache.contains(idString.hashCode))
          sourceStream = streamCache(idString.hashCode)
        else
          sourceStream = sourceStream.connect(connectStream).flatMap(new StatefulCombineFunction(idString))
      }
    }
  }
}

// connect each output-node to the sink

for (stream <- outputNodesCache)
{
  stream.map(wm => RuleEvent.toXml(wm, wm.matchedRule.headOption)).addSink(sink)
}

之前sn-p中使用的StatefulCombineFunction：

class StatefulCombineFunction(id:String) extends RichCoFlatMapFunction[WorkingMemory, WorkingMemory, WorkingMemory] with CheckpointedFunction
{
  @transient
  private var leftState:ListState[(String, WorkingMemory)] = _
  private var rightState:ListState[(String, WorkingMemory)] = _
  private var bufferedLeft = ListBuffer[(String, WorkingMemory)]()
  private var bufferedRight = ListBuffer[(String, WorkingMemory)]()

  override def flatMap1(xmlObject: WorkingMemory, out: Collector[WorkingMemory]): Unit = combine(bufferedLeft, bufferedRight, xmlObject, out, "left")
  override def flatMap2(xmlObject: WorkingMemory, out: Collector[WorkingMemory]): Unit = combine(bufferedRight, bufferedLeft, xmlObject, out, "right")

  def combine(leftState: ListBuffer[(String, WorkingMemory)], rightState: ListBuffer[(String, WorkingMemory)], xmlObject:WorkingMemory, out: Collector[WorkingMemory], side:String): Unit =
  {
    val otherIdx:Int = leftState.indexWhere(_._1 == xmlObject.uuid)

    if (otherIdx > -1)
    {
      out.collect(leftState(otherIdx)._2)
      leftState.remove(otherIdx)
    }
    else
    {
      rightState += ((xmlObject.uuid, xmlObject))
    }
  }

  override def initializeState(context:FunctionInitializationContext): Unit = ???
  override def snapshotState(context:FunctionSnapshotContext):Unit = ???
}

我知道从运营商状态中清除部分匹配是缺失的（生存时间），但这对于当前的开发状态并不重要，稍后会添加。

背景资料

此应用程序将使用 flink (https://en.wikipedia.org/wiki/Rete_algorithm) 实现规则匹配的 rete-algorithm。

另一种方法是为每条传入消息循环所有规则，并附加结果。我有一个使用 flink 的方法的工作实现，所以请不要将此作为解决方案。

问题

问题在于，应用程序在对象 ID 级别上弄乱了传入消息的顺序。也就是说，它没有达到我在介绍中所要求的。对于每个 object-id，传入的消息必须保持顺序。但事实并非如此。

我不知道代码中的哪一点顺序被弄乱了，也不知道这些操作是如何在线程之间分布的，所以我不知道如何解决这个问题。

Answer 1

几厘米……

1. 我假设你已经检查了 Flink 的 CEP 支持，特别是 Handling Lateness in Event Time。关键概念是您可以依靠事件时间（而不是处理时间）来帮助对事件进行排序，但您始终必须决定您愿意容忍的最大延迟量（延迟可能是由两者引起的）源，以及工作流中发生的任何处理）。
2. 从您提供的 Flink 作业图中，您似乎正在通过哈希对传入数据进行分区，但每个规则都需要获取每个传入数据，对吗？所以在这种情况下你需要广播。