360深度实践：Flink 与 Storm 协议级对比
作者：张馨予
本文从数据传输和数据可靠性的角度出发，对比测试了 Storm 与 Flink 在流处理上的性能，并对测试结果进行分析，给出在使用 Flink 时提高性能的建议。
cdn.xitu.io/2019/6/13/16b4ec8494de8079?w=865&h=482&f=png&s=223149">
Apache Storm、Apache Spark 和 Apache Flink 都是开源社区中非常活跃的分布式计算平台，在很多公司可能同时使用着其中两种甚至三种。对于实时计算来说，Storm 与 Flink 的底层计算引擎是基于流的，本质上是一条一条的数据进行处理，且处理的模式是流水线模式，即所有的处理进程同时存在，数据在这些进程之间流动处理。而 Spark 是基于批量数据的处理，即一小批一小批的数据进行处理，且处理的逻辑在一批数据准备好之后才会进行计算。在本文中，我们把同样基于流处理的 Storm 和 Flink 拿来做对比测试分析。
在我们做测试之前，调研了一些已有的大数据平台性能测试报告，比如，雅虎的 Streaming-benchmarks，或者 Intel 的 HiBench 等等。除此之外，还有很多的论文也从不同的角度对分布式计算平台进行了测试。虽然这些测试 case 各有不同的侧重点，但他们都用到了同样的两个指标，即吞吐和延迟。吞吐表示单位时间内所能处理的数据量，是可以通过增大并发来提高的。延迟代表处理一条数据所需要的时间，与吞吐量成反比关系。
在我们设计计算逻辑时，首先考虑一下流处理的计算模型。上图是一个简单的流计算模型，在 Source 中将数据取出，发往下游 Task ，并在 Task 中进行处理，最后输出。对于这样的一个计算模型，延迟时间由三部分组成：数据传输时间、 Task 计算时间和数据排队时间。我们假设资源足够，数据不用排队。则延迟时间就只由数据传输时间和 Task 计算时间组成。而在 Task 中处理所需要的时间与用户的逻辑息息相关，所以对于一个计算平台来说，数据传输的时间才更能反映这个计算平台的能力。因此，我们在设计测试 Case 时，为了更好的体现出数据传输的能力，Task 中没有设计任何计算逻辑。
在确定数据源时，我们主要考虑是在进程中直接生成数据，这种方法在很多之前的测试标准中也同样有使用。这样做是因为数据的产生不会受到外界数据源系统的性能限制。但由于在我们公司内部大部分的实时计算数据都来源于 kafka ，所以我们增加了从 kafka 中读取数据的测试。
对于数据传输方式，可以分为两种：进程间的数据传输和进程内的数据传输。
进程间的数据传输是指这条数据会经过序列化、网络传输和反序列化三个步骤。在 Flink 中，2个处理逻辑分布在不同的 TaskManager 上，这两个处理逻辑之间的数据传输就可以叫做进程间的数据传输。Flink 网络传输是采用的 Netty 技术。在 Storm 中，进程间的数据传输是 worker 之间的数据传输。早版本的 storm 网络传输使用的 ZeroMQ，现在也改成了 Netty。
进程内的数据传输是指两个处理逻辑在同一个进程中。在 Flink 中，这两个处理逻辑被 Chain 在了一起，在一个线程中通过方法调用传参的形式进程数据传输。在 Storm 中，两个处理逻辑变成了两个线程，通过一个共享的队列进行数据传输。
Storm 和 Flink 都有各自的可靠性机制。在 Storm 中，使用 ACK 机制来保证数据的可靠性。而在 Flink 中是通过 checkpoint 机制来保证的，这是来源于 chandy-lamport 算法。
事实上 Exactly-once 可靠性的保证跟处理的逻辑和结果输出的设计有关。比如结果要输出到kafka中，而输出到kafka的数据无法回滚，这就无法保证 Exactly-once。我们在测试的时候选用的 at-least-once 语义的可靠性和不保证可靠性两种策略进行测试。
上图是我们测试的环境和各个平台的版本。
上图展示的是 Flink 在自产数据的情况下，不同的传输方式和可靠性的吞吐量：在进程内+不可靠、进程内+可靠、进程间+不可靠、进程间+可靠。可以看到进程内的数据传输是进程间的数据传输的3.8倍。是否开启 checkpoint 机制对 Flink 的吞吐影响并不大。因此我们在使用 Flink 时，进来使用进程内的传输，也就是尽可能的让算子可以 Chain 起来。
那么我们来看一下为什么 Chain 起来的性能好这么多，要如何在写 Flink 代码的过程中让 Flink 的算子 Chain 起来使用进程间的数据传输。
大家知道我们在 Flink 代码时一定会创建一个 env，调用 env 的 disableOperatorChainning() 方法会使得所有的算子都无法 chain 起来。我们一般是在 debug 的时候回调用这个方法，方便调试问题。
如果允许 Chain 的情况下，上图中 Source 和 mapFunction 就会 Chain 起来，放在一个 Task 中计算。反之，如果不允许 Chain，则会放到两个 Task 中。
对于没有 Chain 起来的两个算子，他们被放到了不同的两个 Task 中，那么他们之间的数据传输是这样的：SourceFunction 取到数据序列化后放入内存，然后通过网络传输给 MapFunction 所在的进程，该进程将数据方序列化后使用。
对于 Chain 起来的两个算子，他们被放到同一个Task中，那么这两个算子之间的数据传输则是：SourceFunction 取到数据后，进行一次深拷贝，然后 MapFunction 把深拷贝出来的这个对象作为输入数据。
虽然 Flink 在序列化上做了很多优化，跟不用序列化和不用网络传输的进程内数据传输对比，性能还是差很多。所以我们尽可能的把算子 Chain 起来。
不是任何两个算子都可以 Chain 起来的，要把算子 Chain 起来有很多条件：第一，下游算子只能接受一种上游数据流，比如Map接受的流不能是一条 union 后的流；其次上下游的并发数一定要一样；第二，算子要使用同一个资源 Group，默认是一致的，都是 default；第三，就是之前说的 env 中不能调用 disableOperatorChainning() 方法，最后，上游发送数据的方法是 Forward 的，比如，开发时没有调用 rebalance() 方法，没有 keyby()，没有 boardcast 等。
对比一下自产数据时，使用进程内通信，且不保证数据可靠性的情况下，Flink 与 Storm 的吞吐。在这种情况下，Flink 的性能是 Storm 的15倍。Flink 吞吐能达到2060万条/s。不仅如此，如果在开发时调用了env.getConfig().enableObjectReuse() 方法，Flink 的但并发吞吐能达到4090万条/s。
当调用了 enableObjectReuse 方法后，Flink 会把中间深拷贝的步骤都省略掉，SourceFunction 产生的数据直接作为 MapFunction 的输入。但需要特别注意的是，这个方法不能随便调用，必须要确保下游 Function 只有一种，或者下游的 Function 均不会改变对象内部的值。否则可能会有线程安全的问题。
当对比在不同可靠性策略的情况下，Flink 与 Storm 的表现时，我们发现，保证可靠性对 Flink 的影响非常小，但对 Storm 的影响非常大。总的来说，在保证可靠的情况下，Flink 单并发的吞吐是 Storm 的15倍，而不保证可靠的情况下，Flink 的性能是 Storm 的66倍。会产生这样的结果，主要是因为 Flink 与 Storm 保证数据可靠性的机制不同。
而 Storm 的 ACK 机制为了保证数据的可靠性，开销更大。
左边的图展示的是 Storm 的 ACK 机制。Spout 每发送一条数据到 Bolt，就会产生一条 ACK 的信息给 ACKer ，当 Bolt 处理完这条数据后也会发送 ACK 信息给 ACKer。当 ACKer 收到这条数据的所有 ACK 信息时，会回复 Spout 一条 ACK 信息。也就是说，对于一个只有两级（spout+bolt）的拓扑来说，每发送一条数据，就会传输3条 ACK 信息。这3条 ACK 信息则是为了保证可靠性所需要的开销。
右边的图展示的是 Flink 的 Checkpoint 机制。Flink 中 Checkpoint 信息的发起者是 JobManager。它不像 Storm 中那样，每条信息都会有 ACK 信息的开销，而且按时间来计算花销。用户可以设置做 checkpoint 的频率，比如10秒钟做一次 checkpoint。每做一次 checkpoint，花销只有从 Source 发往 map 的1条 checkpoint 信息（JobManager 发出来的 checkpoint 信息走的是控制流，与数据流无关）。与 Storm 相比，Flink 的可靠性机制开销要低得多。这也就是为什么保证可靠性对 Flink 的性能影响较小，而 Storm 的影响确很大的原因。
最后一组自产数据的测试结果对比是 Flink 与 Storm 在进程间的数据传输的对比，可以看到进程间数据传输的情况下，Flink 但并发吞吐是 Storm 的4.7倍。保证可靠性的情况下，是 Storm 的14倍。
上图展示的是消费 kafka 中数据时，Storm 与 Flink 的但并发吞吐情况。因为消费的是 kafka 中的数据，所以吞吐量肯定会收到 kafka 的影响。我们发现性能的瓶颈是在 SourceFunction 上，于是增加了 topic 的 partition 数和 SourceFunction 取数据线程的并发数，但是 MapFunction 的并发数仍然是1.在这种情况下，我们发现 Flink 的瓶颈转移到上游往下游发数据的地方。而 Storm 的瓶颈确是在下游收数据反序列化的地方。
之前的性能分析使我们基于数据传输和数据可靠性的角度出发，单纯的对 Flink 与 Storm 计算平台本身进行了性能分析。但实际使用时，task 是肯定有计算逻辑的，这就势必更多的涉及到 CPU，内存等资源问题。我们将来打算做一个智能分析平台，对用户的作业进行性能分析。通过收集到的指标信息，分析出作业的瓶颈在哪，并给出优化建议。