Apache Flink：使用keyby/connect维护流中的消息输入顺序

Question

我正在使用apache flink构建一个相当复杂的数据流网络。其思想是，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消费者源接收，并用多个数据流处理，直到最终发送到kafka生产者接收器。传入的数据包含具有逻辑键（“object-id”）的对象，传入的消息可能引用相同的object-id。对于每个给定的object-id，必须在整个应用程序中保留其传入消息的顺序。整个消息的顺序可以是任意的。

null

这将导致n个加入的流，其中n对应于规则的数量。加入的流将有一个map函数附加到它们，它标记消息，这样我们就知道匹配了一个规则。

每个连接的/result流可以独立于其他结果向kafka生产者发布其结果（“Rule xyz Matched”），因此在这一点上，我可以将接收器附加到流。

因为两个流（“condition”-子流）的.connect必须只传递一条消息，如果它在两个流上都收到了(^=两个条件都匹配），所以我需要一个带有键控状态的RichCoflatMapFunction，它可以处理“仅当它在另一端已经收到时才传递”。

然而，问题是，流是由object-id键控的。那么，如果同一个对象的两条消息通过网络运行并到达.connect().map（新RichCoflatMapFunction...)会发生什么呢？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的ID(UUID)，因此我可以在.connect().map()..联接中使用这个键（而不是object-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，我使用keyby(_.objectid)保留了输入流，但是stream-join中的RichCoflatMapFunction不再使用keyed-state。相反，我使用了一个简单的运算符状态，它保持传递对象的映射，但实现了相同的逻辑，只是使用手动键/值查找。

这似乎是有效的，但我不知道这是否引入了更多的问题。

flink GUI将呈现此图像，该图像包含14条规则，共23个条件（有些规则只有一个条件）：

网络的创建是使用以下代码实现的：

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)
}

前一段中使用的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 = ???
}

我不知道在代码的哪一点上顺序被弄乱了，也不知道这些操作是如何分布在线程之间的，所以我不知道如何解决这个问题。

Answer 1

一些评论...

1. 我假设您已经检查了Flink的CEP支持，特别是处理事件时间的延迟。关键的概念是，您可以依赖事件时间（而不是处理时间）来帮助对事件进行排序，但您始终必须确定您愿意容忍的最大迟到量（迟到可能由源和工作流中发生的任何处理引起）。
2. 从您提供的Flink作业图来看，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？因此在这种情况下，您需要广播。