hi, LakeShen 那我这边的场景和你还不太一样，我这边主要是 SQL 作业才有这种问题，算法和数仓的同学他们没有使用 DataStream API 开发，自然也用不上 ProcessFunction 和 Timer，另外场景也不太一样，我遇到的这几个大状态作业才开三小时的滑动窗口（一分钟滑一次），没有你的那种（一天/三天）这么长。不过还是感谢你！
Best wishes, zhisheng LakeShen <[email protected]> 于2020年3月20日周五 下午3:23写道： > Hi zhisheng, > > 咱们遇到的问题差不多，昨天遇到一个滑动窗口状态很大的问题，由于业务方设置的滑动窗口的窗口时间大（比如一天、三天），同时也是统计 count > 之类的操作，状态很大。 > 这种滑动窗口操作，我觉得可以先通过滚动窗口(比如10、20分钟)来计算一次，然后业务方使用的时候，扫描最近一段的时间滚动窗口计算的指标值，然后相加。 > > 还有一种方式，就是使用 ProcessFunction + Timer 的方式来处理这种滑动窗口的计算[1]。 > > 类似 count（distinct） 这种，目前我还没有比较好的方式来解决，也在研究中。 > > [1] > > https://stackoverflow.com/questions/51977741/flink-performance-issue-with-sliding-time-window > > Best wishes, > LakeShen > > > > > zhisheng <[email protected]> 于2020年3月20日周五 下午2:21写道： > > > hi，LakeShen > > > > 1、那个大状态作业之前是我们算法同学写的，是没加官网说的 query_configuration 这个配置，在我的指导下，已经加上 > > > > 2、Flink 框架层我已经做了默认的配置，使用 RocksDB，并且是增量的，但是还是发现每次 Checkpoint 状态非常大 > > > > 最近我梳理了下公司的大状态作业，发现通常有这么几个特性： > > > > 1、SQL 作业 > > > > 2、长时间的分组滑动窗口 > > > > 3、使用 distinct 等关键字的 > > > > 因为是 SQL > > > > > 作业，开发可能只关心了自己的业务逻辑，而没有去关注这种性能的问题，所以也就可能会导致这种大状态的问题，目前是我自己把这些大状态的作业捞出来后，都一个个联系优化后再上线的，后面我再看看怎么在框架层做到加上这种优化的配置。 > > > > Best wishes, > > > > zhisheng > > > > LakeShen <[email protected]> 于2020年3月20日周五 下午1:36写道： > > > > > Hi zhisheng, > > > > > > 我之前也遇到类似的问题，Flink 状态默认永久保留，针对这种 SQL 任务，我想到的就是设置状态空闲保留时间。 > > > 比如按照天来聚合的，空闲状态的最小保留时间26小时，最大空闲撞他为48小时(具体时间根据业务来设置)， > > > 总之肯定要设置一个最小和最大的空闲状态保留时间，不可能让状态永久保留。 > > > > > > 对于 Flink 1.10 Blink planner 来说，TTL 时间就是设置的最小空闲状态保留时间，最大的空闲状态保留时间貌似没有用到。 > > > Flink 1.10 默认状态清理机制是 in background 了，对于 RocksDBStateBackend 来说，使用 > > > Compaction Filter 算法来清理。 > > > > > > 第二个就是使用增量 Checkpoint 方式吧。 > > > > > > Best wishes, > > > LakeShen > > > > > > > > > > > > lucas.wu <[email protected]> 于2020年3月20日周五 上午11:50写道： > > > > > > > 可以考虑自己实现一个udf ，使用bitmap或者hyperloglog去实现。 > > > > > > > > > > > > 原始邮件 > > > > 发件人:[email protected] > > > > 收件人:[email protected] > > > > 发送时间:2020年3月20日(周五) 11:44 > > > > 主题:Re: flink sql 去重算法 > > > > > > > > > > > > hi， 我发现我们生产有些使用 SQL 的 count distinct 去做去重，当作业跑了很久，作业的 Checkpoint > state > > > > 很大（我这周就遇到过一个差不多 400G 的，导致 Checkpoint 很容易超时，并且可能会对 HDFS > > > > 集群的网卡也有一定的压力），我看官网文档有介绍说使用 query_configuration "> > > > > > > > > > > https://ci.apache.org/projects/flink/flink-docs-release-1.10/dev/table/streaming/query_configuration.html > > > > ，除此之外不清楚大家是否还有什么其他好的解决方法？ Benchao Li [email protected] > 于2020年3月20日周五 > > > > 上午9:50写道： Hi hiliuxg， count distinct 用的MapVIew来做的去重： > > > > 在batch场景下，MapView的底层实现就是HashMap； > > > > 在streaming场景下，MapView的底层实现是MapState，因为必须要用到state+cp，才能保证任务重启后状态不会丢失。 > > > > hiliuxg [email protected] 于2020年3月19日周四 下午11:31写道： hi all： > > 请问flink > > > > sqlnbsp; count(disitinct)nbsp; 底层的算法是怎样的？ 是bitmap ? > > > > 还是简单通过java的set容器去重的呢？ -- Benchao Li School of Electronics > > > > Engineering and Computer Science, Peking University > > Tel:+86-15650713730 > > > > Email: [email protected]; [email protected] > > > > > >
