Flink與Storm的性能對比

本篇內(nèi)容主要講解“Flink與Storm的性能對比”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“Flink與Storm的性能對比”吧!

一、背景

Apache Flink 和 Apache Storm 是當前業(yè)界廣泛使用的兩個分布式實時計算框架。其中 Apache  Storm(以下簡稱“Storm”)在美團點評實時計算業(yè)務中已有較為成熟的運用，有管理平臺、常用 API 和相應的文檔，大量實時作業(yè)基于 Storm  構(gòu)建。

Apache Storm參考鏈接：http://storm.apache.org/

而 Apache  Flink(以下簡稱“Flink”)在近期倍受關(guān)注，具有高吞吐、低延遲、高可靠和精確計算等特性，對事件窗口有很好的支持，目前在美團點評實時計算業(yè)務中也已有一定應用。

Apache Flink參考鏈接：https://flink.apache.org/

為深入熟悉了解 Flink  框架，驗證其穩(wěn)定性和可靠性，評估其實時處理性能，識別該體系中的缺點，找到其性能瓶頸并進行優(yōu)化，給用戶提供最適合的實時計算引擎，我們以實踐經(jīng)驗豐富的 Storm  框架作為對照，進行了一系列實驗測試 Flink 框架的性能。

計算 Flink 作為確?！爸辽僖淮巍焙汀扒『靡淮巍闭Z義的實時計算框架時對資源的消耗，為實時計算平臺資源規(guī)劃、框架選擇、性能調(diào)優(yōu)等決策及 Flink  平臺的建設提出建議并提供數(shù)據(jù)支持，為后續(xù)的 SLA 建設提供一定參考。

Flink 與 Storm 兩個框架對比：

二、測試目標

評估不同場景、不同數(shù)據(jù)壓力下 Flink 和 Storm 兩個實時計算框架目前的性能表現(xiàn)，獲取其詳細性能數(shù)據(jù)并找到處理性能的極限;了解不同配置對  Flink 性能影響的程度，分析各種配置的適用場景，從而得出調(diào)優(yōu)建議。

1、測試場景

1)“輸入-輸出”簡單處理場景

通過對“輸入-輸出”這樣簡單處理邏輯場景的測試，盡可能減少其它因素的干擾，反映兩個框架本身的性能。

同時測算框架處理能力的極限，處理更加復雜的邏輯的性能不會比純粹“輸入-輸出”更高。

2)用戶作業(yè)耗時較長的場景

如果用戶的處理邏輯較為復雜，或是訪問了數(shù)據(jù)庫等外部組件，其執(zhí)行時間會增大，作業(yè)的性能會受到影響。因此，我們測試了用戶作業(yè)耗時較長的場景下兩個框架的調(diào)度性能。

3)窗口統(tǒng)計場景

實時計算中常有對時間窗口或計數(shù)窗口進行統(tǒng)計的需求，例如一天中每五分鐘的訪問量，每 100 個訂單中有多少個使用了優(yōu)惠等。Flink 在窗口支持上的功能比  Storm 更加強大，API 更加完善，但是我們同時也想了解在窗口統(tǒng)計這個常用場景下兩個框架的性能。

4)精確計算場景(即消息投遞語義為“恰好一次”)

Storm 僅能保證“至多一次” (At Most Once) 和“至少一次” (At Least Once)  的消息投遞語義，即可能存在重復發(fā)送的情況。

有很多業(yè)務場景對數(shù)據(jù)的精確性要求較高，希望消息投遞不重不漏。Flink 支持“恰好一次” (Exactly Once)  的語義，但是在限定的資源條件下，更加嚴格的精確度要求可能帶來更高的代價，從而影響性能。

因此，我們測試了在不同消息投遞語義下兩個框架的性能，希望為精確計算場景的資源規(guī)劃提供數(shù)據(jù)參考。

2、性能指標

1)吞吐量(Throughput)

• 單位時間內(nèi)由計算框架成功地傳送數(shù)據(jù)的數(shù)量，本次測試吞吐量的單位為：條/秒。

• 反映了系統(tǒng)的負載能力，在相應的資源條件下，單位時間內(nèi)系統(tǒng)能處理多少數(shù)據(jù)。

• 吞吐量常用于資源規(guī)劃，同時也用于協(xié)助分析系統(tǒng)性能瓶頸，從而進行相應的資源調(diào)整以保證系統(tǒng)能達到用戶所要求的處理能力。假設商家每小時能做二十份午餐(吞吐量  20 份/小時)，一個外賣小哥每小時只能送兩份(吞吐量 2 份/小時)，這個系統(tǒng)的瓶頸就在小哥配送這個環(huán)節(jié)，可以給該商家安排十個外賣小哥配送。

2)延遲(Latency)

• 數(shù)據(jù)從進入系統(tǒng)到流出系統(tǒng)所用的時間，本次測試延遲的單位為：毫秒。

• 反映了系統(tǒng)處理的實時性。

• 金融交易分析等大量實時計算業(yè)務對延遲有較高要求，延遲越低，數(shù)據(jù)實時性越強。

• 假設商家做一份午餐需要 5 分鐘，小哥配送需要 25 分鐘，這個流程中用戶感受到了 30 分鐘的延遲。如果更換配送方案后延遲變成了 60  分鐘，等送到了飯菜都涼了，這個新的方案就是無法接受的。

三、測試環(huán)境

為 Storm 和 Flink 分別搭建由 1 臺主節(jié)點和 2 臺從節(jié)點構(gòu)成的 Standalone 集群進行本次測試。其中為了觀察 Flink  在實際生產(chǎn)環(huán)境中的性能，對于部分測內(nèi)容也進行了 on Yarn 環(huán)境的測試。

1、集群參數(shù)

2、框架參數(shù)

四、測試方法

1、測試流程

1)數(shù)據(jù)生產(chǎn)

Data Generator 按特定速率生成數(shù)據(jù)，帶上自增的 id 和 eventTime 時間戳寫入 Kafka 的一個 Topic(Topic  Data)。

2)數(shù)據(jù)處理

Storm Task 和 Flink Task (每個測試用例不同)從 Kafka Topic Data 相同的 Offset 開始消費，并將結(jié)果及相應  inTime、outTime 時間戳分別寫入兩個 Topic(Topic Storm 和 Topic Flink)中。

3)指標統(tǒng)計

Metrics Collector 按 outTime 的時間窗口從這兩個 Topic 中統(tǒng)計測試指標，每五分鐘將相應的指標寫入 MySQL  表中。

Metrics Collector 按 outTime 取五分鐘的滾動時間窗口，計算五分鐘的平均吞吐(輸出數(shù)據(jù)的條數(shù))、五分鐘內(nèi)的延遲(outTime -  eventTime 或 outTime - inTime)的中位數(shù)及 99 線等指標，寫入 MySQL 相應的數(shù)據(jù)表中。最后對 MySQL  表中的吞吐計算均值，延遲中位數(shù)及延遲 99 線選取中位數(shù)，繪制圖像并分析。

2、默認參數(shù)

• Storm 和 Flink 默認均為 At Least Once語義。

• Storm 開啟 ACK，ACKer 數(shù)量為 1。

• Flink 的 Checkpoint 時間間隔為 30 秒，默認 StateBackend 為 Memory。

• 保證 Kafka 不是性能瓶頸，盡可能排除 Kafka 對測試結(jié)果的影響。

• 測試延遲時數(shù)據(jù)生產(chǎn)速率小于數(shù)據(jù)處理能力，假設數(shù)據(jù)被寫入 Kafka 后立刻被讀取，即 eventTime 等于數(shù)據(jù)進入系統(tǒng)的時間。

• 測試吞吐量時從 Kafka Topic 的最舊開始讀取，假設該 Topic 中的測試數(shù)據(jù)量充足。

3、測試用例

1)Identity

• Identity 用例主要模擬“輸入-輸出”簡單處理場景，反映兩個框架本身的性能。

• 輸入數(shù)據(jù)為“msgId, eventTime”，其中 eventTime 視為數(shù)據(jù)生成時間。單條輸入數(shù)據(jù)約 20 B。

• 進入作業(yè)處理流程時記錄 inTime，作業(yè)處理完成后(準備輸出時)記錄 outTime。

• 作業(yè)從 Kafka Topic Data 中讀取數(shù)據(jù)后，在字符串末尾追加時間戳，然后直接輸出到 Kafka。

• 輸出數(shù)據(jù)為“msgId, eventTime, inTime, outTime”。單條輸出數(shù)據(jù)約 50 B。

Identity 流程圖

2)Sleep

• Sleep 用例主要模擬用戶作業(yè)耗時較長的場景，反映復雜用戶邏輯對框架差異的削弱，比較兩個框架的調(diào)度性能。

• 輸入數(shù)據(jù)和輸出數(shù)據(jù)均與 Identity 相同。

• 讀入數(shù)據(jù)后，等待一定時長(1 ms)后在字符串末尾追加時間戳后輸出。

Sleep 流程圖

3)Windowed Word Count

• Windowed Word Count 用例主要模擬窗口統(tǒng)計場景，反映兩個框架在進行窗口統(tǒng)計時性能的差異。

• 此外，還用其進行了精確計算場景的測試，反映 Flink 恰好一次投遞的性能。

• 輸入為 JSON 格式，包含 msgId、eventTime 和一個由若干單詞組成的句子，單詞之間由空格分隔。單條輸入數(shù)據(jù)約 150 B。

• 讀入數(shù)據(jù)后解析 JSON，然后將句子分割為相應單詞，帶 eventTime 和 inTime 時間戳發(fā)給 CountWindow  進行單詞計數(shù)，同時記錄一個窗口中最大最小的 eventTime 和 inTime，最后帶 outTime 時間戳輸出到 Kafka 相應的 Topic。

• Spout/Source 及 OutputBolt/Output/Sink 并發(fā)度恒為 1，增大并發(fā)度時僅增大  JSONParser、CountWindow 的并發(fā)度。

• 由于 Storm 對 window 的支持較弱，CountWindow 使用一個 HashMap 手動實現(xiàn)，F(xiàn)link 用了原生的 CountWindow  和相應的 Reduce 函數(shù)。

Windowed Word Count 流程圖

五、測試結(jié)果

① Identity 單線程吞吐量

Identity 單線程吞吐量

• 上圖中藍色柱形為單線程 Storm 作業(yè)的吞吐，橙色柱形為單線程 Flink 作業(yè)的吞吐。

• Identity 邏輯下，Storm 單線程吞吐為 8.7萬條/秒，F(xiàn)link 單線程吞吐可達35萬條/秒。

• 當 Kafka Data 的 Partition 數(shù)為 1 時，F(xiàn)link 的吞吐約為 Storm 的 3.2 倍;當其 Partition 數(shù)為 8  時，F(xiàn)link 的吞吐約為 Storm 的 4.6 倍。

• 由此可以看出，F(xiàn)link 吞吐約為 Storm 的 3-5 倍。

② Identity 單線程作業(yè)延遲

Identity 單線程作業(yè)延遲

• 采用 outTime - eventTime 作為延遲，圖中藍色折線為 Storm，橙色折線為 Flink。虛線為 99 線，實線為中位數(shù)。

• 從圖中可以看出隨著數(shù)據(jù)量逐漸增大，Identity 的延遲逐漸增大。其中 99 線的增大速度比中位數(shù)快，Storm 的 增大速度比 Flink  快。

• 其中 QPS 在 80000 以上的測試數(shù)據(jù)超過了 Storm 單線程的吞吐能力，無法對 Storm 進行測試，只有 Flink 的曲線。

• 對比折線最右端的數(shù)據(jù)可以看出，Storm QPS 接近吞吐時延遲中位數(shù)約 100 毫秒，99 線約 700 毫秒，F(xiàn)link 中位數(shù)約 50 毫秒，99  線約 300 毫秒。Flink 在滿吞吐時的延遲約為 Storm 的一半。

③ Sleep吞吐量

Sleep 吞吐量

• 從圖中可以看出，Sleep 1 毫秒時，Storm 和 Flink 單線程的吞吐均在 900 條/秒左右，且隨著并發(fā)增大基本呈線性增大。

• 對比藍色和橙色的柱形可以發(fā)現(xiàn)，此時兩個框架的吞吐能力基本一致。

④ Sleep 單線程作業(yè)延遲(中位數(shù))

Sleep 單線程作業(yè)延遲(中位數(shù))

• 依然采用 outTime - eventTime 作為延遲，從圖中可以看出，Sleep 1 毫秒時，F(xiàn)link 的延遲仍低于 Storm。

⑤ Windowed Word Count 單線程吞吐量

Windowed Word Count 單線程吞吐量

• 單線程執(zhí)行大小為 10 的計數(shù)窗口，吞吐量統(tǒng)計如圖。

• 從圖中可以看出，Storm 吞吐約為 1.2 萬條/秒，F(xiàn)link Standalone 約為 4.3 萬條/秒。Flink 吞吐依然為 Storm 的  3 倍以上。

⑥ Windowed Word Count Flink At Least Once 與 Exactly Once 吞吐量對比

Windowed Word Count Flink At Least Once 與 Exactly Once 吞吐量對比

• 由于同一算子的多個并行任務處理速度可能不同，在上游算子中不同快照里的內(nèi)容，經(jīng)過中間并行算子的處理，到達下游算子時可能被計入同一個快照中。這樣一來，這部分數(shù)據(jù)會被重復處理。因此，F(xiàn)link  在 Exactly Once 語義下需要進行對齊，即當前最早的快照中所有數(shù)據(jù)處理完之前，屬于下一個快照的數(shù)據(jù)不進行處理，而是在緩存區(qū)等待。當前測試用例中，在  JSON Parser 和 CountWindow、CountWindow 和 Output  之間均需要進行對齊，有一定消耗。為體現(xiàn)出對齊場景，Source/Output/Sink 并發(fā)度的并發(fā)度仍為 1，提高了  JSONParser/CountWindow 的并發(fā)度。具體流程細節(jié)參見前文 Windowed Word Count 流程圖。

• 上圖中橙色柱形為 At Least Once 的吞吐量，黃色柱形為 Exactly Once 的吞吐量。對比兩者可以看出，在當前并發(fā)條件下，Exactly  Once 的吞吐較 At Least Once 而言下降了 6.3%。

⑦ Windowed Word Count Storm At Least Once 與 At Most Once 吞吐量對比

Windowed Word Count Storm At Least Once 與 At Most Once 吞吐量對比

• Storm 將 ACKer 數(shù)量設置為零后，每條消息在發(fā)送時就自動 ACK，不再等待 Bolt 的 ACK，也不再重發(fā)消息，為 At Most Once  語義。

• 上圖中藍色柱形為 At Least Once 的吞吐量，淺藍色柱形為 At Most Once 的吞吐量。對比兩者可以看出，在當前并發(fā)條件下，At  Most Once 語義下的吞吐較 At Least Once 而言提高了 16.8%。

⑧ Windowed Word Count 單線程作業(yè)延遲

Windowed Word Count 單線程作業(yè)延遲

• Identity 和 Sleep 觀測的都是 outTime - eventTime，因為作業(yè)處理時間較短或 Thread.sleep  精度不高，outTime - inTime 為零或沒有比較意義;Windowed Word Count 中可以有效測得 outTime - inTime  的數(shù)值，將其與 outTime - eventTime 畫在同一張圖上，其中 outTime - eventTime 為虛線，outTime - InTime  為實線。

• 觀察橙色的兩條折線可以發(fā)現(xiàn)，F(xiàn)link 用兩種方式統(tǒng)計的延遲都維持在較低水平;觀察兩條藍色的曲線可以發(fā)現(xiàn)，Storm 的 outTime - inTime  較低，outTime - eventTime 一直較高，即 inTime 和 eventTime 之間的差值一直較大，可能與 Storm 和 Flink  的數(shù)據(jù)讀入方式有關(guān)。

• 藍色折線表明 Storm 的延遲隨數(shù)據(jù)量的增大而增大，而橙色折線表明 Flink 的延遲隨著數(shù)據(jù)量的增大而減小(此處未測至 Flink 吞吐量，接近吞吐時  Flink 延遲依然會上升)。

• 即使僅關(guān)注 outTime - inTime(即圖中實線部分)，依然可以發(fā)現(xiàn)，當 QPS 逐漸增大的時候，F(xiàn)link 在延遲上的優(yōu)勢開始體現(xiàn)出來。

⑨ Windowed Word Count Flink At Least Once 與 Exactly Once 延遲對比

Windowed Word Count Flink At Least Once 與 Exactly Once 延遲對比

• 圖中黃色為 99 線，橙色為中位數(shù)，虛線為 At Least Once，實線為 Exactly Once。圖中相應顏色的虛實曲線都基本重合，可以看出  Flink Exactly Once 的延遲中位數(shù)曲線與 At Least Once 基本貼合，在延遲上性能沒有太大差異。

⑩ Windowed Word Count Storm At Least Once 與 At Most Once 延遲對比

Windowed Word Count Storm At Least Once 與 At Most Once 延遲對比

• 圖中藍色為 99 線，淺藍色為中位數(shù)，虛線為 At Least Once，實線為 At Most Once。QPS 在 4000  及以前的時候，虛線實線基本重合;QPS 在 6000 時兩者已有差異，虛線略高;QPS 接近 8000 時，已超過 At Least Once 語義下  Storm 的吞吐，因此只有實線上的點。

• 可以看出，QPS 較低時 Storm At Most Once 與 At Least Once 的延遲觀察不到差異，隨著 QPS 增大差異開始增大，At  Most Once 的延遲較低。

?Windowed Word Count Flink 不同 StateBackends 吞吐量對比

Windowed Word Count Flink 不同 StateBackends 吞吐量對比

• Flink 支持 Standalone 和 on Yarn 的集群部署模式，同時支持 Memory、FileSystem、RocksDB  三種狀態(tài)存儲后端(StateBackends)。由于線上作業(yè)需要，測試了這三種 StateBackends  在兩種集群部署模式上的性能差異。其中，Standalone 時的存儲路徑為 JobManager 上的一個文件目錄，on Yarn 時存儲路徑為 HDFS  上一個文件目錄。

• 對比三組柱形可以發(fā)現(xiàn)，使用 FileSystem 和 Memory 的吞吐差異不大，使用 RocksDB 的吞吐僅其余兩者的十分之一左右。

• 對比兩種顏色可以發(fā)現(xiàn)，Standalone 和 on Yarn 的總體差異不大，使用 FileSystem 和 Memory 時 on Yarn  模式下吞吐稍高，使用 RocksDB 時 Standalone 模式下的吞吐稍高。

?Windowed Word Count Flink 不同 StateBackends 延遲對比

Windowed Word Count Flink 不同 StateBackends 延遲對

• 使用 FileSystem 和 Memory 作為 Backends 時，延遲基本一致且較低。

• 使用 RocksDB 作為 Backends 時，延遲稍高，且由于吞吐較低，在達到吞吐瓶頸前的延遲陡增。其中 on Yarn  模式下吞吐更低，接近吞吐時的延遲更高。

六、結(jié)論及建議

1、框架本身性能

由①、⑤的測試結(jié)果可以看出，Storm 單線程吞吐約為 8.7 萬條/秒，F(xiàn)link 單線程吞吐可達 35 萬條/秒。Flink 吞吐約為 Storm 的  3-5 倍。

由②、⑧的測試結(jié)果可以看出，Storm QPS 接近吞吐時延遲(含 Kafka 讀寫時間)中位數(shù)約 100 毫秒，99 線約 700 毫秒，F(xiàn)link  中位數(shù)約 50 毫秒，99 線約 300 毫秒。Flink 在滿吞吐時的延遲約為 Storm 的一半，且隨著 QPS 逐漸增大，F(xiàn)link  在延遲上的優(yōu)勢開始體現(xiàn)出來。

綜上可得，F(xiàn)link 框架本身性能優(yōu)于 Storm。

2、復雜用戶邏輯對框架差異的削弱

對比①和③、②和④的測試結(jié)果可以發(fā)現(xiàn)，單個 Bolt Sleep 時長達到 1 毫秒時，F(xiàn)link 的延遲仍低于  Storm，但吞吐優(yōu)勢已基本無法體現(xiàn)。

因此，用戶邏輯越復雜，本身耗時越長，針對該邏輯的測試體現(xiàn)出來的框架的差異越小。

3、不同消息投遞語義的差異

由⑥、⑦、⑨、⑩的測試結(jié)果可以看出，F(xiàn)link Exactly Once 的吞吐較 At Least Once 而言下降  6.3%，延遲差異不大;Storm At Most Once 語義下的吞吐較 At Least Once 提升 16.8%，延遲稍有下降。

由于 Storm 會對每條消息進行 ACK，F(xiàn)link 是基于一批消息做的檢查點，不同的實現(xiàn)原理導致兩者在 At Least Once  語義的花費差異較大，從而影響了性能。而 Flink 實現(xiàn) Exactly Once 語義僅增加了對齊操作，因此在算子并發(fā)量不大、沒有出現(xiàn)慢節(jié)點的情況下對  Flink 性能的影響不大。Storm At Most Once 語義下的性能仍然低于 Flink。

4、Flink 狀態(tài)存儲后端選擇

Flink 提供了內(nèi)存、文件系統(tǒng)、RocksDB 三種 StateBackends，結(jié)合?、?的測試結(jié)果，三者的對比如下：

5、推薦使用 Flink 的場景

綜合上述測試結(jié)果，以下實時計算場景建議考慮使用 Flink 框架進行計算：

• 要求消息投遞語義為 Exactly Once的場景;

• 數(shù)據(jù)量較大，要求高吞吐低延遲的場景;

• 需要進行狀態(tài)管理或窗口統(tǒng)計的場景。

七、展望

本次測試中尚有一些內(nèi)容沒有進行更加深入的測試，有待后續(xù)測試補充。例如：

• Exactly Once 在并發(fā)量增大的時候是否吞吐會明顯下降?

• 用戶耗時到 1ms 時框架的差異已經(jīng)不再明顯(Thread.sleep() 的精度只能到毫秒)，用戶耗時在什么范圍內(nèi) Flink  的優(yōu)勢依然能體現(xiàn)出來?

到此，相信大家對“Flink與Storm的性能對比”有了更深的了解，不妨來實際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進入相關(guān)頻道進行查詢，關(guān)注我們，繼續(xù)學習！