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

Question

Intro

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实现规则引擎。

作为应用程序的基本描述，这是它应该如何工作：

数据由kafka消费者源接收，并使用多个数据流进行处理，直到最终发送到kafka生产者接收器。传入数据包含具有逻辑键（“object-id”）的对象，并且传入消息可以引用相同的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。整体消息的顺序可以是任意的。

这意味着，必须按顺序处理对象1的消息a，b和c，但是对象2的消息x可能在a1 / b1 / c1之间，之前或之后处理，无关紧要。

对于我目前的理解，这意味着我必须keyBy(_.objectID)，以便按照它们到达的顺序处理同一对象的消息。

Current approach

为了实现实际的规则引擎，创建了一个流网络。这个想法如下：

• 每条规则都有1-n条件
• 对于每个规则的每个条件，使用.filter(_.matches(rule.condition))创建原始流的子流
• 通过使用substream1.connect(substream2).flatMap(new CombineFunction[MyObject](...))组合对应于相同规则的所有子流
• connect只能加入2个流，因此具有3个条件的规则将导致后续的2个连接
• 使用相同条件的规则将重用第二步中创建的相同子流。

这将导致n个连接流，其中n对应于规则的数量。连接的流将附加一个map函数，用于标记消息，以便我们知道规则匹配。

每个连接/结果流可以独立于其他结果将其结果（“规则xyz匹配”）发布到kafka生成器，因此此时我可以将接收器附加到流。

Connect details

因为两个流的.connect（“条件” - 子流）必须只传递消息，如果它在两个流上都被接收（^ =两个条件匹配），我需要一个带键控状态的RichCoFlatMapFunction，它可以处理“只有在另一方已收到“才通过”。

但是，问题是，流是由object-id键入的。那么，如果同一个对象的2条消息通过网络运行并到达.connect().map(new RichCoFlatMapFunction...)会发生什么？这将导致错误的输出。我需要在进入网络时为每个传入消息分配唯一ID（UUID），因此我可以在.connect().map()..连接中使用此密钥（而不是object-id）。但与此同时，我需要通过object-id键入流，以便按顺序处理相同对象的消息。该怎么办？

为了解决这个问题，我使用keyBy(_.objectID)保存了输入流，但是stream-join中的RichCoFlatMapFunction不再使用keyed-state。相反，我使用一个简单的操作符状态，它保存传递对象的映射，但实现相同的逻辑，只需手动键/值查找。

这似乎有效，但我不知道这是否会引入更多问题。

Visualization

flink GUI将呈现此图像，包含14个规则的列表，总共23个条件（某些规则只有一个条件）：

Code

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)
}

前面片段中使用的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 = ???
}

我知道从运营商状态中清除部分匹配是缺失的（生存时间），但它对于当前的开发状态并不重要，并且将在稍后添加。

Background information

该应用程序应使用flink（https://en.wikipedia.org/wiki/Rete_algorithm）实现规则匹配的rete算法。

另一种方法是仅为每个传入消息循环所有规则，并附加结果。我有一个使用flink的这种方法的工作实现，所以请不要建议这个解决方案。

Issues

问题是，应用程序会在对象ID级别上混淆传入消息的顺序。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。但这种情况并非如此。

我不知道在代码中哪个时候订单搞砸了，或者这些操作是如何在线程之间分配的，所以我不知道如何解决这个问题。

Answer 1

一些评论......

1. 我假设你已经检查了Flink的CEP支持，特别是Handling Lateness in Event Time。关键概念是你可以依靠事件时间（不是处理时间）来帮助订购事件，但是你总是必须决定你愿意容忍的最大迟到量（迟到可能是由两者引起的）源，以及工作流程中发生的任何处理）。
2. 从您提供的Flink作业图中，您看起来像是通过散列对传入数据进行分区，但每条规则都需要获取每个传入的数据，对吧？那么在这种情况下你需要广播。