学习文档：Flink｜《Flink 官方文档 - 部署 - 内存配置 - 配置 TaskManager 内存》学习笔记
学习笔记如下：
配置总内存
Flink JVM 进程的进程总内存（Total Process Memory）包含了由 Flink 应用使用的内存（Flink 总内存）以及由运行 Flink 的 JVM 使用的内存。其中，Flink 总内存（Total Flink Memory）包括 JVM 堆内存（Heap Memory）、托管内存（Managed Memory）以及其他直接内存（Direct Memory）或本地内存（Native Memory）。
配置 Flink 内存最简单的方法就是配置总内存。 此外，Flink 也支持更细粒度的内存配置方式。
Flink 会根据默认值或其他配置参数自动调整剩余内存部分的大小。
配置堆内存和托管内存
除配置总内存外，另一种配置 Flink 内存的方式是同时设置任务堆内存和托管内存，此时 Flink 会根据默认值或其他配置参数自动调整剩余内存部分的大小。
因此，如果已经明确设置了任务堆内存和托管内存，建议不要再设置进程总内存或 Flink 总内存，否则可能会造成内存配置冲突。
任务（算子）堆内存
如果希望确保指定大小的 JVM 堆内存给用户代码使用，可以明确指定任务堆内存（taskmanager.memory.task.heap.size）。 指定的内存将被包含在总的 JVM 堆空间中，专门用于 Flink 算子及用户代码的执行。
托管内存
托管内存是由 Flink 负责分配的和管理的本地（堆外）内存。在以下场景中需要使用托管内存：
- 流处理作业中用于 RocksDB State Backend
- 流处理和批处理作业中用于排序、哈希表及缓存中间结果
- 流处理和批处理作业中用于在 Python 进程中执行用户自定义函数
可以通过以下两种方法指定托管内存的大小：
- 通过
taskmanager.memory.managed.size明确指定其大小 - 通过
taskmanager.memory.managed.fraction指定其在 Flink 总内存中的占比
当同时指定以上两者时，会优先采集指定的大小（size），若两者均未指定，则会根据默认占比进行计算。
消费者权重
对于包含不同种类的托管内存消费者的作业，可以进一步控制托管内存如何在消费者之间分配。通过 taskmanager.memory.managed.consumer-weights 可以为每一种类型的消费者指定一个权重，Flink 会按照权重的比例进行内存分配。目前支持的消费者类型包括：
-
OPERATOR：用于内置算法 -
STATE_BACKEND：用于流处理中的 RocksDB State Backend -
PYTHON：用户 Python 进程
例如，一个流处理作业同时用到了 RocksDB State Backend 和 Python UDF，消费者权重设置为 STATE_BACKEND:70,PYTHON:30，那么 FLink 会将 70% 的托管内存用于 RocksDB State Backend，30% 留给 Python 进程。
只有作业中包含某种类型的消费者时，Flink 才会为该类型分配托管内存。例如，一个流处理作业使用 Heap State Backend 和 Python UDF，消费者权重设置为 STATE_BACKEND:70,PYTHON:30，那么 Flink 会将全部托管内存用于 Python 进程，因为 Heap State Backend 不使用托管内存。
对于未出现在消费者权重中的类型，Flink 将不会为其分配托管内存。 如果缺失的类型是作业运行所必须的，则会引发内存分配失败。 默认情况下，消费者权重中包含了所有可能的消费者类型。 上述问题仅可能出现在用户显式地配置了消费者权重的情况下。
配置堆外内存（直接内存或本地内存）
用户代码中分配的堆外内存被归入任务堆外内存（Task Off-heap Memory），可以通过 taskmanager.memory.task.off-heap.size 指定。
内存模型
如上图所示，下表中列出了 Flink TaskManager 内存模型的所有组成部分，以及影响其大小的相关配置参数。
| 组成部分 | 配置参数 | 描述 |
|---|---|---|
| 框架堆内存（Framework Heap Memory） | taskmanager.memory.framework.heap.size |
用于 Flink 框架的 JVM 堆内存（进阶配置）。 |
| 任务堆内存（Task Heap Memory） | taskmanager.memory.task.heap.size |
用于 Flink 应用的算子及用户代码的 JVM 堆内存。 |
| 托管内存（Managed memory） |
taskmanager.memory.managed.sizetaskmanager.memory.managed.fraction
|
由 Flink 管理的用于排序、哈希表、缓存中间结果及 RocksDB State Backend 的本地内存。 |
| 框架堆外内存（Framework Off-heap Memory） | taskmanager.memory.framework.off-heap.size |
用于 Flink 框架的堆外内存（直接内存或本地内存）（进阶配置）。 |
| 任务堆外内存（Task Off-heap Memory） | taskmanager.memory.task.off-heap.size |
用于 Flink 应用的算子及用户代码的堆外内存（直接内存或本地内存）。 |
| 网络内存（Network Memory） |
taskmanager.memory.network.min<br taskmanager.memory.network.maxtaskmanager.memory.network.fraction
|
用于任务之间数据传输的直接内存（例如网络传输缓冲）。该内存部分为基于 Flink 总内存的受限的等比内存部分。这块内存被用于分配网络缓冲。 |
| JVM Metaspace | taskmanager.memory.jvm-metaspace.size |
Flink JVM 进程的 Metaspace。 |
| JVM 开销 |
taskmanager.memory.jvm-overhead.mintaskmanager.memory.jvm-overhead.max) taskmanager.memory.jvm-overhead.fraction
|
用于其他 JVM 开销的本地内存，例如栈空间、垃圾回收空间等。该内存部分为基于进程总内存的受限的等比内存部分。 |
有些内存部分的大小可以直接通过一个配置参数进行设置，有些则可以根据多个参数进行调整。
框架内存
通常情况下，不建议对框架堆内存和框架堆外内存进行调整。 除非你非常肯定 Flink 的内部数据结构及操作需要更多的内存（例如需要非常高的并发度）。此外，Flink 的部分依赖（例如 Hadoop）在某些特定的情况下也可能会需要更多的直接内存或本地内存。
不管是堆内存还是堆外内存，Flink 中的框架内存和任务内存之间目前是没有隔离的。对框架和任务内存的区分，主要是为了在后续版本中做进一步优化。
本地执行
如果将 Flink 作为一个单独的 Java 程序运行在本地电脑而非创建一个集群（例如在 IDE 中），那么只有下列配置会生效，其他配置参数则不会起到任何效果：
| 组成部分 | 配置参数 | 本地执行时的默认值 |
|---|---|---|
| 任务堆内存 | taskmanager.memory.task.heap.size |
无穷大 |
| 任务堆外内存 | taskmanager.memory.task.off-heap.size |
无穷大 |
| 托管内存 | taskmanager.memory.managed.size |
128MB |
| 网络内存 |
taskmanager.memory.network.mintaskmanager.memory.network.max
|
64MB |
本地执行模式下，上面列出的所有内存大小均为可选配置。其中：
- 任务堆内存和任务堆外内存的默认值无穷大即
Long.MAX_VALUE字节 - 托管内存的默认值 128MB 均只针对本地执行模式
在本地执行模式下，任务堆内存的大小与实际的堆空间大小无关。该配置参数可能与后续版本中的进一步优化相关。文章来源：https://www.toymoban.com/news/detail-840182.html
本地执行模式下，JVM 堆空间的实际大小不受 Flink 掌控，而是取决于本地执行进程是如何启动的。如果希望控制 JVM 的堆空间大小，可以在启动进程时明确地指定相关的 JVM 参数，即 -Xmx 和 -Xms文章来源地址https://www.toymoban.com/news/detail-840182.html
到了这里，关于Flink｜《Flink 官方文档 - 部署 - 内存配置 - 配置 TaskManager 内存》学习笔记的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
