1 Flink 的角色
Flink 在运行时，主要由两种角色组成 JobManager 和 TaskManager。
JobManager主要是负责接受客户端的 Job，调度 Job，协调 checkpoints，故障恢复等。
TaskManager主要是负责执行具体的 Task。JobManager 和 TaskManager 的通信类似于 Spark 早期版本使用的 actor系统。
如下图：
2 任务链
首先，Flink 中的 Task 是什么？
Flink 中的每个算子都可以设置并行度，每个算子的一个并行度实例就是一个 subTask。
由于 Flink 的 TaskManager 运行 Task 的时候是每个 Task 采用一个单独的线程，这会带来很多线程切换和数据交换的开销，进而影响吞吐量。
为了减轻这种情况，Flink 会在 JobGraph 阶段，将代码中可以优化的算子优化成一个算子链（Operator Chains）以放到一个 Task 中执行。
用户也可以自己指定相应的链条，将相关性非常强的转换操作绑定在一起，这样能够让转换过程中上下游的 Task 在同一个 Pipeline 中执行，进而避免因为数据在网络或者线程间传输导致的开销，提高整体的吞吐量和延迟。
一般情况下，Flink 在 Map 操作中默认开启 TaskChain，以提高 Flink 作业的整体性能。
如图1，Source 和 Map 在优化后，组成一个算子链，作为一个 task 运行在一个线程上，其简图如 Condensed view 所示，并行图如 parellelized view 所示。
3 Task Slots （任务槽）和 Resources （资源）
每一个 TaskManager 都是 JVM 进程，可以执行一个或者多个 Task 在不同的线程中。
为了能控制一个 TaskManager 能接受多少个 task，Flink 提出了 Task Slot 的概念。
每一个 Task Slot 代表着 TaskManager 的一个固定的资源子集，是提供资源的最小单元。
例如一个拥有3个 Task Slot 的 TaskManager 将为每个 Task Slot 分配 1/3 的托管内存。
将资源 slot 化意味着来自不同 job 的 task 不会为了内存而竞争，而是每个 task 都拥有一定数量的内存储备。
注意这里不会涉及到 CPU 的隔离，仅仅用来隔离内存。
如图2，有两个节点（TaskManager），每个节点3个 slot，每一个 Task （一个 Thread）均跑在一个 slot 中。
但实际上，Flink 在默认情况下，只要子任务是来自同一个 job，是允许子任务（类似 source/map，Window）共享一个 slot 的。
这样有两个好处：
1）不用计算一个程序中有多少个 task ，因为一个 Job 的最高并行度就是 Flink 集群中 slot 的个数；
2）可以获得更好的资源利用率。
若没有 slot 共享，像 source/map 这种不是非常耗费资源的算子 会和 window 这种非常耗资源的算子占用相同的多的资源（1个slot）。
若允许 slot 共享，集群最大的并行度可为6。如下图3所示：
较耗费资源的 subtasks 比较均匀的分布在 flink 集群的 taskManager 上
如图2，window 仅仅在2个 slot 中;
而图3中，window 均匀分布在每个算子中;
从图3，也可以看出，一个 slot 中，可以运行多个 thread 的。
关注公众号，获得更多实时计算架构的文章
