Scheduling：
- Flink中的执行资源通过任务槽(Task Slots)定义。每个TaskManager都有一个或多个任务槽，每个槽都可以运行一个并行任务管道(pipeline)。管道由多个连续的任务组成，例如第n个MapFunction并行实例和第n个ReduceFunction并行实例。Flink经常并发地执行连续的任务：对于流程序，这在任何情况下都会发生，对于批处理程序，它也经常发生。
- 下图说明了这一点。考虑一个具有数据源、MapFunction和ReduceFunction的程序。数据源和MapFunction的并行度为4，而ReduceFunction的并行度为3。一个管道由Source-Map-Reduce序列组成。在一个具有2个TaskManager(每个TaskManager都有3个插槽)的集群中，程序将按照如下所述执行。
在内部，Flink通过SlotSharingGroup和CoLocationGroup定义哪些任务可以共享一个插槽，哪些任务必须严格地放在同一个插槽中。
JobManager 数据结构：
- 在job执行期间，JobManager跟踪分布式任务，决定何时调度下一个任务(或一组任务)，并对完成的任务或执行失败作出反应。
- JobManager接收JobGraph，这是由运算符(JobVertex)和中间结果(IntermediateDataSet)组成的数据流的表示。每个运算符都有属性，比如并行性和它执行的代码。此外，JobGraph有一组附加的库，这些库是执行操作符代码所必需的。
- JobManager 将 JobGraph 转换为 ExecutionGraph。ExecutionGraph 是 JobGraph 的并行版本：对于每个 JobVertex，它包含每个并行子任务的 ExecutionVertex。并行度为100的运算符将有一个 JobVertex 和100个 ExecutionVertex。ExecutionVertex 跟踪特定子任务的执行状态。一个 JobVertex 中的所有 ExecutionVertex 都保存在 ExecutionJobVertex 中，它会跟踪操作符的整体状态。除顶点外，执行图还包含 IntermediateResult 和 IntermediateResultPartition。
每个ExecutionGraph都有一个与之相关联的job状态。这个job状态指示当前工作的执行状态。 - Flink job首先处于创建(created)状态，然后切换到运行(running)状态，完成所有工作后切换到已完成(finished)状态。在出现故障的情况下，job首先切换到故障(failing)状态，取消所有正在运行的任务。如果所有job顶点都已达到最终状态，且job不可重新启动，则job转换为失败。如果job可以重新启动，那么它将进入重新启动状态。一旦任务完全重新启动，它将到达创建状态。如果用户取消job，它将进入取消(cancelling)状态。这还需要取消所有当前正在运行的任务。一旦所有运行的任务都达到了最终状态，任务转换到该状态就会被取消。
- 与表示全局终端状态并触发清理作业的已完成、已取消和已失败状态不同，暂停(suspended)状态仅是本地终端。本地终端意味着job的执行已经在相应的JobManager上终止，但是Flink集群的另一个JobManager可以从持久的HA存储中检索这个job并重新启动它。因此，达到暂停状态的作业不会被完全清理。