超大规模 Flink 调度优化实践

案例背景:
大数据时代，业务对数据处理的实时性要求越来越高，例如异常检测，指标大盘等，由此流式计算变得越来越重要。在字节的 Flink 使用场景中，调度是非常重要的一个步骤，主要分为两个模块资源调度和Task 调度。
在资源调度方面，希望 container 分布均匀，避免造成单机负载过高；同时希望分配后机器 quota 均衡避免碎片。还有就是调度时尽可能避开高 load 节点。
在 Task 调度方面，希望更均衡的调度 Task，减少 TaskManager 间资源需求差异，减少资源浪费；其次在大规模集群下单机故障是不可避免的，我们需要黑名单机制来提升 Flink 的稳定性。

解决思路:
针对上述问题，我们优化了 Flink 引擎的调度策略，使其更均衡的将 Task 调度到各 TaskManager，减少资源浪费，也便于用户配置资源。我们也提供了多维度黑名单机制，解决作业再单机故障下不能自动恢复的问题。
同时 YARN 团队也针对实时计算场景支持了“container 打散”、“节点 quota 均衡”、“高 load 节点跳过”等调度谓词。

成果：
经过上述优化，我们减少了资源浪费，提升了稳定性及易用性。