参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 26 天前更新
要点:
- 现象与原理:反压是下游处理速度跟不上上游,压力沿数据流向上游传递,最终源头限速。Flink 基于网络缓冲(credit-based)自然背压,无需外部协调组件。
- 定位手段:Flink Web UI 的 BackPressure 页采样线程栈判断哪个算子处于反压;或在 Metrics 中看
outPoolUsage/inPoolUsage、各算子 busyTime。从 Sink 端往上游找第一个反压算子,即为瓶颈。
- 常见根因:单个并行度热点/数据倾斜、外部系统(DB/下游 Kafka)写入慢、GC 停顿、序列化开销大、窗口状态过大。
- 缓解策略:提高瓶颈算子并行度、开启本地聚合/预聚合减少 shuffle 数据量、用 keyBy 打散热点、调大网络缓冲与托管内存、对慢 sink 做批量/异步写入或限流。