关于Flink SQL UDAF中调用createAccumulator的调用问题

[刘首维]

Hi all,



   最近有几个疑问没能很好地理解清楚：



   我们都知道，UDAF中的有createAccumulator这个方法，那么：

这个方法的调用时机是什么呢，会被调用几次呢？

一个accumulator的生命周期是怎么样的？

一个accumulator会被反复的序列化反序列化吗？


 麻烦了解相关细节的社区的同学们帮忙解答一下~

先谢谢啦

[Benchao Li]

Hi 首维，

这是个很好的问题。

> 这个方法的调用时机是什么呢，会被调用几次呢？
这个调用的时机是每个key的第一条数据来的时候，会创建一个accumulator。创建的次数大约是key的数量。
当然这里说的是regular groupby；
如果是window group by的话，就是每个window都会做上面的这个事情。

> 一个accumulator的生命周期是怎么样的？
如果是window group by的话，那它的生命周期就是跟window是一样的。
如果是regular groupby的话，可以认为是全局的。除非有一条数据retract掉了当前的结果之后，等于被聚合的
数据是0条的时候，也会销毁。

> 一个accumulator会被反复的序列化反序列化吗？
这个问题非常好。它是否序列化跟你用的state backend有关系。
如果是rocksdb的话，是会每次更新都会存一次state。如果不是rocksdb，它就是一个内存里的数据结构，只有在
checkpoint的时候序列化。
当然这个在regular groupby的情况下，开启mini batch会减少每次都需要更新state的情况。

刘首维 <[hidden email]> 于2020年4月21日周二 下午5:37写道：

> Hi all,
>
>
>
>    最近有几个疑问没能很好地理解清楚：
>
>
>
>    我们都知道，UDAF中的有createAccumulator这个方法，那么：
>
> 这个方法的调用时机是什么呢，会被调用几次呢？
>
> 一个accumulator的生命周期是怎么样的？
>
> 一个accumulator会被反复的序列化反序列化吗？
>
>
>  麻烦了解相关细节的社区的同学们帮忙解答一下~
>
> 先谢谢啦
>

--

Benchao Li
School of Electronics Engineering and Computer Science, Peking University
Tel:[phone]
Email: [hidden email]; [hidden email]

[刘首维]

Hi benchao,


非常感谢你的回复，我说一下我产生疑问的原因吧。首先我的朴素思路是createAccumlator针对一个group by的一个key应该被创建一次，可是我做实验的时候（在create acc的时候打印日志），我发现日志打印了不止一次，而且我确认是同一线程的同一AggFunction对象打印的。而且我也翻看了代码可以看到accumulator确实是以一个state方式存储的，每次都会先尝试从state取，就更不应该出现多次打印createAccmulator日志的问题了。


  为了方便你帮我分析，我来补充一下环境和场景：


   版本： 1.7.2/1.9.1

  场景 ： group by 嵌套， 常规聚合



  我个人理解Flink Streaming SQL其实实现上物化视图的增量更新算法很像（这块不确定思考的正确性），那么在嵌套group by或者接join后是不是会有更新放大（amplify）问题，同时由于这个问题导致中间状态暴露出来。还有在agg over group by的时候是不是createAccumulator的生命周期会像窗口聚合的时候生命周期会改变吗。


再次感谢你的回复

best regards

________________________________
发件人: Benchao Li <[hidden email]>
发送时间: 2020年4月21日 17:45:54
收件人: user-zh
主题: Re: 关于Flink SQL UDAF中调用createAccumulator的调用问题

Hi 首维，

这是个很好的问题。

> 这个方法的调用时机是什么呢，会被调用几次呢？
这个调用的时机是每个key的第一条数据来的时候，会创建一个accumulator。创建的次数大约是key的数量。
当然这里说的是regular groupby；
如果是window group by的话，就是每个window都会做上面的这个事情。

> 一个accumulator的生命周期是怎么样的？
如果是window group by的话，那它的生命周期就是跟window是一样的。
如果是regular groupby的话，可以认为是全局的。除非有一条数据retract掉了当前的结果之后，等于被聚合的
数据是0条的时候，也会销毁。

> 一个accumulator会被反复的序列化反序列化吗？
这个问题非常好。它是否序列化跟你用的state backend有关系。
如果是rocksdb的话，是会每次更新都会存一次state。如果不是rocksdb，它就是一个内存里的数据结构，只有在
checkpoint的时候序列化。
当然这个在regular groupby的情况下，开启mini batch会减少每次都需要更新state的情况。

刘首维 <[hidden email]> 于2020年4月21日周二 下午5:37写道：

> Hi all,
>
>
>
>    最近有几个疑问没能很好地理解清楚：
>
>
>
>    我们都知道，UDAF中的有createAccumulator这个方法，那么：
>
> 这个方法的调用时机是什么呢，会被调用几次呢？
>
> 一个accumulator的生命周期是怎么样的？
>
> 一个accumulator会被反复的序列化反序列化吗？
>
>
>  麻烦了解相关细节的社区的同学们帮忙解答一下~
>
> 先谢谢啦
>

--

Benchao Li
School of Electronics Engineering and Computer Science, Peking University
Tel:[phone]
Email: [hidden email]; [hidden email]

[Benchao Li]

Hi 首维，

这里说的是同一个key会创建一次，所以你看到一个AggFunction会创建多次更这个并不冲突，因为一个AggFunction属于一个subtask维度的，一个subtask处理不止一个key的。

你的第二个问题：
> 我个人理解Flink Streaming SQL其实实现上物化视图的增量更新算法很像（这块不确定思考的正确性），那么在嵌套group
by或者接join后是不是会有更新放大（amplify）问题，同时由于这个问题导致中间状态暴露出来
这个的确是存在这个问题。比如两个group by嵌套使用，第一个group by由于会更新结果，所以会retract之前的结果。第二个group
by收到retract就会先撤销当前的结果，然后再发送撤销之后的结果；然后后面又会来一条正常的append数据，这条数据导致再次retract一次，和append一次。

> 还有在agg over group by的时候是不是createAccumulator的生命周期会像窗口聚合的时候生命周期会改变吗。
这个没有本质区别，正常情况下一个key下的agg是会一直存在的。除非是你配置了state
retention时间，那么对应的key的state如果过了retention时间没有访问就会被清理。

刘首维 <[hidden email]> 于2020年4月21日周二 下午5:59写道：

> Hi benchao,
>
>
> 非常感谢你的回复，我说一下我产生疑问的原因吧。首先我的朴素思路是createAccumlator针对一个group
> by的一个key应该被创建一次，可是我做实验的时候（在create
> acc的时候打印日志），我发现日志打印了不止一次，而且我确认是同一线程的同一AggFunction对象打印的。而且我也翻看了代码可以看到accumulator确实是以一个state方式存储的，每次都会先尝试从state取，就更不应该出现多次打印createAccmulator日志的问题了。
>
>
>   为了方便你帮我分析，我来补充一下环境和场景：
>
>
>    版本： 1.7.2/1.9.1
>
>   场景 ： group by 嵌套， 常规聚合
>
>
>
>   我个人理解Flink Streaming SQL其实实现上物化视图的增量更新算法很像（这块不确定思考的正确性），那么在嵌套group
> by或者接join后是不是会有更新放大（amplify）问题，同时由于这个问题导致中间状态暴露出来。还有在agg over group
> by的时候是不是createAccumulator的生命周期会像窗口聚合的时候生命周期会改变吗。
>
>
> 再次感谢你的回复
>
> best regards
> ------------------------------
> *发件人:* Benchao Li <[hidden email]>
> *发送时间:* 2020年4月21日 17:45:54
> *收件人:* user-zh
> *主题:* Re: 关于Flink SQL UDAF中调用createAccumulator的调用问题
>
> Hi 首维，
>
> 这是个很好的问题。
>
> > 这个方法的调用时机是什么呢，会被调用几次呢？
> 这个调用的时机是每个key的第一条数据来的时候，会创建一个accumulator。创建的次数大约是key的数量。
> 当然这里说的是regular groupby；
> 如果是window group by的话，就是每个window都会做上面的这个事情。
>
> > 一个accumulator的生命周期是怎么样的？
> 如果是window group by的话，那它的生命周期就是跟window是一样的。
> 如果是regular groupby的话，可以认为是全局的。除非有一条数据retract掉了当前的结果之后，等于被聚合的
> 数据是0条的时候，也会销毁。
>
> > 一个accumulator会被反复的序列化反序列化吗？
> 这个问题非常好。它是否序列化跟你用的state backend有关系。
> 如果是rocksdb的话，是会每次更新都会存一次state。如果不是rocksdb，它就是一个内存里的数据结构，只有在
> checkpoint的时候序列化。
> 当然这个在regular groupby的情况下，开启mini batch会减少每次都需要更新state的情况。
>
> 刘首维 <[hidden email]> 于2020年4月21日周二 下午5:37写道：
>
> > Hi all,
> >
> >
> >
> >    最近有几个疑问没能很好地理解清楚：
> >
> >
> >
> >    我们都知道，UDAF中的有createAccumulator这个方法，那么：
> >
> > 这个方法的调用时机是什么呢，会被调用几次呢？
> >
> > 一个accumulator的生命周期是怎么样的？
> >
> > 一个accumulator会被反复的序列化反序列化吗？
> >
> >
> >  麻烦了解相关细节的社区的同学们帮忙解答一下~
> >
> > 先谢谢啦
> >
>
>
> --
>
> Benchao Li
> School of Electronics Engineering and Computer Science, Peking University
> Tel:[phone]
> Email: [hidden email]; [hidden email]
>

--

Benchao Li
School of Electronics Engineering and Computer Science, Peking University
Tel:[phone]
Email: [hidden email]; [hidden email]

[刘首维]

Hi benchao,

  感谢你的回复，完美解答了我的疑惑。然后我在看代码做实验的时候又派生了两个想法/问题：

    1. 将accu作为一个单独的field在GroupAggFunction中，然后在snapshotState的时候才去向state更新
    2. 为accu设置一个0/初始/空/幺元或者类似概念的状态，这样我们就不必去销毁acc而是去只是将其置回


  或者说时区在设计这个部分的时候，有什么其他的考量吗
________________________________
发件人: Benchao Li <[hidden email]>
发送时间: 2020年4月21日 18:28:09
收件人: 刘首维
抄送: user-zh
主题: Re: 关于Flink SQL UDAF中调用createAccumulator的调用问题

Hi 首维，

这里说的是同一个key会创建一次，所以你看到一个AggFunction会创建多次更这个并不冲突，因为一个AggFunction属于一个subtask维度的，一个subtask处理不止一个key的。

你的第二个问题：
> 我个人理解Flink Streaming SQL其实实现上物化视图的增量更新算法很像（这块不确定思考的正确性），那么在嵌套group by或者接join后是不是会有更新放大（amplify）问题，同时由于这个问题导致中间状态暴露出来
这个的确是存在这个问题。比如两个group by嵌套使用，第一个group by由于会更新结果，所以会retract之前的结果。第二个group by收到retract就会先撤销当前的结果，然后再发送撤销之后的结果；然后后面又会来一条正常的append数据，这条数据导致再次retract一次，和append一次。

> 还有在agg over group by的时候是不是createAccumulator的生命周期会像窗口聚合的时候生命周期会改变吗。
这个没有本质区别，正常情况下一个key下的agg是会一直存在的。除非是你配置了state retention时间，那么对应的key的state如果过了retention时间没有访问就会被清理。

刘首维 <[hidden email]<mailto:[hidden email]>> 于2020年4月21日周二 下午5:59写道：

Hi benchao,


非常感谢你的回复，我说一下我产生疑问的原因吧。首先我的朴素思路是createAccumlator针对一个group by的一个key应该被创建一次，可是我做实验的时候（在create acc的时候打印日志），我发现日志打印了不止一次，而且我确认是同一线程的同一AggFunction对象打印的。而且我也翻看了代码可以看到accumulator确实是以一个state方式存储的，每次都会先尝试从state取，就更不应该出现多次打印createAccmulator日志的问题了。


  为了方便你帮我分析，我来补充一下环境和场景：


   版本： 1.7.2/1.9.1

  场景 ： group by 嵌套， 常规聚合



  我个人理解Flink Streaming SQL其实实现上物化视图的增量更新算法很像（这块不确定思考的正确性），那么在嵌套group by或者接join后是不是会有更新放大（amplify）问题，同时由于这个问题导致中间状态暴露出来。还有在agg over group by的时候是不是createAccumulator的生命周期会像窗口聚合的时候生命周期会改变吗。


再次感谢你的回复

best regards

________________________________
发件人: Benchao Li <[hidden email]<mailto:[hidden email]>>
发送时间: 2020年4月21日 17:45:54
收件人: user-zh
主题: Re: 关于Flink SQL UDAF中调用createAccumulator的调用问题

Hi 首维，

这是个很好的问题。

> 这个方法的调用时机是什么呢，会被调用几次呢？
这个调用的时机是每个key的第一条数据来的时候，会创建一个accumulator。创建的次数大约是key的数量。
当然这里说的是regular groupby；
如果是window group by的话，就是每个window都会做上面的这个事情。

> 一个accumulator的生命周期是怎么样的？
如果是window group by的话，那它的生命周期就是跟window是一样的。
如果是regular groupby的话，可以认为是全局的。除非有一条数据retract掉了当前的结果之后，等于被聚合的
数据是0条的时候，也会销毁。

> 一个accumulator会被反复的序列化反序列化吗？
这个问题非常好。它是否序列化跟你用的state backend有关系。
如果是rocksdb的话，是会每次更新都会存一次state。如果不是rocksdb，它就是一个内存里的数据结构，只有在
checkpoint的时候序列化。
当然这个在regular groupby的情况下，开启mini batch会减少每次都需要更新state的情况。

刘首维 <[hidden email]<mailto:[hidden email]>> 于2020年4月21日周二 下午5:37写道：

> Hi all,
>
>
>
>    最近有几个疑问没能很好地理解清楚：
>
>
>
>    我们都知道，UDAF中的有createAccumulator这个方法，那么：
>
> 这个方法的调用时机是什么呢，会被调用几次呢？
>
> 一个accumulator的生命周期是怎么样的？
>
> 一个accumulator会被反复的序列化反序列化吗？
>
>
>  麻烦了解相关细节的社区的同学们帮忙解答一下~
>
> 先谢谢啦
>

--

Benchao Li
School of Electronics Engineering and Computer Science, Peking University
Tel:[phone]
Email: [hidden email]<mailto:[hidden email]>; [hidden email]<mailto:[hidden email]>


--

Benchao Li
School of Electronics Engineering and Computer Science, Peking University
Tel:[phone]
Email: [hidden email]<mailto:[hidden email]>; [hidden email]<mailto:[hidden email]>

[Benchao Li]

Hi 首维，

非常开心我的回答能对你有所帮助。

1， 我感觉你这个想法其实就是把state backend 设置为filesystem的表现。因为在state
backend是filesystem的时候，state是放到内存的，也就是更新state是不需要序列化和反序列化的，性能相对要高一些。如果使用rocksdb的话，state就是放到rocksdb里了。我理解这里之所以是这样设计，是因为某些state本身会比较大，内存不一定放得下，此时如果用rocksdb作为state
backend，就不会占用heap的内存。
2， 其实这里的销毁的意思就是clear acc对应的state，这个应该跟第一个问题是有关系的，销毁不需要的状态是为了不让state无限增长。


刘首维 <[hidden email]> 于2020年4月22日周三 下午1:56写道：

> Hi benchao,
>
>   感谢你的回复，完美解答了我的疑惑。然后我在看代码做实验的时候又派生了两个想法/问题：
>
>     1. 将accu作为一个单独的field在GroupAggFunction中，然后在snapshotState的时候才去向state更新
>     2. 为accu设置一个0/初始/空/幺元或者类似概念的状态，这样我们就不必去销毁acc而是去只是将其置回
>
>
>   或者说时区在设计这个部分的时候，有什么其他的考量吗
> ________________________________
> 发件人: Benchao Li <[hidden email]>
> 发送时间: 2020年4月21日 18:28:09
> 收件人: 刘首维
> 抄送: user-zh
> 主题: Re: 关于Flink SQL UDAF中调用createAccumulator的调用问题
>
> Hi 首维，
>
>
> 这里说的是同一个key会创建一次，所以你看到一个AggFunction会创建多次更这个并不冲突，因为一个AggFunction属于一个subtask维度的，一个subtask处理不止一个key的。
>
> 你的第二个问题：
> > 我个人理解Flink Streaming SQL其实实现上物化视图的增量更新算法很像（这块不确定思考的正确性），那么在嵌套group
> by或者接join后是不是会有更新放大（amplify）问题，同时由于这个问题导致中间状态暴露出来
> 这个的确是存在这个问题。比如两个group by嵌套使用，第一个group by由于会更新结果，所以会retract之前的结果。第二个group
> by收到retract就会先撤销当前的结果，然后再发送撤销之后的结果；然后后面又会来一条正常的append数据，这条数据导致再次retract一次，和append一次。
>
> > 还有在agg over group by的时候是不是createAccumulator的生命周期会像窗口聚合的时候生命周期会改变吗。
> 这个没有本质区别，正常情况下一个key下的agg是会一直存在的。除非是你配置了state
> retention时间，那么对应的key的state如果过了retention时间没有访问就会被清理。
>
> 刘首维 <[hidden email]<mailto:[hidden email]>>
> 于2020年4月21日周二 下午5:59写道：
>
> Hi benchao,
>
>
> 非常感谢你的回复，我说一下我产生疑问的原因吧。首先我的朴素思路是createAccumlator针对一个group
> by的一个key应该被创建一次，可是我做实验的时候（在create
> acc的时候打印日志），我发现日志打印了不止一次，而且我确认是同一线程的同一AggFunction对象打印的。而且我也翻看了代码可以看到accumulator确实是以一个state方式存储的，每次都会先尝试从state取，就更不应该出现多次打印createAccmulator日志的问题了。
>
>
>   为了方便你帮我分析，我来补充一下环境和场景：
>
>
>    版本： 1.7.2/1.9.1
>
>   场景 ： group by 嵌套， 常规聚合
>
>
>
>   我个人理解Flink Streaming SQL其实实现上物化视图的增量更新算法很像（这块不确定思考的正确性），那么在嵌套group
> by或者接join后是不是会有更新放大（amplify）问题，同时由于这个问题导致中间状态暴露出来。还有在agg over group
> by的时候是不是createAccumulator的生命周期会像窗口聚合的时候生命周期会改变吗。
>
>
> 再次感谢你的回复
>
> best regards
>
> ________________________________
> 发件人: Benchao Li <[hidden email]<mailto:[hidden email]>>
> 发送时间: 2020年4月21日 17:45:54
> 收件人: user-zh
> 主题: Re: 关于Flink SQL UDAF中调用createAccumulator的调用问题
>
> Hi 首维，
>
> 这是个很好的问题。
>
> > 这个方法的调用时机是什么呢，会被调用几次呢？
> 这个调用的时机是每个key的第一条数据来的时候，会创建一个accumulator。创建的次数大约是key的数量。
> 当然这里说的是regular groupby；
> 如果是window group by的话，就是每个window都会做上面的这个事情。
>
> > 一个accumulator的生命周期是怎么样的？
> 如果是window group by的话，那它的生命周期就是跟window是一样的。
> 如果是regular groupby的话，可以认为是全局的。除非有一条数据retract掉了当前的结果之后，等于被聚合的
> 数据是0条的时候，也会销毁。
>
> > 一个accumulator会被反复的序列化反序列化吗？
> 这个问题非常好。它是否序列化跟你用的state backend有关系。
> 如果是rocksdb的话，是会每次更新都会存一次state。如果不是rocksdb，它就是一个内存里的数据结构，只有在
> checkpoint的时候序列化。
> 当然这个在regular groupby的情况下，开启mini batch会减少每次都需要更新state的情况。
>
> 刘首维 <[hidden email]<mailto:[hidden email]>>
> 于2020年4月21日周二 下午5:37写道：
>
> > Hi all,
> >
> >
> >
> >    最近有几个疑问没能很好地理解清楚：
> >
> >
> >
> >    我们都知道，UDAF中的有createAccumulator这个方法，那么：
> >
> > 这个方法的调用时机是什么呢，会被调用几次呢？
> >
> > 一个accumulator的生命周期是怎么样的？
> >
> > 一个accumulator会被反复的序列化反序列化吗？
> >
> >
> >  麻烦了解相关细节的社区的同学们帮忙解答一下~
> >
> > 先谢谢啦
> >
>
>
> --
>
> Benchao Li
> School of Electronics Engineering and Computer Science, Peking University
> Tel:[phone]
> Email: [hidden email]<mailto:[hidden email]>;
> [hidden email]<mailto:[hidden email]>
>
>
> --
>
> Benchao Li
> School of Electronics Engineering and Computer Science, Peking University
> Tel:[phone]
> Email: [hidden email]<mailto:[hidden email]>;
> [hidden email]<mailto:[hidden email]>
>

--

Benchao Li
School of Electronics Engineering and Computer Science, Peking University
Tel:[phone]
Email: [hidden email]; [hidden email]