这个题目同样也是之前辅导过的同砚的口试题目，这个题目非常接地气且观察口试者的实践履历。究竟上，这也是我们大数据提高班的Flink专项提高部分内容。
下面我列举的这些就是核心，能答出这些重点即可。
内存模型在Flink1.9和Flink1.11版本做了非常大的改动，主要原因是为了统一Batch和Streaming的内存配置。首先我发起各人只看Flink1.11版本的内存配置即可。
有两个FLIP可以参考，这两个FLIP你能看懂的话就能完全掌握Flink的内存配置。
- FLIP-116: Unified Memory Configuration for Job Managers
- FLIP-49: Unified Memory Configuration for TaskExecutors
我们分情况来说。
JobManager内存模型
Flink1.11后的JM内存模型如下：
两个版本之间最大的变化是：
- Flink 1.9 中只有堆内、堆外两个内存模块；
- Flink 1.11 中将 Flink 1.9 的堆外模块细分为 Direct Memory、JVM Metaspace 和 JVM Overhead 三类；
核心的参数如下：
举个例子，假设 JM 配置的总内存大小为 1GB，那么 JM 在启动时，天生的 JVM 下令如下：
- -Xmx469762048
- -Xms469762048
- -XX: MaxDirectMemorySize=134217728
- -XX:MaxMetaspaceSize=268435456，
- Heap: 1g - 128m - 256m - 192m = 448MB；
- DirectMemory：128MB；
- Metaspace：256MB；
- Overhead：min(max(192m, 0.1 * 1g), 1g) = 192m
JM的内存配置发起是：只需要配置JM的总内存大小，其余全部默认即可。
TaskManager内存模型
Flink1.11后的TM内存模型如下：
TaskManager核心配置参数如下：
TM的内存配置发起：只需要配置TM的总内存大小，其余全部默认即可。
举个例子，假设一个使命的 TM 内存配置为 4196 MB，运行时的 JVM 参数被设置如下：
- # JVM 配置
- -Xmx973204290 # 928.12MB
- -Xms973204290
- -XX:MaxDirectMemorySize= 1241639855 # 1184.12MB
- -XX:MaxMetaspaceSize=268435456 # 256MB
- # 计算的配置
- taskmanager.memory.framework.off-heap.size=134217728b
- taskmanager.memory.network.max=1107422127b
- taskmanager.memory.network.min=1107422127b
- taskmanager.memory.task.off-heap.size=0b
- taskmanager.memory.framework.heap.size=134217728b
- taskmanager.memory.task.heap.size=838986562b
- taskmanager.memory.managed.size=1476562799b
- java.io.IOException: Insufficient number of network buffers: required xxx, but only xxx available. The total number of network buffers is currently set to xxx of xxx bytes each. You can increase this number by setting the configuration keys 'taskmanager.network.memory.fraction', 'taskmanager.network.memory.min', and 'taskmanager.network.memory.max'.
- at org.apache.flink.runtime.io.network.buffer.NetworkBufferPool.createBufferPool(NetworkBufferPool.java:363)
- at org.apache.flink.runtime.io.network.partition.ResultPartitionFactory.lambda$createBufferPoolFactory$0(ResultPartitionFactory.java:207)
- at org.apache.flink.runtime.io.network.partition.ResultPartition.setup(ResultPartition.java:131)
- at org.apache.flink.runtime.taskmanager.Task.setupPartitionsAndGates(Task.java:898)
- at org.apache.flink.runtime.taskmanager.Task.doRun(Task.java:648)
- at org.apache.flink.runtime.taskmanager.Task.run(Task.java:539)
- at java.lang.Thread.run(Thread.java:748)
加餐，内存设置和并行度关系
末了，估算一个使命的内存消耗，要和并行度的指定搭配进行。
举个例子，假如我们估算一个使命需要消耗的总内存是20G，这时候资源该怎么分配呢？
我们可以指定TM个数=2，单个TM消耗10G内存，2x10=20G；也可以指定TM个数=10，单个TM消耗2G内存，10x2=20G。
这两种方式有区别吗？当然有。
假设我们TM个数=2，那么如果我的使命数据量较大，例如上游Source端的Kafka Partition数目为128，那么理论上我们需要指定的Flink使命的最大并行度至少是128，那么单个TM的Slot数目就应该是64，由于2x64=128。这会带来什么题目呢？单个TM分配64个Slot显着不太合理。
我们拿出官网的推荐：
官网给出的发起值是：TakManager所拥有的cpu核数的整数倍(proportional to the number of physical CPU cores that the TaskManager's machine has)。
现实中我们单个TM分配的cpu一般是1的整数倍，例如2、4...，那么这时候单个TM的slot个数发起是20、40、80...。最好是cpu数目的整数倍，至于是多少倍，各人可以根据履历判断，一般来说发起是10-20倍左右。
当然，在Flink1.14版本后，对于希望更精细化调节资源消耗的用户，基于对特定场景的相识，Flink提供了细粒度资源管理。我们直接拿官网的图做对比：
对于细粒度资源管理，Slot 资源请求包含用户指定的特定的资源配置文件。Flink 会服从这些用户指定的资源请求并从 TaskManager 可用的资源中动态地切分出精确匹配的 slot。如上图所示，对于一个 slot，0.25Core 和 1GB 内存的资源申请，Flink 为它分配 slot 1。
对于没有指定资源配置的资源请求，Flink会自动决定资源配置，如上所示，TaskManager 的总资源是 1Core 和 4GB 内存，task 的 slot 数设置为2，Slot 2 被创建，并申请 0.5 Core和 2GB 的内存而没有指定资源配置。 在分配 Slot 1和 Slot 2后，在 TaskManager 留下 0.25 Core 和 1GB 的内存作为未使用资源。
以是你看这个题目实在是一环套一环的，有履历的口试官会继承往下追问。当然如果你掌握的充足好，也可以给出超出头试官期望的回复。
300万字！全网最全大数据学习口试社区等你来！
如果这个文章对你有帮助，不要忘记 「在看」 「点赞」 「收藏」 三连啊喂！
全网首发|大数据专家级技能模型与学习指南(胜天半子篇)
互联网最坏的时代可能真的来了
我在B站读大学，大数据专业
我们在学习Flink的时候，到底在学习什么？
193篇文章暴揍Flink，这个合集你需要关注一下
Flink生产情况TOP难题与优化，阿里巴巴藏经阁YYDS
Flink CDC我吃定了耶稣也留不住他！| Flink CDC线上题目小盘点
我们在学习Spark的时候，到底在学习什么？
在所有Spark模块中，我愿称SparkSQL为最强！
硬刚Hive | 4万字基础调优口试小总结
数据治理方法论和实践小百科全书
标签体系下的用户画像建设小指南
4万字长文 | ClickHouse基础&实践&调优全视角剖析
【口试&个人成长】社招和校招的履历之谈
大数据方向另一个十年开启 |《硬刚系列》第一版完结
我写过的关于成长/口试/职场进阶的文章
当我们在学习Hive的时候在学习什么？「硬刚Hive续集」
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 | 
