檢查點是 Apache Flink 的主要容錯機制。它的工作原理是定期創建所有分布式應用程序狀態的一致快照，允許 Flink 通過將應用程序狀態恢復到最新的檢查點來從故障中恢復。

一、Core Components  核心組件

checkpointing 系統由幾個關鍵組件組成，這些組件協同工作以實現容錯：

1. CheckpointCoordinator（檢查點協調器）

CheckpointCoordinator 是 Flink 檢查點機制的核心組件。它作為 JobManager 的一部分運行，并負責：

• 定期觸發 checkpoint 創建
• 向源發送檢查點屏障
• 從任務中收集確認
• 管理待處理和已完成的 checkpoint
• 處理檢查點失敗
• 在恢復期間協調檢查點恢復

2. PendingCheckpoint  待處理檢查點

PendingCheckpoint 表示已啟動但尚未被所有任務確認的 checkpoint。它保存已確認任務的部分狀態，并跟蹤哪些任務仍需要確認。

主要特點：

• 觸發 checkpoint 時創建
• 收集任務狀態確認
• 當所有任務都確認時，變為 CompletedCheckpoint
• 如果任務失敗或超時，可以中止

3. CompletedCheckpoint  已完成檢查點

CompletedCheckpoint 表示可用于恢復的完全確認的檢查點。它包含還原應用程序狀態所需的所有狀態句柄。

主要特點：

• 當所有任務都已確認 PendingCheckpoint 時創建
• 存儲在 CompletedCheckpointStore 中
• 在恢復期間用于恢復應用程序狀態
• 元數據持久化到外部存儲

4. CompletedCheckpointStore  已完成檢查點存儲

CompletedCheckpointStore 維護已完成檢查點的歷史記錄。它負責：

• 存儲已完成的 checkpoint
• 管理保留的 checkpoint 數量
• 提供用于恢復的檢查點
• 在達到最大限制時丟棄舊的 checkpoint

二、檢查點流程

下圖說明了 Flink 中的完整 checkpoint 過程：

1. 觸發 Checkpoint

可以通過三種方式觸發 Checkpoint：

• Periodically：最常用的方法，以固定間隔自動觸發。
• Manually手動 ：通過臨時檢查點的 REST API。Savepoints
• Savepoints：用戶請求的持久性檢查點，通常用于版本升級或維護。

觸發 checkpoint 時，(CheckpointCoordinator)協調器進行如下操作：

• 從計數器獲取新的檢查點 ID
• 創建 PendingCheckpoint 以跟蹤進度
• 向所有源任務發送觸發器消息
• 設置 checkpoint 完成的超時

2. 確認 Checkpoint

當每個任務處理一個檢查點屏障時，它會：

• 拍攝其狀態的快照
• 通過配置的 state backend 存儲 state
• 向 CheckpointCoordinator 發送確認

確認內容包括：

• 檢查點 ID
• 任務的狀態快照引用
• 有關檢查點的性能指標

3. 完成檢查點

當所有任務都確認了一個 checkpoint 時，PendingCheckpoint 將通過以下方式轉換為 CompletedCheckpoint：

• 完成檢查點元數據
• 將其存儲在 CompletedCheckpointStore 中
• 如果超過最大計數，則丟棄最早的 checkpoint
• 通知協調器檢查點已完成