ALM-45639 Flink作业checkpoint完成时间超过阈值

告警解释

系统每30秒为周期检查Flink作业CheckPoint完成时间是否超过阈值（默认值：600秒），如果超过阈值则产生告警。作业CheckPoint完成时间小于或等于阈值，告警恢复。

告警属性

告警参数

对系统的影响

Flink作业CheckPoint完成时间超过阈值，此时有CheckPoint超时并导致CheckPoint失败的风险，需要用户介入来确认原因，是Flink作业级别的告警，对FlinkServer本身无影响。

可能原因

Flink作业CheckPoint完成时间超过阈值时，可能是该作业处于亚健康状态，具体原因可能有：

• 作业TaskManager内存不足。
• 状态过大导致CheckPoint时间过长。

处理步骤

1. 使用具有FlinkServer管理操作权限的用户登录Manager。
2. 选择“运维 > 告警 > 告警 > ALM-45639 Flink作业checkpoint完成时间超过阈值”，检查该告警的“定位信息”，查看并记录告警上报的任务名。
3. 选择“集群 > 服务 > Yarn”，单击“ResourceManager WebUI”后的链接进入Yarn原生页面。
4. 根据告警“定位信息”中的任务名找到失败任务，查找并记录失败作业的“application ID”，是否可以在Yarn页面上查看到作业日志。
   图1 作业的“application ID”
   
   • 是，执行5。
   • 否，执行7。

5. 单击失败作业application ID进入作业界面。
   1. 单击作业“Logs”列的“Logs”，查看jobmanager日志。
      图2 单击“Logs”
      
   2. 单击“Attempt ID”列的ID，单击“Logs”列的“Logs”，查看taskmanager日志。
      图3 单击“Attempt ID”列的ID
      
      图4 单击“Logs”
      
      

      使用具有FlinkServer管理操作权限的用户登录Manager，选择“集群 > 服务 > Flink”，单击“Flink WebUI”后的链接，单击“作业管理”，在作业的“操作”列选择“更多 > 作业详情”也可查看taskmanager日志。

6. 查看失败作业日志进行故障修复，或联系运维人员，并发送已收集的故障日志信息。操作结束。

若无法在Yarn页面上查看日志，可通过HDFS下载日志。

7. 返回Manager，选择“集群 > 服务 > HDFS”，单击“NameNode WebUI”后的链接进入HDFS页面，选择“Utilities > Browse the file system”，在“/tmp/logs/用户名/logs/失败任务的application ID”目录下载日志。
8. 查看失败作业日志进行故障修复，或联系运维人员，并发送已收集的故障日志信息。

告警清除

Flink作业CheckPoint完成时间小于或等于阈值时，则告警恢复，无需手动清除。

参考信息

不涉及。