更新时间：2024-09-04 GMT+08:00
ALM-45636 Flink作业连续checkpoint失败
本章节仅适用于MRS 3.1.2及至MRS 3.3.0版本。
告警解释
系统以用户配置的告警周期检查Checkpoint连续失败次数，如果Flink作业Checkpoint连续失败次数达到用户配置的阈值，则发送告警。当Checkpoint恢复正常，或者作业重启成功，则告警恢复。
告警属性
|
告警ID |
告警级别 |
是否自动清除 |
|---|---|---|
|
45636 |
重要 |
是 |
告警参数
|
参数名称 |
参数含义 |
|---|---|
|
来源 |
产生告警的集群名称。 |
|
服务名 |
产生告警的服务名称。 |
|
任务名 |
产生告警的任务名称。 |
|
用户名 |
产生告警的用户名称。 |
对系统的影响
Flink作业的CheckPoint连续失败，超过阈值后Flink作业有失败的风险，需要用户介入查看Flink作业运行状态和日志来确定问题原因，是Flink作业级别的告警，对FlinkServer本身没有影响。
可能原因
失败原因可在具体日志中查看。
处理步骤
- 使用具有FlinkServer管理操作权限的用户登录Manager。
- 选择“集群 > 服务 > Yarn”，单击“ResourceManager WebUI”后的链接进入Yarn页面。
- 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4。
否，执行6。
- 单击失败作业application ID进入作业界面。
- 单击作业“Logs”列的“Logs”，查看jobmanager日志。
图2 单击“Logs”
- 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。
- 单击作业“Logs”列的“Logs”，查看jobmanager日志。
- 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。
告警清除
Flink作业Checkpoint恢复或作业重启成功后，则告警恢复，无需手动清除。
参考信息
无。
父主题： MRS集群告警处理参考
