Akka与Actor 模型

　　Akka是一个用来开发支持并发、容错、扩展性的应用程序框架。它是actor model的实现，因此跟Erlang的并发模型很像。在actor模型的上下文中，所有的活动实体都被认为是互不依赖的actor。actor之间的互相通信是通过彼此之间发送异步消息来实现的。每个actor都有一个邮箱来存储接收到的消息。因此每个actor都维护着自己独立的状态。

　　每个actor是一个单一的线程，它不断地从其邮箱中poll(拉取)消息，并且连续不断地处理。对于已经处理过的消息的结果，actor可以改变它自身的内部状态或者发送一个新消息或者孵化一个新的actor。尽管单个的actor是自然有序的，但一个包含若干个actor的系统却是高度并发的并且极具扩展性的。因为那些处理线程是所有actor之间共享的。这也是我们为什么不该在actor线程里调用可能导致阻塞的“调用”。因为这样的调用可能会阻塞该线程使得他们无法替其他actor处理消息。

Actor系统

　　一个actor系统是所有actor存活的容器。它也提供一些共享的服务，比如调度，配置，日志记录等。一个actor系统也同时维护着一个为所有actor服务的线程池。多个actor系统可以在一台主机上共存。如果一个actor系统以RemoteActorRefProvider的身份启动，那么它可以被某个远程主机上的另一个actor系统访问。actor系统会自动得识别actor消息被路由到处于同一个actor系统内的某个actor还是处于一个远程actor系统内的actor。如果是本地通信的情况（同一个actor系统），那么消息的传输可以有效得利用共享内存的方式；如果是远程通信，那么消息将通过网络栈来传输。

　　actor基于层次化的组织形式（也就是说它基于树形结构）。每个新创建的actor都将以创建它的actor作为父节点。层次结构有利于监督、管理（父actor管理其子actor）。如果某个actor的子actor产生错误，该actor将会得到通知，如果它有能力处理这个错误，那么它会尝试处理否则它会负责重启该子actor。系统创建的首个actor将托管于系统提供的guardian actor/user。

Flink为什么要用Akka来代替RPC

原先的RPC服务存在的问题：

　　1、没有带回调的异步调用功能，这也是为什么Flink的多个运行时组件需要poll状态的原因，这导致了不必要的延时。
　　2、没有exception forwarding，产生的异常都只能简单地吞噬掉，这使得在运行时产生一些非常难调试的古怪问题
　　3、处理器的线程数受到限制，RPC只能处理一定量的并发请求，这迫使你不得不隔离线程池
　　4、参数不支持原始数据类型（或者原始数据类型的装箱类型），所有的一切都必须有一个特殊的序列化类
　　5、棘手的线程模型，RPC会持续的产生或终止线程

采用Akka的actor模型带来的好处：

　　1、Akka解决上述的所有问题，并对外透明
　　2、supervisor模型允许你对actor做失效检测，它提供一个统一的方式来检测与处理失败（比如心跳丢失、调用失败…）
　　3、Akka有工具来持久化有状态的actor，一旦失败可以在其他机器上重启他们。这个机制在master fail-over的场景下将会变得非常有用并且很重要。
　　4、你可以定义许多call target（actor），在TaskManager上的任务可以直接在JobManager上调用它们的ExecutionVertex，而不是调用JobManager，让其产生一个线程来查看执行状态。
　　5、actor模型接近于在actor上采用队列模型一个接一个的运行，这使得状态机的并发模型变得简单而又健壮

Akka在Flink中的使用

　　Akka在Flink中用于三个分布式技术组件之间的通信，他们是JobClient，JobManager，TaskManager。Akka在Flink中主要的作用是用来充当一个coordinator的角色。

　　JobClient获取用户提交的job，然后将其提交给JobManager。JobManager随后对提交的job进行执行的环境准备。首先，它会分配job的执行需要的大量资源，这些资源主要是在TaskManager上的execution slots。在资源分配完成之后，JobManager会部署不同的task到特定的TaskManager上。在接收到task之后，TaskManager会创建线程来执行。所有的状态改变，比如开始计算或者完成计算都将给发回给JobManager。基于这些状态的改变，JobManager将引导task的执行直到其完成。一旦job完成执行，其执行结果将会返回给JobClient，进而告知用户

　　它们之间的一些通信流程如下图所示：

上图中三个使用Akka通信的分布式组件都具有自己的actor系统。

代码分析

　　当前关于Akka相关的代码，都在runtimemodule下，但实现的代码是Java跟Scala混合的（也许这块的逻辑Flink正在过渡阶段，后续会有更多的逻辑改为用Scala实现）。

　　其中，只有JobClient的Akka代码是用Java实现的。JobManager以及TaskManager跟Akka相关的逻辑以Scala实现。

消息定义

　　1、Messages : 三个分布式组件都会用到的消息定义
　　2、JobClientMessages : JobClient相关的message，将会被org.apache.flink.runtime.client.JobClientActor使用
　　3、JobManagerMessages : JobManager相关的message
　　4、TaskManagerMessages : TaskManager相关的message定义

当然不止这么多消息，还有垂直划分的几种定义，比如:RegistrationMessages用于定义TaskManager和JobManager相关的register消息。

下面我们看看在Java和Scala中，Flink实现的actor的基类。

基类FlinkUntypedActor

　　在Akka提供的Java lib中，实现一个actor通常是靠继承UntypedActor来实现。FlinkUntypedActor也不例外。继承自UntypedActor的类，通常要覆盖onReceive方法，该方法的完整签名如下：

public final void onReceive(Object message) throws Exception {}

然后，通常在这个方法里会判断具体的消息类型，根据不同的消息类型来实现不同的处理逻辑。而在FlinkUntypedActor类中，它先对消息进行一轮验证，过滤掉非法的消息后，再处理各种消息的类型。验证主要是比对sessionID是否合法（即是否等同于leader session id），然后才会调用核心处理逻辑方法handleMessage。该方法是抽象方法，有待子类具体实现，目前只有涉及到JobClient处理的JobClientActor类继承了该类。

由scala实现的FlinkActor几乎具有相同的语义，这里不再啰嗦。

总结

　　本篇主要介绍了Akka，并对Akka在Flink中的使用进行了大致的介绍。其实，就源码而言倒没有太多值得关注的地方，主要还是三个分布式组件之间的通信/协同逻辑，下篇我们会谈这方面的话题。