Apache flink Apache Flink资源规划最佳实践

我正在寻找建议/最佳实践，以确定在Flink Cluster上部署流媒体作业所需的最佳资源

资源是

每个TaskManager的任务插槽数

TaskManager的最佳内存分配

最大平行度

这提供了一些关于如何调整大小的想法。它旨在将正在开发的Flink应用程序转移到生产环境中

在此之前，我不知道有哪种资源可以帮助调整大小，因为作业的拓扑结构具有巨大的影响。所以你通常从PoC和低数据量开始，然后推断你的发现

有关内存设置的说明，请参阅。我也会为你的Flink版本使用合适的页面，因为它最近发生了变化

每个任务管理器的任务插槽数

每个TM一个插槽是一个粗略的经验法则作为起点，但您可能希望将TMs的数量保持在100以下，大约。这是因为如果检查点协调器必须管理太多不同的TMs，那么它最终会遇到困难。与基于堆的状态后端相比，使用RocksDB每TM运行大量插槽效果更好，因为使用RocksDB的状态是堆外状态——使用堆上的状态，使用大量插槽运行会增加GC暂停的可能性

最大平行度

---

默认值为128。更改此参数非常痛苦，因为它会被烘焙到每个检查点和保存点中。但是，使其变得比需要的更大需要一些成本（内存/性能）。使其足够大，以便您永远不必更改它，但也不必更改得更大。

在这种情况下，我们是否可以说FS state backend也比基于堆的state backend工作得更好？FS state backend是基于堆的state backend之一。