Flink运行时架构解析主要包括以下三个方面的内容。
1.运行时组件
Flink运行时组件有四个：JobManager、TaskManager、ResourceManager和Dispatcher。
1.1.JobManager——作业管理器
JobManager有以下四项职能：
（1）JobManager控制一个应用程序执行的主进程，也就是说，每个饮用程序都会被一个不同的JobManager所控制执行。
（2）JobManager会先接收要执行的应用程序，这个应用程序会包括：作业图(JobGraph)、逻辑数据流图(logical dataflow graph)和打包了所有类、库和其他资源的jar包。
（3）JobManager会把JobGraph转换成一个物理层面的数据流图，这个图被叫做“执行图(ExecutionGraph)”，包含了素有可以并发执行的任务。
（4）JobManager会向资源管理器(ResourceManager)请求执行任务必要的资源，也就是任务管理器(TaskManager)上的插槽(slot)。一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的TaskManager上。而在这个运行过程中，JobManager会负责所有需要中央协调的操作，比如说检查点(checkpoint)的协调。
1.2.TaskManager——任务管理器
TaskManager有以下职能：
（1）Flink中的工作进程。通常在Flink中会有多个TaskManager运行，每一个TaskManager都包含一定数量的插槽(slots)。插槽的数量限制了TaskManager能够执行的任务数量。
（2）启动之后，TaskManager会向资源管理器注册它的插槽；收到资源管理器的指令，TaskManager就会将一个或者多个插槽提供给JobManager调用。JobManager就可以向插槽分配任务(tasks)来执行了。
（3）在执行过程中，一个TaskManager可以跟其他运行同一应用程序的TaskManager交换数据。
1.3.ResourceManager——资源管理器
ResourceManager主要有以下职能：
（1）主要负责管理任务管理器(TaskManager)的插槽(slot)，TaskManager插槽是Flink中定义的处理资源单元。
（2）Flink为不同的环境和资源管理器工具提供了不同资源管理器，比如YARN、Mesos、K8s、以及standalone部署。
（3）当JobManager申请插槽资源时，ResourceManager会将有空闲插槽的TaskManager分配给JobManager。如果ResourceManager没有足够的插槽来满足JobManager的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器。
1.4.Dispatcher——分发器
Dispatcher有以下职能：
（1）它可以跨作业运行，为应用提交提供Restful API。
（2）当一个应用被提交执行时，分发器就会启动并将应用移交给一个JobManager。
（3）Dispatcher也会启动一个WebUI，用来方便地展示和监控作业执行的信息。
（4）Dispatcher在架构中可能并不是必须的，这取决于应用提交运行的方式。
2.任务提交流程
任务提交流程如下图所示：
yarn的per-job-cluster模式下，任务提交流程图如下所示：
并行度：parallelism，一个特定蒜子的自任务(subtask)的个数。一般情况下，一个stream的并行度，可以认为是其所有蒜子中最大的并行度。每一个算子都可以设置并行度。并行度的优先级为：默认配置<集群配置<任务配置<算子配置。
Flink中每一个TaskManager都是一个JVM进程，它可能在独立的线程上执行一个或多个子任务。为了控制一个TaskManager能接收多少个task，TaskManager通过task slot来进行控制，一个TaskManager至少有一个slot。默认情况下，Flink允许子任务共享slot，即使他们是不同任务的子任务。这样的结果是，一个slot可以保存作业的整个管道。Task slot是静态的概念，是指TaskManager具有的并发执行能力。
taskmanager.numberOfTaskSlots：每个TaskManager中slot的数量，推荐使用CPU核数。
parallelism.default：并行度，默认为1。
3.程序与数据流
所有的Flink程序都由三部分组成：Source、Transformation和Sink。Source负责读取数据源；Transformation利用各种算子进行处理加工；Sink负责输出。和spring-batch类似。
运行时，Flink上运行的程序会被映射成dataflows，每个dataflow以一个或多个Source开始，以一个或多个Sink结束。dataflow类似任意的有向无环图(DAG)。程序中的转换运算(transformations)跟dataflow中的算子(operator)是一一对应的关系。
3.1.程序执行阶段
Flink中任务的执行图可分为四层：StreamGraph—>JobGraph—>ExecutionGraph—>物理执行图。
3.1.1.StreamGraph
StreamGraph是根据用户通过Stream API编写的代码生成的最初的图，用来表示程序拓扑。
3.1.2.JobGraph
JobGraph是StreamGraph经过优化后生成的，是提交给JobManager的数据结构。主要的优化为：将多个符合条件的节点chain在一起作为一个节点。
3.1.3.ExecutionGraph
ExecutionGraph是JobManager根据JobGraph生成的，是JobGraph的并行化版本，是调度最核心的数据结构。
3.1.4.物理执行图
物理执行图是JobManager根据ExecutionGraph对Job进行调度后，在各个TaskManager傻姑娘部署Task后形成的“图”，并不是一个具体的数据结构。
3.2.算子间数据传输
算子之间传输数据的形式可以是one-to-one(forwarding)的模式，也可以是redistributing的模式。
one-to-one：stream维护着分区以及元素的顺序。比如map、filter、flatMap等。
redistributing：stream的分区会发生改变，每个算子的子任务一句所选择的transformation发送数据到不同的目标任务。类似于spark中的shuffle过程。