一、

在日常的Flink应用开发上线流程中。我们通常会基于生产数据流量的评估进行资源参数设置与性能测试，测试准出后才去进行生产上线。其实，只是实际的生产业务流量往往呈现出明显的 "潮汐效应"-白天流量高峰，夜间流量低谷，传统的静态资源配置方式面临着两大无法调和的痛点：

• 资源利用率低这方面。为了应对峰值流量，不得不预留大量冗余资源，导致平时资源利用率普遍低于 %，造成巨大的成本浪费。
• 性能瓶颈与故障风险：当突发流量超过预留资源时会导致作业出现严重的反压、延迟增加甚至崩溃，直接影响业务可用性。

针对上述痛点。Flink 的扩缩容能力因为版本迭代，也经历了一个从无到有、从手动到自动的演进过程。

二、Flink扩缩容方案详解

Flink扩缩容的本质是改变“可用的 Slot 数量”与“算子的并行度”之间的匹配关系。从调整粒度来看，有两条方法：

• 调整 TaskManager 数量：通过增减 TaskManager 来改变 Slot 总供给。怎么说呢，
• 调整算子并行度：不改变 TM 数量。而是在 Slot 总供给不变的前提下每个算子的并行度设定。

.传统手动扩缩容方案

说到主要机制，停止作业 → 创建 savepoint → 以新并行度重启作业。

# . 触发 savepointflink savepoint # . 停止作业flink cancel # . 从 savepoint 重启并指定新并行度flink run -d -s -p

官方之前提供了flink modify命令，可以将上述三个步骤合并为一个命令：