Flink 运维监控与指标采集实战

一、引言：实时任务为什么必须监控？

在实时任务中，任务失败、数据延迟、资源瓶颈往往并非由明显的代码异常引发，而是隐蔽地潜藏在：

• Kafka 积压无告警

• Flink Checkpoint 卡顿却无人知晓

• 反压、TaskManager 内存 OOM 未实时感知

为了保障业务 SLA、高可用与可观测性，构建完善的 Flink 运维监控体系势在必行。

二、Flink 自带的指标体系概览

Flink 提供了丰富的内部指标（Metrics System），可通过 MetricsReporter 采集至外部系统（如 Prometheus、InfluxDB、JMX 等）：