Flink External Resource Framework让作业“原生”申请 GPU/FPGA 等外部资源

1. 外部资源框架到底做了什么

整体就两件事：

1）改写资源请求（Resource Request）

• 你在 Flink 配置里声明要什么资源、要多少
• Flink 会把这些外部资源需求映射进底层资源管理系统（Kubernetes/YARN）的容器或 Pod 资源请求中
• 最终确保 TaskManager 所在的容器/Pod 真的带着你要的外部资源启动

2）把“可用资源信息”提供给算子（Operator）

• TaskManager 启动后，由“外部资源驱动（driver）”生成 ExternalResourceInfo（资源信息集合）
• 算子通过 RuntimeContext.getExternalResourceInfos(resourceName) 拿到资源的关键属性（比如 GPU index），然后就可以在算子里绑定对应设备去用

一句话：框架负责“申请 + 告知”，至于“怎么用”取决于具体插件。

2. 适用场景与边界

适合的典型场景

• GPU 推理（TensorRT / ONNX Runtime / PyTorch inference）作为 RichFunction/AsyncFunction 的一部分
• GPU 加速特征工程或向量计算
• 需要 FPGA、专用加速卡的自定义计算
• 同一套作业在 Kubernetes/YARN 上希望“按需申请资源”

当前边界（很关键）

• 外部资源是“机器级/进程级共享”的：同一 TaskManager 上运行的所有算子拿到的 ExternalResourceInfos 目前是同一份集合
• 也就是说：没有 operator 级别的资源隔离（同 TM 内算子理论上能看到同一批 GPU）

如果你希望“每个算子/每个 subtask 独占一张卡”，需要你在算子内部做更严格的绑定策略，或用脚本协调模式避免同机多 TM 抢同一 GPU（后面讲）。

3. 启用流程：三步走

3.1 准备外部资源插件（plugins/）

外部资源通过 Flink 插件机制加载，你需要把对应 jar 放到 Flink 的 plugins/ 目录下的某个子目录中，例如：

• GPU 插件：放到 plugins/external-resource-gpu/（或你自定义目录，但要保证 jar 能被加载）
• 自定义资源插件：创建一个目录，比如 plugins/fpga/，把你打出来的 jar 放进去

插件隔离非常重要：每个 plugin 目录是独立 classloader，避免依赖冲突；同时 SPI（ServiceLoader）文件必须保留（META-INF/services）。

3.2 配置 external-resources 与每个资源的参数

核心配置有两层：

A）先声明启用哪些资源（白名单）

external-resources: gpu;fpga 

只有这里列出来的 <resource_name> 才会生效。

B）为每个资源配置 amount、k8s/yarn 映射、driver、driver 参数
常见配置项含义：

• external-resource.<name>.amount：每个 TaskManager 需要的资源数量
• external-resource.<name>.yarn.config-key：YARN 容器资源 profile 的映射 key（可选）
• external-resource.<name>.kubernetes.config-key：K8s 容器 resources.requests/limits 的 key（可选）
• external-resource.<name>.driver-factory.class：驱动工厂（可选但强烈建议）
  • 不配置也能“申请到资源”，但算子拿不到 ExternalResourceInfo（RuntimeContext 里会没有信息）
• external-resource.<name>.param.<param>：传给驱动工厂的自定义参数（插件自定义解释）

一个包含 GPU+FPGA 的示例：

external-resources: gpu;fpga external-resource.gpu.driver-factory.class: org.apache.flink.externalresource.gpu.GPUDriverFactory external-resource.gpu.amount:2external-resource.gpu.param.discovery-script.args:--enable-coordination-mode external-resource.fpga.driver-factory.class: org.apache.flink.externalresource.fpga.FPGADriverFactory external-resource.fpga.amount:1external-resource.fpga.yarn.config-key: yarn.io/fpga 

3.3 在算子里使用 RuntimeContext 获取资源信息

算子侧用法非常直接：

publicclassExternalResourceMapFunctionextendsRichMapFunction<String,String>{privatestaticfinalString RESOURCE_NAME ="gpu";@OverridepublicStringmap(String value)throwsException{Set<ExternalResourceInfo> infos =getRuntimeContext().getExternalResourceInfos(RESOURCE_NAME);List<String> indices =newArrayList<>();for(ExternalResourceInfo info : infos){ info.getProperty("index").ifPresent(indices::add);// GPU 插件常用属性 key：index}// 这里用 indices 做设备绑定，比如选择一张卡 set CUDA_VISIBLE_DEVICES 或初始化推理引擎return value;}}

每个 ExternalResourceInfo 里有哪些 key，取决于插件实现。你可以用 ExternalResourceInfo#getKeys() 获取完整键集合。

4. Kubernetes / YARN / Standalone：三种环境的差异

4.1 Kubernetes

• K8s 原生通过 Device Plugin 机制提供 GPU/FPGA 等资源（Kubernetes v1.10+ 支持）
• Flink 会把你配置的 kubernetes.config-key 写入 TaskManager 主容器的：
  • resources.requests.<config-key>
  • resources.limits.<config-key>

GPU 的常见 key：

• NVIDIA：nvidia.com/gpu
• AMD：amd.com/gpu（但 Flink 默认 discovery 脚本是 NVIDIA 的，AMD 需要你自己写脚本）

4.2 YARN

• YARN 2.10+ / 3.1+ 开始支持 GPU/FPGA 资源
• Flink 通过 external-resource.<name>.yarn.config-key 把 amount 写进 container resource profile

GPU（YARN）常见 key：

• yarn.io/gpu（注意：YARN 当前通常仅支持 NVIDIA GPU 的调度）

4.3 Standalone

• Standalone 模式没有底层 RM 帮你“保证资源”，你需要管理员在节点上确保外部资源可用（驱动安装、权限、设备可见性等）
• 如果同一台机器上跑多个 TaskManager，GPU 可见性很容易冲突，需要配合 discovery script 的协调模式

5. GPU 插件：最常用也最值得踩坑的一块

Flink 目前官方提供的一方外部资源插件就是 GPU 插件。

5.1 必要配置（GPU）

external-resources: gpu external-resource.gpu.driver-factory.class: org.apache.flink.externalresource.gpu.GPUDriverFactory external-resource.gpu.amount:2# Kubernetesexternal-resource.gpu.kubernetes.config-key: nvidia.com/gpu # YARNexternal-resource.gpu.yarn.config-key: yarn.io/gpu 

5.2 discovery script（GPU 发现脚本）

GPUDriver 会调用 discovery script 来发现可用 GPU，并生成 ExternalResourceInfo，其中关键属性是：

• key = index（GPU 设备 index）

默认脚本路径（NVIDIA）：

external-resource.gpu.param.discovery-script.path: plugins/external-resource-gpu/nvidia-gpu-discovery.sh 

自定义脚本路径（例如 AMD）也可以配置同一个 key。

脚本参数：

external-resource.gpu.param.discovery-script.args:--enable-coordination-mode 

5.3 脚本契约（你写自定义脚本时必须遵守）

• Flink 先把 amount 作为第一个参数传给脚本
• 你配置的 discovery-script.args 会拼在后面
• 脚本输出：用逗号分隔的 GPU index 列表，例如 0,1
• 输出里纯空白 index 会被忽略
• 如果发现失败或数量不足：脚本返回非 0 exit code，Flink 将不会向算子提供 gpu 信息（RuntimeContext 拿不到）

5.4 协调模式：解决“同机多 TM 抢同一 GPU”

Standalone 下经常同机部署多个 TaskManager，此时所有 TM 默认都能看到同一批 GPU（nvidia-smi 可见），很容易“多进程抢同一张卡”。

默认脚本提供 coordination mode：

• --enable-coordination-mode：启用协调
• --coordination-file <path>：协调文件路径（默认 /var/tmp/flink-gpu-coordination）

它能保证：同一个 Flink 集群内，同机多个 TaskManager 不会分到同一张 GPU。

但要注意两点：

• 只在“同一协调文件范围内”有效：另一个 Flink 集群如果用不同 coordination file，仍可能抢同一 GPU
• 非 Flink 应用也可能用同一 GPU，这个模式无法防住

6. 自定义资源插件：你要支持 FPGA/自研加速卡怎么做

你需要实现三件套：

1）ExternalResourceDriver

• retrieveResourceInfo(long amount)：返回 ExternalResourceInfo 集合（你定义的资源维度）

2）ExternalResourceDriverFactory

• createExternalResourceDriver(Configuration config)：从配置创建 driver

3）SPI 服务声明（非常关键）

• 在 jar 内创建文件：
  • META-INF/services/org.apache.flink.api.common.externalresource.ExternalResourceDriverFactory
• 文件内容写你的 factory 全类名，例如：
  • your.domain.FPGADriverFactory

示例骨架：

publicclassFPGADriverimplementsExternalResourceDriver{@OverridepublicSet<ExternalResourceInfo>retrieveResourceInfo(long amount){// 发现并返回 FPGA 信息集合returnSet.of(/* ... */);}}publicclassFPGADriverFactoryimplementsExternalResourceDriverFactory{@OverridepublicExternalResourceDrivercreateExternalResourceDriver(Configuration config){returnnewFPGADriver();}}publicclassFPGAInfoimplementsExternalResourceInfo{@OverridepublicOptional<String>getProperty(String key){// 根据 key 返回属性，比如 "device", "pci", "address" 等returnOptional.empty();}@OverridepublicCollection<String>getKeys(){returnList.of("device","pci","address");}}

打包成 jar 丢到 plugins/fpga/，然后在 flink-conf.yaml 里按 <resource_name> 配置启用即可。

7. 排障清单：最常见的 6 个“为什么拿不到 GPU”

1）external-resources 没写 gpu（或资源名拼错）
2）插件 jar 没放到 plugins/ 下正确目录（或目录里缺依赖）
3）没配置 driver-factory.class，导致算子侧拿不到 ExternalResourceInfo
4）K8s 没装 NVIDIA device plugin（Pod 根本拿不到 GPU）
5）discovery script 不可执行 / 路径不对 / 返回非 0
6）Standalone 同机多 TM 没开协调模式，导致资源冲突看似“有卡但不可用”

8. 最佳实践建议

• 先明确“资源申请”和“资源绑定”是两步：申请解决“容器是否带卡”，绑定解决“算子用哪张卡”
• GPU 推理算子里要做设备亲和：基于 index 决定 CUDA_VISIBLE_DEVICES 或引擎初始化参数
• Standalone 同机多 TM 建议默认开 coordination mode
• 生产上尽量用 Kubernetes/YARN 去做资源保证，Standalone 只适合可控环境
• 由于没有 operator 级隔离，最好避免在同一 TM 内多个算子“各自随便挑卡”，要统一策略（例如只由一个算子管理 GPU worker）