Day 19-20：常见线上故障
1. CK 超时
现象：Flink UI → Checkpoints 页面显示 CK 失败，原因 Checkpoint expired
排查步骤：
1. 查看 CK 耗时（哪个算子 CK 时间最长？）
Flink UI → Job → Checkpoints → Latest Failed Checkpoint → 展开看每个 SubTask 耗时
2. 常见原因：
- 某算子状态太大，序列化到 HDFS 慢（看 Checkpoint Alignment Duration）
- 任务本身反压严重，Barrier 传播被阻塞
- HDFS 写入慢（GC、磁盘满、网络慢）
解决：
| 原因 | 解决 |
|---|---|
| 状态大 | 切换 RocksDB + 开启增量 CK |
| 任务有反压 | 先解决反压（参考 Day 16-18） |
| CK 超时设置太短 | 增大 checkpoint-timeout（建议 > 2倍CK间隔） |
| Barrier 对齐耗时长 | 开启非对齐 CK（at-least-once 语义） |
// 非对齐 CK（牺牲精准一次，换取 CK 速度，适合有反压时）
env.enableCheckpointing(60_000L, CheckpointingMode.AT_LEAST_ONCE);
// 或
ckConfig.转载自CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/huangrunxing/article/details/158660926
