Fluxo de processamento no Flink

Question

Preciso processar mensagens da seguinte maneira:

1. cada mensagem deve passar inalterada por todos os processos.
2. se o processo detectar uma correspondência de padrão, uma cópia da mensagem deverá ser passada para outro encadeamento.

streamIn -> process1 -> process2 -> .... -> processN
                 \         |                /
                  \        |               /
                     sink to kafka

Tentei usar OutputTag

 OutputTag<SysmonPartial> filtersOutput = new OutputTag<SysmonPartial>("FiltersOutput"){};

 DataStream<SysmonPartial> kafkaSource = env.addSource(consumer);

        DataStream<SysmonPartial> source = kafkaSource.rebalance();

        SingleOutputStreamOperator<SysmonPartial> s = source
                .process(lambda1).name("lambda1").startNewChain()
                .process(lambda2).name("lambda2").startNewChain()
                .process(lambda3).startNewChain()
                .process(lambda4).startNewChain()
                .process(lambda5).startNewChain()
                .process(lambda6).startNewChain()
                .process(lambda7).startNewChain();

        SingleOutputStreamOperator<Any> output = s
                .getSideOutput(filtersOutput)
                .process(filterProcessFunction).setParallelism(1).startNewChain();

        output.addSink(sink).setParallelism(1);

        env.execute(jobName);

onde lambda 1, 2, etc. são funções de verificação de condição, por exemplo

public class Bypass_WS_01_03 extends FilterTagFuction<SysmonPartial, SysmonPartial, SysmonPartial> {
    private static final Pattern p_1 = Pattern.compile("pattern1");
    private static final Pattern p_0 = Pattern.compile("pattern2");

    @Override
    public void processElement(SysmonPartial t, Context ctx, Collector<SysmonPartial> out) throws Exception {
        out.collect(t);
        if (
                "1".equals(t.B_VendorEventID) &&
                        t.CommandLine != null && t.CommandLine.length() != 0 && p_0.matcher(t.CommandLine).find() &&
                        t.ImageName != null && t.ImageName.length() != 0 && p_1.matcher(t.ImageName).find()
        ) {
            t.RuleId = "Bypass_WS_01_03";
            ctx.output(getOutputTag(), t);
        }
    }
}

Mas por algum motivo não funciona para mim, talvez existam alguns outros métodos? Pelo que entendi da documentação (https://ci.apache.org/projects/flink/flink-docs-stable/dev/stream/side_output.html), OutputTag é usado para criar mensagens adicionais marcadas com Tag. Ou eu estou errado?

Answer 1

A maneira como você conectou seu gráfico de trabalho significa que no final do trabalho você acessa a saída lateral

SingleOutputStreamOperator<Any> output = s
    .getSideOutput(filtersOutput)

você está recebendo apenas a última função de processo colocada na saída lateral - ou seja, apenas os eventos emitidos por lambda7.

O que eu acredito que você pretende fazer pode ser expresso como

SingleOutputStreamOperator<...> s1 = source.process(lambda1).name("lambda1");
SingleOutputStreamOperator<...> s2 = s1.process(lambda2).name("lambda2");
SingleOutputStreamOperator<...> s3 = s2.process(lambda3);
...

DataStream<...> side1 = s1.getSideOutput(filtersOutput);
DataStream<...> side2 = s2.getSideOutput(filtersOutput);
DataStream<...> side3 = s3.getSideOutput(filtersOutput);
...

SingleOutputStreamOperator<Any> output = side1.union(side2, side3, ...)
    .process(filterProcessFunction)
    ...

Além disso, não acredito que você deva usar startNewChain()(o que desativa o encadeamento de operadores). O encadeamento do operador é uma otimização valiosa e só deve ser desativado em circunstâncias especiais.