1.Android VNDK/VSDK Snapshot编译框架
2.Flink源码分析——Checkpoint源码分析(二)

Android VNDK/VSDK Snapshot编译框架

       为了解决Android版本碎片化问题，源码引入了Treble架构。源码此架构提供了稳定的源码新SoC供应商接口，并引入了HAL接口定义语言（HIDL/Stable AIDL），源码用于指定vendor HAL 和system框架的源码接口，实现了system框架与Vendor HAL的源码springmvc显示源码解耦，使Vendor Freeze成为可能。源码然而，源码经过调查发现，源码AOSP源码的源码vendor组件有%~%的仓库与system组件耦合，这对架构的源码灵活性和稳定性产生了影响。Google进一步对Treble架构进行演进，源码引入了VNDK和VSDK的源码js call 源码snapshot方案，旨在增强system/vendor组件之间的源码interface化能力。system组件通过预编译形成vendor Snapshot，源码可以提供给不同Android版本的vendor组件使用，这也是Treble方案落地的一个重要环节和基础支撑。

       VNDK提供了对Native库进行划分的概念，以达到管控system/vendor组件之间模块耦合度的目的。主要包括core library、vendor-only(proprietary) library、vendor_available library、vndk library和vndk-sp library。这些类别的划分定义了不同类型的相互耦合程度和使用约束，使得system和vendor组件的茶商城源码功能更加独立。

       VSDK则是在VNDK的基础上进一步扩展，包含了Vendor Snapshot。Vendor Snapshot包括系统源码维护的用于Vendor编译或集成的Native模块集合。这些模块主要由系统库、vendor可用库和vndk模块构成，其中vndk模块的使能与vendor模块的直接使用密切相关。

       Snapshot设计旨在解决system和vendor不同时间、不同版本编译搭配的问题。通过预构建系统侧的库，用于vendor侧的编译，减少对system侧源码的依赖。这可以通过两种方法实现：一种是服装erp 源码将system仓库直接包含在vendor的manifest文件中，使用旧版本的代码；另一种是使用Google的Snapshot设计，由system侧预构建生成vendor所需的内容，用于vendor侧编译。两种方法各有优缺点，前者简单直接，但可能导致vendor代码量增加和编译时间延长；后者代码量更精简，编译时间短，但需要额外的预构建系统支持。

       Snapshot生成流程可以分为三个阶段：Generate Phrase、Install Phrase和Use Phrase。Generate Phrase阶段通过一定的规则从系统侧源代码中产生出vendor image编译依赖的预置编译模块产物。Install Phrase阶段通过py脚本将生成的网站源码easckprebuilt模块安装到指定源码目录，并生成对应Android.bp文件。Use Phrase阶段通过设置BOARD_VNDK_VERSION变量为具体版本号，触发编译系统使用预先生成的Snapshot参与编译。

       VNDK Snapshot生成流程中，生成逻辑在soong/cc/vndk.go中通过定义VndkSnapshotSingleton实现，最终生成的bp文件包含了vndk_prebuilt_shared模块的配置信息，用于vendor侧的编译。VSDK Snapshot的生成逻辑与VNDK类似，主要通过vendor_snapshot.go的GenerateBuildActions方法实现，同样通过设置BOARD_VNDK_VERSION变量进行编译。

       总的来说，VNDK/VSDK Snapshot的引入和设计旨在减少system和vendor组件之间的源码依赖，减少编译依赖，更容易形成Treble基线。这为构建更稳定、更高效的Android生态系统提供了有力支持。

Flink源码分析——Checkpoint源码分析(二)

       《Flink Checkpoint源码分析》系列文章深入探讨了Flink的Checkpoint机制，本文聚焦于Task内部状态数据的存储过程，深入剖析状态数据的具体存储方式。

       Flink的Checkpoint核心逻辑被封装在`snapshotStrategy.snapshot()`方法中，这一过程主要由`HeapSnapshotStrategy`实现。在进行状态数据的快照操作时，首先对状态数据进行拷贝，这里采取的是引用拷贝而非实例拷贝，速度快且占用内存较少。拷贝后的状态数据被写入到一个临时的`CheckpointStateOutputStream`，即`$CHECKPOINT_DIR/$UID/chk-n`格式的目录，这个并非最终数据存储位置。

       在拷贝和初始化输出流后，`AsyncSnapshotCallable`被创建，其`callInternal()`方法中负责将状态数据持久化至磁盘。这个过程分为几个关键步骤：

       获取`CheckpointStateOutputStream`，写入状态数据元数据，如状态名、序列化类型等。

       对状态数据按`keyGroupId`进行分组，依次将每个`keyGroupId`对应的状态数据写入文件。

       封装状态数据的元数据信息，包括存储路径和大小，以及每个`keyGroupId`在文件中的偏移位置。

       在分组过程中，状态数据首先被扁平化并添加到`partitioningSource[]`中，同时记录每个元素对应的`keyGroupId`在`counterHistogram[]`中的位置。构建直方图后，数据依据`keyGroupId`进行排序并写入文件，同时将偏移位置记录在`keyGroupOffsets[]`中。

       具体实现细节中，`FsCheckpointStateOutputStream`用于创建文件系统输出流，配置包括基路径、文件系统类型、缓冲大小、文件状态阈值等。`StreamStateHandle`最终封装了状态数据的存储文件路径和大小信息，而`KeyedStateHandle`进一步包含`StreamStateHandle`和`keyGroupRangeOffsets`，后者记录了每个`keyGroupId`在文件中的存储位置，以供状态数据检索使用。

       简而言之，Flink在执行Checkpoint时，通过一系列精心设计的步骤，确保了状态数据的高效、安全存储。从状态数据的拷贝到元数据的写入，再到状态数据的持久化，每一个环节都充分考虑了性能和数据完整性的需求，使得Flink的实时计算能力得以充分发挥。