您可以在作业启动前配置作业资源或者作业上线后修改作业资源，支持基础模式（粗粒度）和专家模式（细粒度）两种资源模式。本文为您介绍如何配置作业资源，以及两种资源模式下的参数信息。
注意事项
资源配置后，需重启作业才能生效。
操作步骤
进入资源配置入口。
登录实时计算控制台。
单击目标工作空间操作列下的控制台。
在作业运维页面，单击目标作业名称。
在部署详情页签，单击资源配置区域右侧的编辑。
修改作业资源信息。
支持基础模式（粗粒度）和专家模式（细粒度）两种资源配置模式。
资源模式
说明
配置参数说明
基础模式
粗粒度是一种静态资源分配方式，您只需要给定每个TM启动所需要的总资源（CPU和JVM总内存），系统会根据每个TaskManager Slot数（即flink conf taskmanager.numberOfTaskSlots）均匀分配所有资源。对于大多数简单作业，粗粒度即可满足要求。
专家模式
细粒度是一种动态资源分配方式，您可以配置每个Slot共享组（Slot Sharing Group，SSG）所需要的资源，Flink会计算出每个Slot需要的资源规格大小，动态的从可用资源池去申请完全匹配的TM和Slot。对于复杂作业，粗粒度可能导致资源利用率低，因此需要细粒度资源对每个算子进行精细资源控制，从而提高资源使用率，满足作业吞吐的要求。
说明仅SQL作业支持配置专家模式。
关于TM、JM、Task或Slot等概念，详情请参见Apache Flink Architecture。
单击保存。
重启作业。
作业资源配置后，需重启作业才能生效。
基础模式（粗粒度）
配置项 | 说明 |
并发度 | 作业全局并发数。 |
JobManager CPU | 根据Flink最佳实践，单个JM内存资源需要至少配置为0.5 Core和2 GiB，才能保证作业稳定运行。建议您配置为1 Core和4 GiB。最大值为16 Core。 |
JobManager Memory | 单位为GiB，最小值为2 GiB，最大值为64 GiB。 |
TaskManager CPU | 根据Flink最佳实践，单个TM内存资源需要至少配置为0.5 Core和2 GiB，才能保证作业稳定运行。建议您配置为1 Core和4 GiB。最大值为16 Core。 |
TaskManager Memory | 单位为GiB，最小值为2 GiB，最大值为64 GiB。 |
每个TaskManager Slot数 | 请填写TM的Slot数。 |
您可以根据以下公式进行推算：
作业所配置的CU数 = MAX（JM和TM的CPU总和, JM和TM的内存总和/4）。
每个作业所需IP数 = JM数（每个作业只有一个）+实际TM数。
实际TM数= MAX（⌈总CPU数/TM的CPU默认最大值⌉，⌈总内存数/TM的内存默认最大值⌉）。
总CPU数=设置的并发度/设置的每个TaskManager Slot数*设置的单个TM CPU。
总内存数=设置的并发度/设置的每个TaskManager Slot数*设置的单个TM的内存。
TM的CPU默认最大值为16 Core。
TM的内存默认最大值为64 GiB。
实际每个TM上可分配的slot数 = ⌈设置的并发数/实际TM数⌉。
例如，当并发度设置为80，每个TM Slot数设置为20，每个TM CPU设置为22 Core，每个TM 内存设置为30 GiB时，配置如下图所示。
在Flink开发控制台，您会看到实际的TaskManager数为6，每个TaskManager Slot数为14。
实际的TM数和每个TM的Slot数的推算过程如下：
实际TM数 =MAX（⌈总CPU数/TM的CPU默认最大值⌉，⌈总内存数/TM的内存默认最大值⌉）= MAX（⌈设置的并发数/单个TM的Slot数量*设置的单个TM CPU/16⌉，⌈设置的并发数/单个TM的Slot数量*设置的单个TM的内存/64⌉）= MAX（⌈80/20*22/16⌉，⌈80/20*30/64⌉）= MAX（⌈88/16⌉，⌈120/64⌉）= MAX（6，2） = 6。
实际TM的Slot数=⌈并发数/实际TM数⌉ = ⌈80/6⌉=14。
实际TM的推算逻辑需要您设置的TM的CPU和内存大于其最大默认值，才可有效。
计算比值需分别向上取整。
如果您需要提高默认TM内存和CPU的最大值，请您提交工单。
您也可以在作业部署详情页签运行参数配置区域的其他配置中设置numberOfTaskSlots参数，和界面配置每个TaskManager Slot数作用相同，但优先级更高。
专家模式（细粒度）
仅SQL作业支持配置专家模式。
配置基础资源
配置项 | 说明 |
JobManager CPU | 根据Flink最佳实践，单个JM内存资源需要至少配置为0.25 Core和1 GiB，才能保证作业稳定运行，最大值16 Core。 |
JobManager Memory | 单位为GiB，例如，4 GiB。最小值为1 GiB，最大值64 GiB。 |
每个TaskManager Slot数 | 无。 |
配置Slot资源
在专家模式下，单击立刻获取，获取资源计划图。
单击Slot框上的
图标。
修改Slot配置信息。
此处设置的并发数为该Slot共享组内所有算子的统一并发数。设置完成后，系统将自动进行以下操作：
系统将自动为该Slot共享组内的所有算子设置相同的并发数。
系统会根据作业的计算逻辑按需自动生成Statebackend、Python和Operator所需的内存，无需您手动进行配置。
建议Source节点并发度和分区数成比例，即并发度数能整除分区数。例如Kafka有16个分区，则并发度建议设置为16、8或4，这样可以避免数据倾斜。同时Source节点的并发度不宜设置太小，避免一个Source需要读取太多数据，导致出现入口瓶颈，影响作业吞吐。
建议按需配置除Source外的其他节点的并发度。流量大的节点，并发设置大一些；流量小的节点，并发设置小一些。
建议在有明确异常或者需求时，再调整Heap Memory和Off-heap Memory的大小，例如作业出现OOM或严重GC等。因为在作业正常运行时，调整Heap Memory和Off-heap Memory的大小，不会明显改变作业的吞吐量。
说明单击确定。
配置算子资源
默认情况下，所有算子都放在一个Slot共享组内，因此您无法为每个算子单独修改资源配置。如果您需要对单独的算子设置资源，需要开启多SSG模式后让每个算子有自己独立的Slot，这样就可以直接在对应的Slot上设置算子的资源。具体的算子资源设置步骤如下：
在作业部署详情页签资源配置区域，单击编辑后，资源模式选择为专家模式。
（可选）如果暂无资源计划，单击立刻获取。
打开多SSG模式开关后，单击重新生成。
此时一个共享组内的算子被拆分为单个Slot。
单击目标算子对应Slot框上的
图标后，修改算子资源。
单击确定。
配置算子并发、Chain策略和TTL
仅实时计算引擎VVR 8.0.7及以上版本支持配置算子TTL。
支持配置单个算子的并发数、Chaining策略和算子State过期时间（TTL）。
单击目标VERTEX框上的
展开VERTEX。
说明您可以单击目标VERTEX上的
图标，批量设置对应VERTEX下的算子并发数。单击算子的
图标。
配置算子资源。
参数说明如下：
参数
说明
并发数
对应算子的并发数。
Chaining策略
Chain是指多个算子被连接在一起形成的逻辑计算链。它能够提高作业的执行效率和性能，减少数据在算子之间的传输和序列化开销。不过有时可能需要将Chain断开，以便更好地控制作业的执行流程和性能。支持配置策略如下：
ALWAYS（默认值）：算子始终可以和上下游算子Chain一起。
HEAD：当前算子作为Chain的头节点，只和上游算子断开Chain，下游节点仍和当前算子Chain在一起。
NEVER：当前算子不会与上下游算子进行Chain。
算子State过期时间设置（TTL）
支持设置秒、分钟、小时和天为单位的过期时间。默认为作业的过期时间（未设置过期时间的作业默认为1.5天，作业过期时间配置请参见运行参数配置）。
说明仅实时计算引擎VVR 8.0.7及以上版本支持。
仅有状态算子支持配置过期时间。
单击确定。
相关文档
资源优化技巧，详情请参见高性能Flink SQL优化技巧。
如果不想手动调节资源，可以使用自动调优，系统会自动完成资源调节，详情请参见配置自动调优。
作业的基础配置、运行参数配置和日志配置，详情请参见配置作业部署信息。
您可以通过Flink Advisor作业智能诊断服务帮您监控作业健康状况，详情请参见作业智能诊断。