Hi, 家锹 你应该使用了 pipelined region 的 Failover Strategy，这种模式下会将作业划分为多个 region，每次故障恢复只重启涉及到的 region. 单台机器故障时，如果多个 region 的 task 同时部署在这台机器上，那这些涉及到的 region 都会触发 failover，以至于达到了 FailureRateRestartStrategy 配置的重启上限，导致作业退出。
至于主动 kill TaskManager 作业重启而不退出，应该和 TaskManager 上运行的 Task 数量相关。 可以参考社区文档：https://nightlies.apache.org/flink/flink-docs-release-1.14/docs/ops/state/task_failure_recovery/#restart-pipelined-region-failover-strategy > 2022年3月1日 上午10:34，刘 家锹 <ljq1120799...@outlook.com> 写道： > > 你好，伙伴们 > 我们最近碰到一个关于FailureRateRestartStrategy策略的问题，有点困惑。情况是这样子的： > > Flink版本：0.10.1 > 部署方式： on Yarn > FailureRateRestartStrategy配置：failuresIntervalMS=60000,backoffTimeMS=15000,maxFailuresPerInterval=4 > > 当时我们hadoop集群的一台机器假死卡住，而Flink任务的TaskManager就运行在这台机器上。机器故障时，JobManager收到了heartbeat超时异常，从日志上看是连续抛出的4次超时异常（每个异常抛出时间间隔10ms左右）。紧接着就打印触发了FailureRateRestartStrategy策略上限，把整个Flink任务退出了。 > 据我从文档所了解，当TaskManager异常，JobManager应该首先尝试起一个新的TaskManager，再尝试重启恢复任务。但从当时的日志来看并没有。 > 奇怪的是，如果我测试直接kill掉TaskManager的话，是会触发作业重启的。 > > 有点困惑，希望能得到社区伙伴们的帮助，感谢 > 日志都贴到附件上了
