Flink提供了可以恢复数据流应用的到一致状态的容错机制，确保在发生故障，程序的每一条记录只会作用于状态一次（exactly-once）.

这套容错机制通过持续创建分布式数据流的快照来实现，对于状态占用空间小的流应用。这些快照非常轻量化。可以高频的创建对流的性能影响非常小。这个状态保存在一个可配置的环境。

当遇到故障时，flink会停止分布式数据流。系统会重启所有的operator,重至到最近成功的checkpoint。输入重置相应的状态快照位置，来保证重置位置的正确性。

Flink分布式快照的核心之一是数据栅栏，这些barrier被插入数据流，作为数据流数据的一部分，barrier不会干扰正常的数据流，一个barrier会把数据分割成两个部分，一部分进入当前快照，另一部分进入下一个快照。每个barrier都带有快照的id，并且 barrier 之前的数据都进入了此快照。多个barrier会出现数据流中，也就是会产生多个快照。

当barrier在source源头插入时，当快照 n的barrier插入时，系统就会记录当前快照的位置。然后barrier接着往下流到，但一个operator从输入流接收到所有快照 n的标示的barrier时，他会向所有的输出流插入一个标示为快照 n 的barrier.当sink operator接受到所有的快照 n，他会向the checkpoint coordinator 确认 snapshot n 已完成。当所有的sink都确认这个快照时，就完成。