我们正在kubernetes和azure上运行一个5节点的flink集群（每个8gbram，总共40个插槽）。我们正在运行四个作业，所有作业都使用来自kafka的数据（每个作业在不同的消费群体上）。几天前，随着数据负载的增加，我们将producer移到5个kafka分区上生成数据，并将作业并行性移到5个。从那时起，我们的一个任务管理器时不时（平均每小时）出现以下异常：

NFO|N||-|||Flink-4jc| 2019-01-22 16:00:32,032 Task:917 - org=[] - Map (2/5) (949a8349e7bdcf3fe3b8f992f52d249c) switched from RUNNING to FAILED.
org.apache.flink.runtime.io.network.partition.PartitionNotFoundException: Partition 86656e59799eb529f24bac704ea06790@b1955e1a072e3b2f9e1f969fea509841 not found.
        at org.apache.flink.runtime.io.network.partition.consumer.RemoteInputChannel.failPartitionRequest(RemoteInputChannel.java:273)
        at org.apache.flink.runtime.io.network.partition.consumer.RemoteInputChannel.retriggerSubpartitionRequest(RemoteInputChannel.java:182)
        at org.apache.flink.runtime.io.network.partition.consumer.SingleInputGate.retriggerPartitionRequest(SingleInputGate.java:400)
        at org.apache.flink.runtime.taskmanager.Task.onPartitionStateUpdate(Task.java:1293)
        at org.apache.flink.runtime.taskmanager.Task.lambda$triggerPartitionProducerStateCheck$1(Task.java:1150)
        at java.util.concurrent.CompletableFuture.uniWhenComplete(CompletableFuture.java:760)
        at java.util.concurrent.CompletableFuture$UniWhenComplete.tryFire(CompletableFuture.java:736)
        at java.util.concurrent.CompletableFuture$Completion.run(CompletableFuture.java:442)
        at akka.dispatch.TaskInvocation.run(AbstractDispatcher.scala:39)
        at akka.dispatch.ForkJoinExecutorConfigurator$AkkaForkJoinTask.exec(AbstractDispatcher.scala:415)
        at scala.concurrent.forkjoin.ForkJoinTask.doExec(ForkJoinTask.java:260)
        at scala.concurrent.forkjoin.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.java:1339)
        at scala.concurrent.forkjoin.ForkJoinPool.runWorker(ForkJoinPool.java:1979)
        at scala.concurrent.forkjoin.ForkJoinWorkerThread.run(ForkJoinWorkerThread.java:107)

例外情况发生在不同的任务和不同的作业上。我读过以下帖子：http://apache-flink-user-mailing-list-archive.2336050.n4.nabble.com/partitionnotfoundexception-when-running-in-yarn-session-td16081.html 这给了我一些可能导致异常的提示，但在我的例子中，我仍然无法找出导致异常的原因（增加超时和网络缓冲区大小没有帮助，我不明白为什么jar文件的大小很重要）
有人能告诉我如何调查发生了什么，我应该打开什么日志，要更改什么配置等等吗？如果需要其他细节，我很乐意提供。
谢谢！