flink 应用场景（实时处理dataflow）

前言

   Flink 的定位是一个大数据流式处理引擎，处理流式数据（Data Flow）。数据并不是收集好的，而是像水流一样，是一组有序的数据序列，逐个到来、逐个处理。由于数据来到之后就会被即刻处理，具有良好的实时性。Flink 适合的场景，就是需要实时处理数据流的场景

---

1. 电商和市场营销

举例：实时数据报表、广告投放、实时推荐
  在电商行业中，网站点击量是统计 PV(页面访问量，即PageView)、UV(独立访客，即Unique Visitor)的重要来源。网站获得的点击数据可能是连续且不均匀的，还可能在同一时间大量产生，这是典型的数据流。
  如果把它们全部收集起来，再去分析处理，就会面临很多问题：首先，需要很大的空间来存储数据；其次，收集数据的过程耗去了大量时间，统计分析结果的实时性就大大降低了；另外，分布式处理无法保证数据的顺序，如果只以数据进入系统的时间为准，可能导致最终结果计算错误。
   Flink 就可以做到直接处理数据流。

---

2. 物联网（IOT）

举例：传感器实时数据采集和显示、实时报警，交通运输业
  物联网是流数据被普遍应用的领域。各种传感器不停获得测量数据，并将它们以流的形式
传输至数据中心。而数据中心会将数据处理分析之后，得到运行状态或者报警信息，实时地显示在监控屏幕上。所以在物联网中，低延迟的数据传输和处理，以及准确的数据分析通常很关键。
  交通运输业也体现了流处理的重要性。比如说，如今高铁运行主要就是依靠传感器检测数
据，测量数据包括列车的速度和位置，以及轨道周边的状况。这些数据会从轨道传给列车，再从列车传到沿途的其他传感器；与此同时，数据报告也被发送回控制中心。因为列车处于高速行驶状态，因此数据处理的实时性要求是极高的。如果流数据没有被及时正确处理，调整意见和警告就不能相应产生，后果可能会非常严重。

---

3. 物流配送和服务业

举例：订单状态实时更新、通知信息推送
  在很多服务型应用中，都会涉及订单状态的更新和通知的推送。这些信息基于事件触发，不均匀地连续不断生成，处理之后需要及时传递给用户。这也是非常典型的数据流的处理。

---

4. 银行和金融业

举例：实时结算和通知推送，实时检测异常行为
  银行和金融业是另一个典型的应用行业。用户的交易行为是连续大量发生的，银行面对的
是海量的流式数据。由于要处理的交易数据量太大，以前的银行是按天结算的，汇款一般都要隔天才能到账。所以有一个说法叫作“银行家工作时间”，说的就是银行家不仅不需要 996，甚至下午早早就下班了：因为银行需要早点关门进行结算，这样才能保证第二天营业之前算出准确的账。这显然不能满足快速交易的需求。在全球化经济中，能够提供 24 小时服务变得越来越重要。现在交易和报表都会快速准确地生成，跨行转账也可以做到瞬间到账，还可以接到实时的推送通知。这就需要能够实时处理数据流。
另外，信用卡欺诈的检测也需要及时的监控和报警。一些金融交易市场，对异常交易行为的及时检测可以更好地进行风险控制；还可以对异常登录进行检测，从而发现钓鱼式攻击，从而避免巨大的损失

---