涤生大数据

Kafka Streams 和 Apache Flink 与数据库和数据湖相比的无状态和有状态流处理的概念和优势。在数据驱动的应用中，流处理的兴起改变了我们处理和操作数据的方式。虽然传统数据库、数据湖和数据仓库对于许多基于批处理的用例来说非常有效，但在要求低延迟、可扩展性和实时决策的场景中，它们显得力不从心。本文以Kafka Streams和Apache Flink为例，探讨无状态和有状态流处理的关键概念。这些原则适用于任何流处理引擎，无论是开源引擎还是云服务引擎。

基于以上wiki服务的报错，一开始怀疑是网络的问题，首先查看了阿里云的网络监控，再次查看了我们的vpn服务监控（因为我们在集群安全防护上，是将所有的主机服务都隐藏在阿里云内网的，学员的对教学环境资源的访问都是需要通过VPN认证登录）还有其他内部服务的访问也都是没有问题的，这足以说明网络上是健康的。），具体查看磁盘的存储文件，发现其他的日志文件也占据不小的存储空间，（简直就是看到了救命稻草），删除此部分文件，应该可以恢复磁盘的正常读写，进而将整体服务拉起来，后面也就迎刃而解了。所有服务恢复正常运行。

​在前的文章中介绍过《CDH集成的kerberos迁移实战》,由此也考虑到kerberos单节点可能引发的线上事故，所有考虑到把线上kerberos服务启用高可用。​