Flink应用场景分析

在数据剧增的今天，大数据技术也越来越被大家重视，而作为实时流计算的代表性框架之一，Flink在近几年的发展趋势无疑也是惊人的，一方面是Flink社区的活跃度，另一方面是Flink在大数据计算上的优异表现，都让我们知道，Flink落地应用的潜力所在。今天我们就主要来了解下Flink应用场景分析。

Flink的提出，本身就是针对于实时流计算的，因为之前的无论是Hadoop框架还是Spark框架，都不能算是真正意义上的实时流计算处理引擎，只有Flink，实现了毫秒级低延迟的实时流数据计算。

Flink落地应用场景主要有三类：Event-driven Applications（事件驱动）、Data Analytics Applications（数据分析）、Data Pipeline Applications（管道式ETL）。

以事件驱动来说，其执行流程：
采集的数据Events可以不断的放入消息队列，Flink应用会不断ingest（消费）消息队列中的数据，Flink应用内部维护着一段时间的数据（state），隔一段时间会将数据持久化存储（Persistent sstorage），防止Flink应用死掉。Flink应用每接受一条数据，就会处理一条数据，处理之后就会触发（trigger）一个动作（Action），同时也可以将处理结果写入外部消息队列中，其他Flink应用再消费。
典型的事件驱动类应用，包括欺诈检测(Fraud detection)、异常检测(Anomaly detection)、基于规则的告警(Rule-based alerting)、业务流程监控(Business process monitoring)、Web应用程序(社交网络)等。
而数据分析应用，包含Batch analytics（批处理分析）和Streaming analytics（流处理分析）。
批处理分析，可以理解为周期性查询：比如Flink应用凌晨从Recorded Events中读取昨天的数据，然后做周