Flink的应用场景和架构模型

• Flink实际应用场景
  • 实时数据计算
    • 传统分析方式：批查询
    • Flink：批流一体
      数据实时采集、实时计算和下游发送
  • 实时数据仓库和 ETL
    • 状态管理
    • 丰富的API 
      包括 Stream API、Table API 及 Flink SQL；
    • 生态完善
      支持多种存储（HDFS、ES 等）；
    • 批流一体
      一套API既能实现流计算又能实现批计算
  • 事件驱动型应用
    • 高效的状态管理
      自带的 State Backend 可以很好的存储中间状态信息；
    • 丰富的窗口支持
      包含滚动窗口、滑动窗口及其他窗口；
    • 多种时间语义
      支持 Event Time(事件时间）、Processing Time (处理时间)和 Ingestion Time(摄取时间)；
    • 不同级别的容错
      支持 At Least Once 或 Exactly Once 容错级别。​​​
  • 性能：Flink 已经可以扩展到数千核心，其状态可以达到 TB 级别，且仍能保持高吞吐、低延迟的特性。
• Flink 的架构模型
  • Flink 的分层模型
  • Flink 的数据流模型
    • Flink 程序的基础构建模块是流（Streams）与转换（Transformations）
    • 每一个数据流起始于一或多个Source，终止于一或多个Sink
    • 分区、算子任务、并行度
      在 Flink 任务执行期间，每一个数据流都会有多个分区，并且每个算子都有多个算子任务并行进行。算子子任务的数量是该特定算子的并行度（Parallelism），对并行度的设置是 Flink 任务进行调优的重要手段
  • Flink 中的窗口和时间
    • 滚动窗口（Tumbling Window）、滑动窗口（Sliding Window）及会话窗口（Session Window）#重点 这里需要研究一下
    • 事件时间（Event Time）、摄取时间（Ingestion Time）和处理时间（Processing Time）
•