导读：最近，笔者有幸受邀参加了由OSCHINA举办的《高手问答》活动。在第250期项目中，笔者有关实时流计算技术的一些问题与读者进行了互动。在一问一答的过程中，笔者发现大家对“流”这种计算模式还是非常感兴趣的。因此，笔者想再将这些问题的核心知识点做些归纳总结。

作者：周爽

来源：华章计算机（hzbook_jsj)

时至今日，当我们谈论起流计算技术时，已经不可避免地会讨论Flink了。Flink在其官网上，开宗明义地对Flink的定义是“构建在流数据上的有状态计算”。

图1Flink：构建在流数据上的有状态计算

所以，Flink的核心概念有两点：一是流数据，二是有状态计算。正是这两点，让笔者将Flink推崇为真正理解“流”这种计算模式的第一框架。

什么是“流数据”？究其本质，是对数据在“时间”维度的管理。而什么又是“有状态计算”？再究其本质，是对数据在“空间”维度的管理。一个“时间”，一个“空间”，足以让Flink框架解决“流”计算过程中的所有问题。

1

复杂性在“时间”维度的表现

“流”这种计算模式的复杂性，在“时间”维度表现为三个方面：

1）事件窗口。“流”是无穷无尽的，我们处理它的一种方式有两种，一种来一个事件就处理一个，另一种则是将“流”按照“窗口”进行“分而治之”处理。前一种方式试用于一些简单的场景，比如filter、map、foreach之类。但是后一种“窗口”的实现，则有诸多的复杂性，它需要对流数据进行缓冲处理，并且窗口的定义多种多样，比如按时间翻滚、滑动、按事件关联等。

2）时间乱序。由于网络传输和并发处理的原因，在流计算系统接收到事件时，非常有可能事件已经在时间上乱序了。比如时间戳为1532329665005的事件，比时间戳为1532329665001的事件先到达流计算系统。怎样处理这种事件在时间上乱序的问题呢？通常的做法就是将收到的事件先保存起来，等过一段时间后乱序的事件到达时，再将其和保存的事件按时间排序，这样就恢复了事件的时间顺序。

3）流的关联。操作也会涉及流数据状态的管理。在关系型数据库中，关联操作是一种非常普遍的行为。现在这个概念也越来越多地被延伸到流计算上来。常见的关联操作有join和union。特别是在实现join操作时，需要先将参与join操作的各个流的相应窗口内的数据缓存在流计算系统内，然后以这些窗口内的数据为基础，做类似于关系型数据库中表与表之间的join计算，得到join计算的结果，之后再将这些结果以流的方式输出。很显然，流的关联操作也是需要临时保存部分流数据的。

2

复杂性在“空间”维度的表现

而“流”在“空间”维度表现出的复杂性则主要表现在，高“势”变量的状态存储。

势（Cardinality）是集合论中用来描述一个集合所含元素数量的概念。比如集合S={A, B, C}有3个元素，那么它的势就是3。集合包含的元素数量越多，其势越大。当我们进行聚合分析的变量具有一个较低的势时，那么一切都尚且安好。但实际的情况是，我们在“流”计算中分析的变量往往具有比原本预想高得多的势。比如统计用户每天的登入次数，那么光全中国就有十四亿人口！再比如需要统计每个IP访问网站的次数，那全球有四十多亿IP。再加上，有时候我们需要聚合的是一些复合变量，比如统计“过去一周同一用户在同一IP C段申请贷款次数”，这种情况如果严格按照理论值计算（也就是笛卡尔积），那将是天文数字。所以，至少我们不能指望将这些状态都存放在本地内存里。所以我们需要对这些状态进行分布式地存储。

3

复杂性的解决设计

那Flink针对于流计算中的这两种复杂性，分别做了怎样的设计呢？

针对流数据“时间”维度方面的管理，Flink的DataStream与提供了窗口管理相关的API，包括Window和WindowAll。其中Window是针对KeyedStream，而WindowAll是针对非KeyedStream。在窗口之，则提供了一系列窗口聚合计算的方法，比如Reduce、Fold、Sum、Min、Max和Apply等。另外，DataStream提供了一系列有关流与流之间计算的操作，比如Union、Join、CoGroup和Connect等。

而在“空间”维度方面，Flink提供了非常有特色的KeyedStream。所谓KeyedStream是指将流按照指定的键值，在逻辑上分成多个独立的流。这些逻辑流在计算时，状态彼此独立、互不影响，但是在物理上这些独立的流可能是合并在同一条物理的数据流中。因此在KeyedStream具体实现时，Flink会在处理每个消息前，将当前运行时上下文切换到key值所指定流的上下文。就像线程栈的切换那样，这样优雅地避免了不同逻辑流在运算时的相互干扰。并且，Flink为KeyedStream提供了Keyed State状态管理方案，当我们需要在逻辑流中记录一些状态信息时，就可以使用Keyed State。比如“统计不同IP上出现的不同设备数”，可以用将流按照IP分成KeyedStream，这样来自不同IP的设备事件，会分发到不同IP独有的逻辑流中。然后在逻辑流处理过程中，使用KeyedState来记录不同设备数。如此一来，可以非常方便地实现“统计不同IP上出现的不同设备数”的功能。

所以说，Flink真的是针对“流”这种计算模式提供了各方面贴心的开箱即用功能，而且是用起来真香的那种。

但这样就完了吗？《易经》有言“形而上者谓之道,形而下者谓之器”。笔者认为，上面谈到的这些知识，还只能说是针对Flink这个具体的“器”。而更重要的问题应该是，Flink这种分布式、有状态、流式计算的模式，会成为未来“大数据”技术的主要架构模式。此话怎讲？我们看下现代计算机架构的开山鼻祖，冯诺伊曼先生对计算机结构的定义：

图2. 冯诺依曼结构的计算机系统

在冯诺依曼结构的计算机系统中，计算最核心的三个组成是CPU、内存和IO。

如果我们将Flink与冯诺伊曼架构进行对比，会发现Flink的计算模式非常像是把单JVM进程内的流计算过程扩展到了分布式集群。如果我们不强调“流”这种计算模式，那么完全可以将Flink理解为一个分布式的JVM，各个任务分配的线程相当于是CPU，而State则相当于是内存。由于Flink的State可以是用磁盘存储，而机器可以水平扩展，所以理论上Flink这个分布式JVM的“CPU”和“内存”都是“无限”的。如果按照分布式JVM理解Flink框架，可以大大扩展我们对Flink的使用场景，而不仅仅将其视为一个专门用于处理流数据的工具而已。

现在有一个趋势，是使用Flink和Pravega来做大数据处理。个人觉得，这种模式在未来将成为主流的大数据处理模式，Flink充当CPU和内存的角色，Pravega充当存储。数据以“流”的方式被计算，并且以“流”的方式被存储。

正如Unix哲学“万物皆文件”一样，未来的计算世界里，将会是“万物皆流”！

作者简介：周爽，本硕毕业于华中科技大学，先后在华为2012实验室高斯部门和上海行邑信息科技有限公司工作。开发过实时分析型内存数据库RTANA、华为公有云RDS服务、移动反欺诈MoFA等产品。目前但任公司技术部架构师一职。著有《实时流计算系统设计与实现》一书。

本期赠书给大家周爽老师的新书《实时流计算系统设计与实现》，还有Flink流式计算领域的经典畅销书《Flink原理、实战与性能优化》。

01

《实时流计算系统设计与实现》

周爽 著

推荐语：透过现象看本质，掌握高性能、高并发、实时系统设计与权衡之道，高度抽象出实时流计算系统的技术支撑、架构模式、编程模式、系统实现与协同系统，并从零编写一个分布式实时系统。

02

《Flink原理、实战与性能优化》

推荐语：这是一部以实战为导向，能指导读者零基础掌握Flink并快速完成进阶的著作，从功能、原理、实战和调优等4个维度循序渐进地讲解了如何利用Flink进行分布式流式应用开发。

第017期赠书活动中奖名单公布

赠书规则

送书规则：感谢大家对华章图书的信任与支持。以上2本好书你最想要哪本？留言谈谈你在实时流计算方面遇到的问题，或看法。小编会随机挑取2条最用心的留言，分别包邮送出1本正版书籍（以上2本任选）。

截止日期：8月28日下午17：00

特别注意：请按规则留言。阅读最多、分享最多者优先。

更多精彩回顾

书讯 |华章计算机拍了拍你，并送来了8月书单（下）

书讯 | 华章计算机拍了拍你，并送来了8月书单（上）

上新 | 三个男人一台戏，为云原生应用和OpenShift写了一本书
书单 | 《天才引导的历程》| 西安交通大学送给准大一新生的礼物

干货 | 机器人干活，我坐一边喝茶——聊聊最近爆火的RPA

收藏 | 揭秘阿里巴巴的客群画像