【Flink】Flink 应用场景解析

本文涉及的产品
实时计算 Flink 版,5000CU*H 3个月
简介: 【1月更文挑战第26天】【Flink】Flink 应用场景解析

Flink 是一个大数据流处理引擎,它可以为不同的行业提供大数据实时处理的解决方案。 随着Flink的快速发展完善,如今在世界范围许多公司都可以见到Flink的身影。  

目前在全球范围内,北美、欧洲和金砖国家均是Flink的应用热门区域。当然,这些地区 其实也就是IT、互联网行业较发达的地区。  

Flink 在国内热度尤其高,一方面是因为阿里的贡献和带头效应,另一方面也跟中国的应 用场景密切相关。中国的人口规模与互联网使用普及程度,决定了对大数据处理的速度要求越 来越高,也迫使中国的互联网企业去追逐更高的数据处理效率。试想在中国,一个网站可能要 面对数亿的日活用户、每秒数亿次的计算峰值,这对很多国外的公司来说是无法想象的。而 Flink 恰好给我们高速准确的处理海量流式数据提供了可能。  

Flink 在企业中的应用:

Flink 为全球许多公司和企业的关键业务应用提供了强大的支持。

对于数据处理而言,任何行业、任何公司的需求其实都是一样的:数据规模大、实时性要 求高、确保结果准确、方便扩展、故障后可恢复——而这些要求,作为新一代大数据流式处理 引擎的Flink统统可以满足!这也正是Flink在全世界范围得到广泛应用的原因。  

以下是Flink官网列出的知名企业用户:

以大家熟悉的阿里为例。阿里巴巴这个庞大的电商公司,为买方和卖方提供了交易平台。 它的个性化搜索和实时推荐功能就是通过Blink 实现的(当然我们知道,Blink就是基于Flink 的,现在两者也已合体)。用户所购买或者浏览的商品,可以被用作推荐的依据,这就是为什 么我们经常发现“刚看过什么、网站就推出来了”。当用户数据量非常庞大时,快速地分析响应、 实时做出精准的推荐就显得尤为困难。而 Flink 这样真正意义上的大数据流处理引擎,就能 做到这些。这也是阿里在Flink上充分发力并成为引领者的原因。  

Flink 主要应用场景:

各种行业的众多公司都在使用Flink,那到底他们用Flink来处理什么需求呢? 换句话说,什么的场景最适合Flink大显身手呢?

回到Flink本身的定位,它是一个大数据流式处理引擎,处理的是流式数据,也就是“数 据流”(Data Flow)。顾名思义,数据流的含义是,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,所以流处 理的一大特点就是“快速”,也就是良好的实时性。Flink适合的场景,其实也就是需要实时处 理数据流的场景。

具体来看,一些行业中的典型应用有:  

  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、UV 的重要来源,也是如今“流量经济”的最主要数据指标。很多公司的营销策略,比如广告的投放,也是基于点击量来决定的。另外,在网站上提供给用户的实时推荐,往往也是基于当前用户的点击行为做出的。
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。如果我们希望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,我们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,如果我们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。
我们需要的是直接处理数据流,而Flink就可以做到这一点。

  1. 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。  

  1. 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。  

  1. 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。这显然不能满足我们快速交易的需求。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,我们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。这就需要我们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。

相关文章
|
1天前
|
运维 监控 Java
面经:Storm实时计算框架原理与应用场景
【4月更文挑战第11天】本文是关于Apache Storm实时流处理框架的面试攻略和核心原理解析。文章分享了面试常见主题,包括Storm的架构与核心概念(如Spout、Bolt、Topology、Tuple和Ack机制),编程模型与API,部署与运维,以及应用场景与最佳实践。通过代码示例展示了如何构建一个简单的WordCountTopology,强调理解和运用Storm的关键知识点对于面试和实际工作的重要性。
17 4
面经:Storm实时计算框架原理与应用场景
|
24天前
|
设计模式 算法 编译器
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景(三)
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景
23 0
|
24天前
|
设计模式 存储 程序员
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景(二)
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景
39 0
|
24天前
|
存储 设计模式 算法
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景(一)
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景
46 0
|
28天前
|
存储 JSON NoSQL
Redis与Python的完美结合:实现高效数据交互和应用场景全解析
Redis与Python的完美结合:实现高效数据交互和应用场景全解析
110 0
|
1月前
|
SQL API 数据处理
新一代实时数据集成框架 Flink CDC 3.0 —— 核心技术架构解析
本文整理自阿里云开源大数据平台吕宴全关于新一代实时数据集成框架 Flink CDC 3.0 的核心技术架构解析。
668 0
新一代实时数据集成框架 Flink CDC 3.0 —— 核心技术架构解析
|
1月前
|
分布式计算 API 数据处理
Flink【基础知识 01】(简介+核心架构+分层API+集群架构+应用场景+特点优势)(一篇即可大概了解flink)
【2月更文挑战第15天】Flink【基础知识 01】(简介+核心架构+分层API+集群架构+应用场景+特点优势)(一篇即可大概了解flink)
55 1
|
1月前
|
存储 Java 开发者
HashMap构造函数解析与应用场景
HashMap构造函数解析与应用场景
|
2月前
|
SQL JSON Apache
Flink问题之嵌套 json 中string 数组的解析异常如何解决
Apache Flink是由Apache软件基金会开发的开源流处理框架,其核心是用Java和Scala编写的分布式流数据流引擎。本合集提供有关Apache Flink相关技术、使用技巧和最佳实践的资源。
218 1
|
2月前
|
SQL JSON Apache
Flink SQL问题之复杂JSON解析如何解决
Apache Flink是由Apache软件基金会开发的开源流处理框架,其核心是用Java和Scala编写的分布式流数据流引擎。本合集提供有关Apache Flink相关技术、使用技巧和最佳实践的资源。
395 0

热门文章

最新文章

推荐镜像

更多