问题一：Blink的Batch模式和Streaming模式各有什么优势？
Blink的Batch模式和Streaming模式各有什么优势？
参考回答：
Blink的Batch模式有固定的起始时间和结束时间，可以提前申请资源，保障时效性。而Streaming模式则能实现更细粒度的实时计算作业控制，具有更强的实时性和自定义source及sink的能力。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/666675
问题二：在实时replay出价策略评估中，Blink是如何应对物料数据加载的挑战的？
在实时replay出价策略评估中，Blink是如何应对物料数据加载的挑战的？
参考回答：
在实时replay出价策略评估中，Blink通过在启动时加载所有数据，并采用广播模式，确保每个节点都能使用这些数据，避免了高QPS情况下对IGraph的访问压力，提高了数据处理效率。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/666678
问题三：针对高qps下线ad的实时同步问题，Blink采用了什么解决方案？
针对高qps下线ad的实时同步问题，Blink采用了什么解决方案？
参考回答：
Blink通过分桶的方式将下线的ad信息存入IGraph中，并周期性cache方式全量读取全量下线ad，将查询的QPS从200万+降低到1万左右，并使用RateLimit限流组件控制访问并发，限制IGraph的并发在40万左右，实现了整体流量的平滑处理。 
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/666679
问题四：在实时replay出价策略评估中，如何实现工程框架和业务逻辑的解耦？
在实时replay出价策略评估中，如何实现工程框架和业务逻辑的解耦？
参考回答：
为了实现工程框架和业务逻辑的解耦，Blink预留了UDF接口，让业务侧仅实现SDK即可，而工程性能、并发、限流、埋点等逻辑则内部实现。这种方式使得业务侧能够专注于算法策略的实现，而不需要关心底层的工程实现细节。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/666682
问题五：Blink的SQL模式和Data Stream模式各有什么特点？
Blink的SQL模式和Data Stream模式各有什么特点？
参考回答：
Blink的SQL模式使用成本低，适合简单场景快速上手。而Data Stream模式则提供了更强的掌控能力，可以灵活定义各类cache和数据结构，支持多类复杂场景的处理。
关于本问题的更多问答可点击原文查看：
