Flink 的應用場景

在實際生産的過程中，大量資料在不斷地産生，例如金融交易資料、網際網路訂單資料、 GPS 定位資料、傳感器信号、移動終端産生的資料、通信信号資料等，以及我們熟悉的網絡 流量監控、伺服器産生的日志資料，這些資料最大的共同點就是實時從不同的資料源中産生， 然後再傳輸到下遊的分析系統。針對這些資料類型主要包括實時智能推薦、複雜事件處理、 實時欺詐檢測、實時數倉與 ETL 類型、流資料分析類型、實時報表類型等實時業務場景，而 Flink 對于這些類型的場景都有着非常好的支援。

1.實時智能推薦

智能推薦會根據使用者曆史的購買行為，通過推薦算法訓練模型，預測使用者未來可能會購 買的物品。對個人來說，推薦系統起着資訊過濾的作用，對 Web/App 服務端來說，推薦系統 起着滿足使用者個性化需求，提升使用者滿意度的作用。推薦系統本身也在飛速發展，除了算法 越來越完善，對時延的要求也越來越苛刻和實時化。利用 Flink 流計算幫助使用者建構更加實 時的智能推薦系統，對使用者行為名額進行實時計算，對模型進行實時更新，對使用者名額進行 實時預測，并将預測的資訊推送給 Wep/App 端，幫助使用者擷取想要的商品資訊，另一方面也 幫助企業提升銷售額，創造更大的商業價值。

2.複雜事件處理

對于複雜事件處理，比較常見的案例主要集中于工業領域，例如對車載傳感器、機械設 備等實時故障檢測，這些業務類型通常資料量都非常大，且對資料處理的時效性要求非常高。 通過利用 Flink 提供的 CEP（複雜事件處理）進行事件模式的抽取，同時應用 Flink 的 Sql 進行事件資料的轉換，在流式系統中建構實時規則引擎，一旦事件觸發報警規則，便立即将 告警結果傳輸至下遊通知系統，進而實作對裝置故障快速預警監測，車輛狀态監控等目的。

3.實時欺詐檢測

等，而如何保證使用者和公司的資金安全，是來近年來許多金融公司及銀行共同面對的挑戰。 随着不法分子欺詐手段的不斷更新，傳統的反欺詐手段已經不足以解決目前所面臨的問題。 以往可能需要幾個小時才能通過交易資料計算出使用者的行為名額，然後通過規則判别出具有 欺詐行為嫌疑的使用者，再進行案件調查處理，在這種情況下資金可能早已被不法分子轉移， 進而給企業和使用者造成大量的經濟損失。而運用 Flink 流式計算技術能夠在毫秒内就完成對 欺詐判斷行為名額的計算，然後實時對交易流水進行規則判斷或者模型預測，這樣一旦檢測 出交易中存在欺詐嫌疑，則直接對交易進行實時攔截，避免因為處理不及時而導緻的經濟損 失。

4.實時數倉與 ETL

結合離線數倉，通過利用流計算諸多優勢和 SQL 靈活的加工能力，對流式資料進行實時 清洗、歸并、結構化處理，為離線數倉進行補充和優化。另一方面結合實時資料 ETL 處理能 力，利用有狀态流式計算技術，可以盡可能降低企業由于在離線資料計算過程中排程邏輯的 複雜度，高效快速地處理企業需要的統計結果，幫助企業更好地應用實時資料所分析出來的 結果。

5.流資料分析

6.實時報表分析