流式計算架構有Strom，Spark，Flink
目前Spark主要應用于離線資料批量導入，相比于XDATA導入工具是有邏輯處理的，微批處理能力不錯；
Strom主要應用于MQ的實時消費（push過來的資料），來一條資料處理一條資料，實時性比較好
Flink大資料的新趨勢，功能強大，批處理和實時處理，豐富的視窗功能：
checkpoint：保證資料不丢失
offset：每一條消息有個位置标記以便于系統出故障時可以重新消費，flink記憶體：統計計算
Event time （事件時間） ：印刷時間 比如前段埋點的時間，目前一般用的Event time,但如果Event time也有些延遲的話，需要借助設定水位來緩沖，保證資料不丢失
Windows視窗：
Tumbling Windows（翻轉視窗）
Sliding Windows（滑動視窗）
window slide: 精準度
window size:視窗大小
Session Windows（會話視窗）
Time時間：
Event time （事件時間） ：印刷時間 比如前段埋點的時間
Ingestion time（提取時間）：提取時間 資料采集的時間
Processing time（處理時間）：處理時間 flink處理時間
Watermarks水印：
案例：
實時特征計算：
要求資料實效性達到秒級
最近15分鐘保險勾選、取消次數
最近30分鐘保險勾選、取消次數
最近60分鐘保險勾選、取消次數
采用的滑動視窗
KAFKA消息機關時間内統計：比如統計保險15min點選勾選數
1、每5S收集一次後再進行疊加計算
2、flink視窗計算
3、記憶體存儲是否足夠
4、消息是否有丢失
測試功能點：
資料來源正确性驗證
消息正确性驗證
消息丢失率驗證
flink視窗測試
流式計算測試
記憶體存儲測試
故障恢複測試