流式计算框架有Strom，Spark，Flink
目前Spark主要应用于离线数据批量导入，相比于XDATA导入工具是有逻辑处理的，微批处理能力不错；
Strom主要应用于MQ的实时消费（push过来的数据），来一条数据处理一条数据，实时性比较好
Flink大数据的新趋势，功能强大，批处理和实时处理，丰富的窗口功能：
checkpoint：保证数据不丢失
offset：每一条消息有个位置标记以便于系统出故障时可以重新消费，flink内存：统计计算
Event time （事件时间） ：印刷时间 比如前段埋点的时间，目前一般用的Event time,但如果Event time也有些延迟的话，需要借助设置水位来缓冲，保证数据不丢失
Windows窗口：
Tumbling Windows（翻转窗口）
Sliding Windows（滑动窗口）
window slide: 精准度
window size:窗口大小
Session Windows（会话窗口）
Time时间：
Event time （事件时间） ：印刷时间 比如前段埋点的时间
Ingestion time（提取时间）：提取时间 数据采集的时间
Processing time（处理时间）：处理时间 flink处理时间
Watermarks水印：
案例：
实时特征计算：
要求数据实效性达到秒级
最近15分钟保险勾选、取消次数
最近30分钟保险勾选、取消次数
最近60分钟保险勾选、取消次数
采用的滑动窗口
KAFKA消息单位时间内统计：比如统计保险15min点击勾选数
1、每5S收集一次后再进行叠加计算
2、flink窗口计算
3、内存存储是否足够
4、消息是否有丢失
测试功能点：
数据来源正确性验证
消息正确性验证
消息丢失率验证
flink窗口测试
流式计算测试
内存存储测试
故障恢复测试