一、抽象级别
Flink提供了不同级别的抽象，以开放流或批处理作业
1、 Stateful Stream Processing : 有状态流
它是通过将过程函数（Processing Function）被嵌入到DataStream API中，它允许用户可以自由地处理来自一个或多个数据流的事件，并使用一致的容错的状态。除此之外，用户可以注册事件时间并处理时间回调，从而使程序可以处理复杂的计算。
实际上，大多数应用并不需要上述的底层抽象，而是针对核心API（Core APIS）
2、Core APIS
主要包括 DataStream API(有界或无界数据流)和DataSet API(有界数据集)，这些API为数据体统了通用的构建板块，比如由用户定义的多种形式的转换（transformations），连接（joins），聚合（aggregations），窗口操作（windows），状态（state）等等。这些API处理的数据类型以类（classes）的形式由各自的编程语言所表示。
底层 过程函数（Process Function） 与 DataStream API 相集成，使其可以对某些特定的操作进行底层的抽象。DataSet API 为有界数据集提供了额外的原语，例如循环与迭代。
3、Table API
是以表为中心的声明式DSL，其中表可能会动态变化（在表达流数据时）。
Table API遵循（扩展的）关系模型：表有二维数据结构（schema）（类似于关系数据库中的表），同时API提供可比较的操作，例如select、project、join、group-by、aggregate等。Table API程序声明式地定义了 什么逻辑操作应该执行 而不是准确地确定 这些操作代码的看上去如何
除此之外，Table API程序在执行之前会经过内置优化器进行优化
4、SQL
Flink提供的最高层级的抽象是SQL ，和Table API类似，SQL抽象与Table API交互密切，同时SQL查询可以直接在Table API定义的表上执行。
二、程序与数据流
Flink程序的基础构建模块是流（streams）与转换（transformations）。
概念上来讲，流式（可能永无止境的）数据记录流，而转换时一种操作，它取一个或多个流作为输入，并产出一个或者多个输出流作为结果。
执行时，Flink程序映射到 流数据流（streaming dataflows） ，由 流 以及转换 算符 构成。每一个数据流起始于一个或多个 source，并终止于一个或多个 sink。数据流类似于任意的 有向无环图 （DAG）
并行数据流
Flink程序本质上是并行分布的。在执行过程中，一个 流 包含一个或多个 流分区 ，而每一个 算符 包含一个或多个 算符子任务 。操作子任务间彼此独立，以不同的线程执行，甚至有可能运行在不同的机器或容器上。
算符子任务的数量即这一特定算符的 并行度 。一个流的并行度即其生产算符的并行度。相同程序中的不同的算符可能有不同级别的并行度。
流在两个算符之间传输数据，可以通过 一对一 （或称 forwarding ）模式，或者通过 redistributing 模式：
窗口
聚合事件（比如计数、求和）在流上的工作方式与批处理不同。比如，对流中的所有元素进行计数是不可能的，因为通常流是无限的（无界的）。相反，流上的聚合需要由 窗口 来划定范围，比如 “计算过去的5分钟” ，或者 “最后100个元素的和” 。
窗口可以是 事件驱动的 （比如：每30秒）或者 数据驱动的 （比如：每100个元素）。窗口通常被区分为不同的类型，比如 滚动窗口 （没有重叠）， 滑动窗口 （有重叠），以及 会话窗口 （由不活动的间隙所打断）
时间
当提到流程序（例如定义窗口）中的时间时，你可以参考不同的时间概念：
Event Time: 事件时间 是事件创建的时间。它通常由事件中的时间戳描述
Ingesion Time: 摄入时间 是事件进入Flink数据流源算符的时间。
Wdindow Processing Time: 处理事件 是每一个执行时间操作的算符的本地时间。
容错机制
Flink使用 流重放 与 Checkpoint 的结合实现了容错。Checkpoint与每一个输入流及其相关的每一个算符的状态的特定点相关联。一个流数据流可以可以从一个checkpoint恢复出来，其中通过恢复算符状态并从检查点重放事件以保持一致性（一次处理语义）
检查点间隔是以恢复时间（需要重放的事件数量）来消除执行过程中容错的开销的一种手段。