在数据剧增的今天，大数据技术也越来越被大家重视，而作为实时流计算的代表性框架之一，Flink在近几年的发展趋势无疑也是惊人的，一方面是Flink社区的活跃度，另一方面是Flink在大数据计算上的优异表现，都让我们知道，Flink落地应用的潜力所在。今天我们就主要来了解下Flink应用场景分析。
Flink的提出，本身就是针对于实时流计算的，因为之前的无论是Hadoop框架还是Spark框架，都不能算是真正意义上的实时流计算处理引擎，只有Flink，实现了毫秒级低延迟的实时流数据计算。
Flink落地应用场景主要有三类：Event-driven Applications（事件驱动）、Data Analytics Applications（数据分析）、Data Pipeline Applications（管道式ETL）。
以事件驱动来说，其执行流程：
采集的数据Events可以不断的放入消息队列，Flink应用会不断ingest（消费）消息队列中的数据，Flink应用内部维护着一段时间的数据（state），隔一段时间会将数据持久化存储（Persistent sstorage），防止Flink应用死掉。Flink应用每接受一条数据，就会处理一条数据，处理之后就会触发（trigger）一个动作（Action），同时也可以将处理结果写入外部消息队列中，其他Flink应用再消费。
典型的事件驱动类应用，包括欺诈检测(Fraud detection)、异常检测(Anomaly detection)、基于规则的告警(Rule-based alerting)、业务流程监控(Business process monitoring)、Web应用程序(社交网络)等。
而数据分析应用，包含Batch analytics（批处理分析）和Streaming analytics（流处理分析）。
批处理分析，可以理解为周期性查询：比如Flink应用凌晨从Recorded Events中读取昨天的数据，然后做周期查询运算，最后将数据写入Database或者HDFS，或者直接将数据生成报表供公司上层领导决策使用。
流处理分析，可以理解为连续性查询：比如实时展示双十一天猫销售GMV，用户下单数据需要实时写入消息队列，Flink应用源源不断读取数据做实时计算，然后不断的将数据更新至Database或者K-VStore，最后做大屏实时展示。
而数据管道ETL，包含Periodic（周期性）ETL和Data Pipeline（管道）。
周期性的任务处理，比如每天凌晨周期性的启动一个Flink ETL Job，读取传统数据库中的数据，然后做ETL，最后写入数据库和文件系统。
数据管道任务，比如启动一个Flink实时应用，数据源（比如数据库、Kafka）中的数据不断的通过Flink Data Pipeline流入或者追加到数据仓库（数据库或者文件系统），或者Kafka消息队列。
总体来说，Flink落地应用的场景还是比较广泛的，在国内阿里系的平台对于Flink的应用很多，各种广告推荐系统、业务监控系统的背后，都涉及到到Flink落地应用，大家如果感兴趣的可以多去研究研究，也欢迎各位朋友相关关注讨论DT最新技术。
