1. flink 状态管理包含哪些？
Flink 会进行状态管理，包括状态一致性、故障处理以及高效存储和访问，以便开发人员可以专注于应用程序的逻辑。
2. flink 状态的类型？
-
算子状态(Operator State)
算子状态的作用范围限定为算子任务 -
键控状态(Keyed State)
根据输入数据流中定义的键(key) 来维护和访问
3. 算子状态的特点？
- 算子状态的作用范围限定为算子任务，由同一并行任务所处理的所有数据都可以访问到相同的状态
- 状态对于同一任务而言是共享的
- 算子状态不能由相同或不同算子的另一个任务访问
4. 算子状态的数据结构？
-
列表状态(List state)
将状态表示为一组数据的列表 -
联合列表状态(Union list state)
也将状态表示为数据的列表。它与常规列表状态的区别在于，在发生故障时，或者从保存点(savepoint) 启动应用程序时如何恢复
-
广播状态(Broadcast state)
如果一个算子有多项任务，而它的每项任务状态又都相同，那么这种特殊情况最适合应用广播状态。
5. 键控状态特点？
-
键控状态是根据输入数据流中定义的键(key) 来维护和访问的
-
Flink为每个key维护一一个状态实例，并将具有相同键的所有数据，都分区到同一个算子任务中，这个任务会维护和处理这个key对应的状态
-
当任务处理一条数据时， 它会自动将状态的访问范围限定为当前数据的key
6. 键控状态的数据结构？
-
值状态(Value state)
将状态表示为单个的值 -
列表状态(List state)
将状态表示为一组数据的列表 -
映射状态(Map state)
将状态表示为一-组Key-Value对 -
聚合状态(Reducing state & Aggregating State)
将状态表示为一个用于聚合操作的列表
7. 什么是状态后端？
-
每传入一条数据，有状态的算子任务都会读取和更新状态
-
由于有效的状态访问对于处理数据的低延迟至关重要，因此每个并行任务都会在本地维护其状态，以确保快速的状态访问
-
状态的存储、访问以及维护，由一个可插入的组件决定，这个组件就叫做状态后端(state backend)
8. 状态后端的职责？
状态后端主要负责两件事：
1）本地的状态管理；
2）将检查点(checkpoint)状态写入远程存储
9. 状态后端的类型？
-
MemoryStateBackend
1)内存级的状态后端，会将键控状态作为内存中的对象进行管理，将它们存储在TaskManager的JVM堆上，而将checkpoint存储在JobManager的内存中
2)特点:快速、低延迟，但不稳定
-
FsStateBackend
1）将checkpoint存到远程的持久化文件系统(FileSystem) 上，而对于本地状态，跟MemoryStateBackend一 样，也会存在TaskManager的JVM堆上
2）同时拥有内存级的本地访问速度，和更好的容错保证
-
RocksDBStateBackend
将所有状态序列化后，存入本地的RocksDB中存储。
10. 什么是processfunction 函数？
-
ProcessFunction是一个低阶的流处理操作，它可以访问流处理程序的基础构建模块:
- 事件(event)(流元素)
- 状态(state)(容错性，一致性， 仅在keyed stream中)
- 定时器(timers)(event time和processing time，仅在keyed stream中)
-
ProcessFunction可以看作是一个具有keyed state和timers访问权的FlatMapFunction
- 通过RuntimeContext访问keyed state
- 计时器允许应用程序对处理时间和事件时间中的更改作出响应。对processElemet…)函 数的每次调用都获得一个Context对象，该对象可以访问元素的event time timestamp和TimerService
- TimerService’可用于为将来的event/process time瞬 间注册回调。当到达计时器的特定时间时，将调用onT1imer…)方法。在该调用期间，所有状态都再次限定在创建计时器时使用的键的范围内，从而允许计时器操作键控状态
11. processfunction 函数有哪些？
Flink 提供了 8 个 Process Function：
ProcessFunction
KeyedProcessFunction
CoProcessFunction
ProcessJoinFunction
BroadcastProcessFunction
KeyedBroadcastProcessFunction
ProcessWindowFunction
ProcessAllWindowFunction
12. 什么是侧输出流？
Flink 处理数据流时，我们经常会遇到这种情况：在处理一个数据源时，往往需要将该数据源中的不同类型的数据做分割处理，如果使用filter算子对数据源进行筛选分割的话，势必会造成数据流的多次复制，造成不必要的性能浪费；
Flink中的侧输出就是将数据流进行分割，而不对流进行复制的一种分流机制，flink的侧输出的另一个作用就是对延时迟到的数据进行处理，这样就可以不必丢弃迟到的数据。
案例：假设我们的需求是实时的从kafka接收生产数据，我们需要对迟到超过一定时长的数据进行另行处理。