1、时间的重要性，弄明白为什么需要有序？
当iot设备上传的轨迹数据是乱序时，那业务在处理时就会有误，如计算超速就不准确。在直播带货中，每小时计算销售金额，并给主播按时结算报酬，如果时间乱了，把19:00的算到20:00了，那就是问题了。
对于流计算中的乱序，应该怎么排序呢？
在flink中，流计算的数据是事件，每个事件都会有自己的产生时间（如：每个gps点都会有自己的时间），所以流计算中的排序是按时间维度，Flink也是按时间排序来实现的。
2、Flink时间类型
1）事件产生的时间（Event Time）
2) 事件进入Flink时间（Ingestion Time）
3) 事件处理时间（Processing Time）
提供最简单的时间，有极佳的性能，在分布式环境中确定性不高。
对于上面3种时间，Ingestion Time和Processing Time都是业务进入Flink后产生的，不会有乱序的影响。Event Time是在外部产生的，当事件进入Flink的时间顺序与产生的时间顺序不一样，那就是乱序问题。
3、其它乱序产生
1）业务产生的乱序：
比如对于Kafka，同一个设备的数据，分布在不同的分区中，同时flink对不同的分区处理速度不一样，就导致乱序了。
业务分区规则和进入flink进行业务统计的分组规则不一致的乱序。（业务按日期分区，flink按类型分组统计）
2）程序误用的乱序
1、数据source是有序的
2、在通过rebalance（随机）转移动不同的map
3、map后面直接sink到db，那业务数据顺序就乱了
对于如上的算子乱序，怎么解决呢？
ds.setParallelism(3).keyBy(...).map(...).setParallelism(3)通过keyBy算子，按业务属性进行分组，以达到顺序的目的。
总结：在Flink中，只要shuffle的机制是rebalance，就会有乱序的问题。而对于乱序对业务是否有影响，需要根据场景考虑。