什么是状态（State）
有些任务的结果不仅仅依赖于当前的输入，也依赖于之前的输入结果信息，因此对中间结果状态等的保存就很有必要。
在Flink中，我们可以这样理解State：某task/operator在某时刻的一个中间结果。
状态类型
Flink提供了丰富的状态访问接口和高效的容错机制，当前Flink中有两个基本的state：Keyed state和 Operator state。
1. Keyed state是基于KeyedStream上的状态，这个状态与特定的key绑定。对于KeyedStream流上每一个key都对应一个state(一个Task可能包含多个Key，不同的Task上不会出现相同的Key)。
当前Flink提供的Keyed state数据结构是: ValueState<T>、ListState<T>、ReduceState<T>、MapState<T>。
2. Operator state跟一个特定的Operator的一个并发实例绑定，一个task对应一个state。
当前Flink提供的Operator state数据结构是: ListState<T>
举例来说，Flink中的Kafka Connector，就使用了operator state。它会在每个connector实例中，保存该实例中消费topic的所有(partition, offset)映射。
Keyed state
Operator state
原始状态和Flink托管状态 (Raw and Managed State)
Keyed State和Operator State，可以以两种形式存在：原始状态和托管状态。
托管状态是由Flink框架管理的状态，如ValueState, ListState, MapState等。
Flink状态框架的类图
Checkpoint
Checkpoint是Flink管理状态容错的手段，检查点允许Flink恢复流中的状态及位置，从而是应用程序正确无误的运行。默认情况下，禁用检查点，状态保存在TaskManager的内存中，检查点存储在JobManager内存中。
Checkpoint是Flink中轻量级的分布式异步快照的机制。Flink流式计算模型中包含Source Operator、Transformation Operators、Sink Operator等三种不同类型的节点，分别负责数据的输入、处理、和输出，对应计算拓扑的起点、中间节点和终点。Flink分布式快照的核心是Barrier，这些Barrier周期性的被注入到数据流并作为数据流的一部分流入到到所有的Source中，Source节点看到Barrier后，会立即记录自己的状态，然后将Barrier发送到Transformation Operator；当Transformation Operator从某个input channel收到Barrier后，它会立刻Block住这条通道，直到所有的input channel都收到Barrier，此时该Operator就会记录自身状态，并向自己的所有output channel广播Barrier。Sink接受Barrier的操作流程与Transformation Oper一样。当所有的Barrier都到达Sink之后，并且所有的Sink也完成了Checkpoint，这一轮Snapshot就完成了。
Block Input实际上是有负面效果的，一旦某个input channel发生延迟，Barrier迟迟未到，这会导致Transformation Operator上的其它通道全部堵塞，系统吞吐大幅下降。但是这么做的一个最大的好处就是能够实现Exactly Once。不过Flink还是提供了选项，可以关闭Exactly once并仅保留at least once，以提供最大限度的吞吐能力。