1.Time
在 Flink 的流式处理中，会涉及到时间的不同概念
Event Time:是事件创建的时间。它通常由事件中的时间戳描述，例如采集的日志数据中，每一条日志都会记录自己的生成时间。
Ingestion Time:是数据进入 Flink 的时间
Processing Time:被算子处理时的时间。默认的时间属性就是Processing Time。
我们来举个Time时间的例子↓↓↓
例如： 现在系统产生了一条日志，日志内容如下：
2020-02-11 15:15:06.218 INFO kernel:NMI watchdog: BUG: soft lockup
对于业务需求来说，如果我们要统计 1min 内的故障日志个数，那么这三个时间中哪个时间是最有意义的?答案显然是 EventTime，因为我们要根据日志的生成时间进行统计
2.Window
2.1 Window概念
Streaming流式计算是一种被设计用于处理无限数据集的数据处理引擎，而无限数据集是指一种不断增长的无限的数据集。而 Window 是一种切割无限数据集为有限块进行处理的手段。
1.没有 Window 操作之前，我们对数据的处理是：来一条计算一条。
2.有了 Window 操作之后，我们便可以使用 Window 操作，将无界的数据流通过划分窗口，把某段时间的数据当做有界的数据流，然后对这部分有界的数据流进行计算。
Window是无限数据流处理的核心，Window 可以将一个无限的 stream 流拆分成有限大小的"buckets"桶，我们可以在这些桶上做计算操作。
2.2 Window 类型划分
Window 可以分成两类：
1.
CountWindow：按照指定的数据条数生成一个Window，与时间无关
2.TimeWindow：按照时间生成Window对于 TimeWindow，可以根据窗口实现原理的不同分成三类：
1.滚动窗口（Tumbling Window）、2.滑动窗口（Sliding Window）、3.会话窗口（Session Window）
2.2.1 滚动窗口
概念：
将数据依据固定的窗口长度，对数据进行切片。通常用来计算窗口滚动一次，在窗口中的数据。
2.2.2 滑动窗口
2.2.3 会话窗口
