雙11大屏
每年天貓雙十一購物節，都會有一塊巨大的實時作戰大屏，展現當前的銷售情況。
這種炫酷的頁面背后，其實有着非常強大的技術支撐，而這種場景其實就是實時報表分析。
實時報表分析是近年來很多公司采用的報表統計方案之一，其中最主要的應用就是實時大屏展示。利用流式計算實時得出結果直接被推送到前端應用，實時顯示出重要指標的變換情況。最典型的案例便是淘寶雙十一活動，每年雙十一購物節，除瘋狂購物外，最引人注目的就是雙十一大屏不停跳躍的成交總額。在整個計算鏈路中包括從天貓交易下單購買到數據采集，數據計算，數據校驗，最終落到雙十一大屏上展示的全鏈路時間壓縮在5秒以內，頂峰計算性能高達數三十萬筆訂單/秒，通過多條鏈路流計算備份確保萬無一失。
而在其他行業，企業也在構建自己的實時報表系統，讓企業能夠依托於自身的業務數據，快速提取出更多的數據價值，從而更好的服務於企業運行過程中。
而這種高性能，高可用的准確的流處理框架就非Flink莫屬了。
Apache Flink是什么？
在當代數據量激增的時代，各種業務場景都有大量的業務數據產生，對於這些不斷產生的數據應該如何進行有效的處理，成為當下大多數公司所面臨的問題。Apache Flink 是一個開源的分布式，高性能，高可用，准確的流處理框架。支持實時流處理和批處理 。
Flink 就是近年來在開源社區不斷發展的技術中的能夠同時支持高吞吐、低延遲、高性能的分布式處理框架。
應用場景
在實際生產過程中，大量的數據不斷的產生，例如金融交易數據、互聯網訂單數據、GPS定位數據、傳感器信號、移動終端產生的數據、通信信號數據等，以及我們熟悉的網絡流量監控，服務器產生的日志數據，這些數據最大的共同點就是實時從不同的數據源中產生，然后再傳輸到下游的分析系統。針對這些數據類型主要包括實時智能推薦，復雜事件處理，實施欺詐檢測，實時數倉，與ETL類型、流數據分析類型、實時報表類型等實施業務場景，而Flink對於這些類型的場景都有着非常好的支持。
-
實時智能推薦
智能推薦會根據用戶歷史的購買行為，通過推薦算法訓練模型，預測用戶未來可能會購買的物品。對個人來說，推薦系統起着信息過濾的作用，對Web/App服務端來說，推薦系統起着滿足用戶個性化需求，提升用戶滿意度的作用。推薦系統本身也在飛速發展，除了算法越來越完善，對時延的要求也越來越苛刻和實時化。利用Flink流計算幫助用戶構建更加實時的智能推薦系統，對用戶行為指標進行實時計算，對模型進行實時更新，對用戶指標進行實時預測，並將預測的信息推送給Web/App端，幫助用戶獲取想要的商品信息，另一方面也幫助企業提升銷售額，創造更大的商業價值。
-
復雜事件處理
對於復雜事件處理，比較常見的集中於工業領域，例如對車載傳感器，機械設備等實時故障檢測，這些業務類型通常數據量都非常大，且對數據處理的時效性要求非常高。通過利用Flink提供的CEP進行時間模式的抽取，同時應用Flink的Sql進行事件數據的轉換，在流式系統中構建實施規則引擎，一旦事件觸發報警規則，便立即將告警結果通知至下游通知系統，從而實現對設備故障快速預警檢測，車輛狀態監控等目的。
-
實時欺詐檢測
在金融領域的業務中，常常出現各種類型的欺詐行為，例如信用卡欺詐，信貸申請欺詐等，而如何保證用戶和公司的資金安全，是近年來許多金融公司及銀行共同面對的挑戰。隨着不法分子欺詐手段的不斷升級，傳統的反欺詐手段已經不足以解決目前所面臨的問題。以往可能需要幾個小時才能通過交易數據計算出用戶的行為指標，然后通過規則判別出具有欺詐行為嫌疑的用戶，再進行案件調查處理，在這種情況下資金可能早已被不法分子轉移，從而給企業和用戶造成大量的經濟損失。而運用Flink流式計算技術能夠在毫秒內就完成對欺詐行為判斷指標的計算，然后實時對交易流水進行實時攔截，避免因為處理不及時而導致的經濟損失。
-
實時數倉與ETL
結合離線數倉，通過利用流計算的諸多優勢和Sql靈活的加工能力，對流式數據進行實時清洗、歸並、結構化處理，為離線數倉進行補充和優化。另一方面結合實時數據ETL處理能力，利用有狀態流式計算技術，可以盡可能降低企業由於在離線數據計算過程中調度邏輯的復雜度，高效快速的處理企業需要的統計結果，幫助企業更好地應用實時數據所分析出來的結果。
-
流數據分析
實時計算各類數據指標，並利用實時結果及時調整在線相關策略，在各類內容投放、無線智能推送領域有大量的應用。流式計算技術將數據分析場景實時化，幫助企業做到實時化分析Web應用或者App應用的各項指標，包括App版本分布情況，Crash檢測和分布等，同時提供多維度用戶行為分析支持日志自主分析，助力開發者實現基於大數據技術的精細化運營，提升產品質量和體驗，增強用戶黏性。
大數據流動 專注於大數據實時計算，數據治理，數據可視化等技術分享與實踐。
請在后台回復關鍵字下載相關資料。相關學習交流群已經成立，歡迎加入~
