1. 當Source是Kafka的時候，如何設置Source Operator的並發度？
如果沒有指定，Source Operator的個數與集群中的TaskManager的個數相等。如果手動設置，建議使用的slot個數=Kafka Partition的個數／TaskManager的個數。此時，Slot的個數需大於等於2.因為其中有一個Source Operator。也不建議在一個Slot中啟用多線程。
2. Barrier如果丟失了怎么辦？
因為Barrier是從Source開始周期性的發送的，所以過一段時間未被標記為阻塞的input channel會收到下一個checkpoint的barrier，這時Flink會進行比對，發現如果當前的檢查點沒有完成，但下一個checkpoint已經過來了，那么Flink會放棄當前的checkpoint，轉而使用下一個checkpoint。
3. 在Flink UI上Cancel Job，Job所有的任務都會停止嗎？
答：不是。Cancel按鈕只是把Source，Transform和Sink這些Operator停掉，對應的線程停掉。但整個TaskManager還在。所以，如果Job中如果有不在Operator中初始化Spring容器，那么即便Cancel Job以后，這些對象依然存在。所以，正確的姿勢是在Operator的open（）方法中初始化Spring容器。在close（）方法中釋放這些資源。
4. Job運行過程中TaskManager掛了怎么辦？
如果TaskManager掛了，Flink會先將Job cancel掉。然后再以相同的JobID，往集群中仍然存活的TaskManager上部署Job，這時候，如果還有足夠的task slot，則Job能夠恢復。但是這時候會有一個問題：部署在某些TaskManager上的Task數會比之前多，造成了這些TaskManager的負載較重，可能還是會出現問題。這時候就需要盡快恢復掛掉的TaskManager。
5. 某條數據在Input Channel之間傳輸失敗了怎么辦？
會拋出Exception，然后Job會重啟。
6. Flink讀取Kafka時，Checkpoint設置多久合適？
快照本身都是非常輕量級的，一般都在幾M或者幾十M。如果快照過大，比如幾百M甚至更多，就會對程序運行產生影響。官方給出的例子是幾秒鍾一次，具體可視Job情況決定。
7. Checkpoint和Savepoint有什么區別？
savepoint可以理解為是一種特殊的checkpoint，savepoint就是指向checkpoint的一個指針，需要手動觸發，而且不會過期，不會被覆蓋，除非手動刪除。正常情況下的線上環境是不需要設置savepoint的。除非對job或集群做出重大改動的時候，需要進行測試運行。
8. Flink的Operator不能帶成員變量？
Flink operator function中不能帶沒有實現flink序列化的成員變量。因為flink本身自己有一套序列化方式，在任務提交執行的時候會有validation，如果把沒有實現flink序列化的類作為成員變量，就會提交任務報錯。目前的解決方案是將operator function與實際業務邏輯分離。或將成員變為static。
9. 每個TaskManager設置多少個TaskSlot合適？
建議為CPU核數個。
10. TaskManager中的BufferPool不夠了咋辦？
需要增大配置項：taskmanager.network.numberOfBuffers的值，該值表示網絡棧buffer的數量，它的大小表示在同一時刻該TaskManager能夠擁有的流處理的數據交換的channel數。
11. Job運行中出現了OOM
說明保留的空間不夠，這時需減少中間層的空間大小，通過配置降低taskmanager.memory.fraction的值來減少中間層的內存占比。該值表示Flink用於管理底層buffer所占用的內存比例。
12. Job的並行度如何設置？
將所有的transform operator和sink operator的parallism設置成一樣的，source operator的parallism根據source而定。這樣的話，flink會自動把transform operator和sink operator 都merge成一個piple line去運行。那么這時候一個job就變成只有兩個operator了，source operator和merge后的operator，這個pipeline operator中間就沒有buffer了，性能最優。