这里是全站文章的归档入口，下面是按时间倒序排列的全部文章。若想按主题浏览，请从首页的专题分类进入。
15.2 响应式流处理的演进趋势
响应式流处理系统的未来演进方向：流批一体（Stream-Batch Unification）与 Flink Table API 的统一、实时数仓与流处理 SQL 化趋势、Serverless 流处理与弹性伸缩、以及 AI 推理与流处理的融合（实时特征工程）。
posts
文章归档
PlumePHP 全站文章的归档入口，按时间倒序汇总各专题的技术文章，并提供按主题浏览的专题分类入口。
15.1 引擎选型指南
Kafka Streams 与 Flink 的适用场景深度对比：组织架构与运维成本差异、有状态轻量转换与复杂窗口/CEP 的分工策略、混合架构的典型拓扑（Kafka Streams 做清洗 + Flink 做计算），以及 Java 生态下的选型决策树。
附录 B：Kafka Streams DSL 速查
Kafka Streams DSL 常用操作速查卡：StreamsBuilder 拓扑创建、KStream/KTable/KGroupedStream 的常用转换操作、Join 语义、状态存储配置、EOS 配置参数及 TopologyTestDriver 测试模板。
附录 A：Flink DataStream API 速查
Flink DataStream API 常用操作速查卡：Environment 创建、Source 与 Sink、Transformation、Window、State、Watermark 策略、Checkpoint 配置及 Metrics 注册的代码模板与参数速查。
14.3 从 v2 到 v3 的演进
eventd v2 到 v3 的平滑演进：事件格式的向后兼容与字段改名处理、Kafka Topic 双线并行与灰度比例控制、指标比对验证、历史数据保留与回滚步骤，并给出按周推进的迁移时间线、常见兼容性陷阱，以及 v2 只读期的历史查询兜底与下线顺序。
14.2 故障排查
eventd v3 常见故障排查手册：反压原因定位（算子级别→网络→JVM）、状态过大导致的 OOM 与 Checkpoint 超时、Watermark 长期滞后的排查步骤、Kafka Consumer Group 再均衡与 offset 丢失场景的诊断方法。
14.1 性能基线与调优
eventd v3 的性能基线建立与调优方法：吞吐、端到端延迟与 Checkpoint 时间的测量口径，并行度与 Slot 扩展的测试设计，反压下的降级策略，以及如何用 Flink 指标定位瓶颈、避免把机器差异误判为代码优化，并给出可复现的压测步骤。
13.3 端到端测试
eventd v3 端到端可运行测试：基于 Testcontainers 的 Kafka 与 Redis 集成测试、全链路数据从 v2 Producer → Kafka Streams 清洗 → Flink 聚合 → Redis 的链路验证，以及测试数据的确定性生成、Watermark 推进与断言策略。
13.2 Flink DataStream 测试
Flink DataStream 测试体系：MiniCluster 资源管理与 execute() 阻塞模式、KeyedOneInputStreamOperatorTestHarness 进行 ProcessFunction/Timer 精细测试、CollectSink 收集结果、Watermark 手动推进测试，以及 eventd v3 窗口聚合的确定性测试。
13.1 Kafka Streams 测试
Kafka Streams 测试策略：TopologyTestDriver 创建输入/输出 Topic 并模拟完整拓扑、自定义 Processor 的状态存储测试、eventd v3 清洗管道的确定性测试，以及单元/组件/集成测试的分工。
12.3 v3 验收
eventd v3 全链路验收方案：端到端可运行、指标正确性、延迟预算、故障恢复与反压五个用例的可执行检查，配套环境记录表、结果记录模板，以及固定 sleep、只断言 key 存在、延迟初值为 0 等六种「假通过」陷阱的识别方法，并说明每个用例应保留的证据。
12.2 部署与运维
eventd v3 的部署与运维：Flink Standalone 与 Docker 两种部署方式、TaskManager 内存与 Slot 配置、dev/staging/prod 环境管理、Savepoint 升级与滚动重启步骤，以及作业、Kafka lag、Redis 连接的日常检查清单。
12.1 eventd v3 全链路集成
eventd v3 全链路集成：从 eventd v2 Kafka Producer 到 Kafka Streams 清洗、再到 Flink DataStream 聚合、Redis Sink 指标缓存与 SSE 面板的完整端到端可运行流程与配置调优。
11.3 状态 TTL 与过期清理
Flink 状态过期与清理策略：StateTtlConfig 的三种 UpdateType 和两种 StateVisibility、过期数据的清理时机（增量/全量/RocksDB 压缩）、Idle State Retention 的窗口级清理，以及 eventd v3 各状态存储的 TTL 配置方案。
11.2 多流 Join 与关联分析
Flink 多流 Join 技术：Interval Join 在事件时间窗口内的关联、CoProcessFunction 自定义 Join 逻辑与状态管理、BroadcastStream 动态规则关联，以及 eventd v3 订单流与用户资料流关联的实战与乱序处理。
11.1 端到端 Exactly-Once
eventd v3 的端到端 Exactly-Once 保证：Kafka Source 的可重放 offset、Flink Checkpoint 的一致快照与 Sink 侧 2PC 的区别、Redis Sink 的确定性 key 幂等写入，以及这套组合成立的前提与失效边界。
10.3 实时面板数据流
eventd v3 实时面板的 WebFlux SSE 推送实现：Redis 订阅与 Lettuce 响应式驱动的接入方式、SSE 事件格式与断线重连、慢消费者下的背压与丢弃策略，以及前端 EventSource 的消费示例、命名事件监听和常见踩坑。
10.2 实时告警规则引擎
eventd v3 实时告警规则引擎实现：基于 Flink KeyedProcessFunction 的阈值判断、滑动窗口计数与告警抑制（去抖），涵盖告警级别分级、规则热更新、Redis 持久化与 SSE 推送，并讨论规则误报、重复告警和状态膨胀的取舍。
10.1 实时指标计算
eventd v3 核心实时指标计算：QPS 计数（RecordsOutPerSecond 与自定义 Counter）、延迟分位数计算（ProcessFunction + ValueState 实现近似 P50/P95/P99）、错误率实时统计与滑动窗口告警阈值。
9.3 Flink 窗口聚合
eventd v3 实时指标计算的完整实现：用 Flink DataStream 并行三条窗口聚合（每分钟每用户订单量、近 5 分钟平均延迟、热点商品点击），用 ProcessWindowFunction 补齐窗口与维度信息后写入 Redis；同时说明增量聚合与全量聚合的选择、Redis 键设计为何必须带维度、迟到数据处理，以及本地执行环境下可重跑的断言方式。