流式处理选型：Flink与Spark Structured Streaming
对比两大流处理方案在执行模型与一致性保障上的差异，结合场景做工程选型。
flink
Kafka Streams与Flink对比：内嵌流处理与分布式引擎
对比内嵌于应用的 Kafka Streams 与分布式流引擎 Flink 的能力与适配场景，指导工程选型。
Flink 状态后端与容错机制（2025）
Flink 状态后端与容错机制（2025）Flink 通过状态后端与 Checkpoint/Savepoint 提供一致性与容错能力。一、状态后端选择与配置：基于 RocksDB/Memory 等选择适配的后端。状态管理：合理拆分与压缩，优化读写性能。二、Checkpoint 与 Savepoint
Flink 事件时间与水位线深度实践（2025）
Flink 事件时间与水位线深度实践（2025）事件时间驱动窗口是 Flink 的核心能力。本文聚焦乱序与迟到数据的工程实践。一、事件时间与水位线事件时间：以事件携带时间戳驱动计算，避免处理时间偏差。水位线（Watermark）：标示低于某时间的事件基本到齐，推进窗口触发。二、乱序与迟到数据乱序容忍
Flink Checkpoint与Exactly-Once：状态一致性与反压治理
以检查点与两阶段提交实现一次性处理与状态一致性，治理反压与恢复策略，构建稳定的流式管道。
"Apache Flink 检查点与保存点实践"
"配置 Flink 检查点与保存点，提供 flink-conf 与 CLI 操作示例，保障状态一致性与回滚能力。"
