本文主要介紹：Flink 的主要應用場景。
Flink 主要應用場景有三類：
1.Event-driven Applications【事件驅動】
2.Data Analytics Applications【分析】
3.Data Pipeline Applications【管道式ETL】
Event-driven Applications
上圖包含兩塊：Traditional transaction Application（傳統事務應用）和Event-driven Applications（事件驅動應用）。
Traditional transaction Application執行流程：比如點選流Events可以通過Application寫入Transaction DB（資料庫），同時也可以通過Application從Transaction DB將資料讀出，並進行處理，當處理結果達到一個預警值就會觸發一個Action動作，這種方式一般為事後諸葛亮。
Event-driven Applications執行流程：比如採集的資料Events可以不斷的放入訊息佇列，Flink應用會不斷ingest（消費）訊息佇列中的資料，Flink 應用內部維護著一段時間的資料（state），隔一段時間會將資料持久化儲存（Persistent sstorage），防止Flink應用死掉。Flink應用每接受一條資料，就會處理一條資料，處理之後就會觸發（trigger）一個動作（Action），同時也可以將處理結果寫入外部訊息佇列中，其他Flink應用再消費。
典動類應用：
1.欺詐檢測(Fraud detection)
2.異常檢測(Anomaly detection)
3.基於規則的告警(Rule-based alerting)
4.業務流程監控(Business process monitoring)
5.Web應用程式(社交網路)
Data Analytics Applications
Data Analytics Applications包含Batch analytics（批處理分析）和Streaming analytics（流處理分析）。
Batch analytics可以理解為週期性查詢：比如Flink應用凌晨從Recorded Events中讀取昨天的資料，然後做週期查詢運算，最後將資料寫入Database或者HDFS，或者直接將資料生成報表供公司上層領導決策使用。
Streaming analytics可以理解為連續性查詢：比如實時展示雙十一天貓銷售GMV，使用者下單資料需要實時寫入訊息佇列，Flink 應用源源不斷讀取資料做實時計算，然後不斷的將資料更新至Database或者K-VStore，最後做大屏實時展示。
Data Pipeline Applications
Data Pipeline Applications包含Periodic （週期性）ETL和Data Pipeline（管道）
Periodic ETL：比如每天凌晨週期性的啟動一個Flink ETL Job，讀取傳統資料庫中的資料，然後做ETL，最後寫入資料庫和檔案系統。
Data Pipeline：比如啟動一個Flink 實時應用，資料來源（比如資料庫、Kafka）中的資料不斷的通過Flink Data Pipeline流入或者追加到資料倉庫（資料庫或者檔案系統），或者Kafka訊息佇列。
阿里Flink應用場景
阿里在Flink的應用主要包含四個模組：實時監控、實時報表、流資料分析和實時倉庫。
實時監控：
使用者行為預警、app crash 預警、伺服器攻擊預警對使用者行為或者相關事件進行實時監測和分析，基於風控規則進行預警實時報表：
雙11、雙12等活動直播大屏對外資料產品：生意參謀等資料化運營流資料分析：
實時計算相關指標反饋及時調整決策內容投放、無線智慧推送、實時個性化推薦等實時倉庫：
資料實時清洗、歸併、結構化數倉的補充和優化欺詐檢測
總結
假設你是一個電商公司，經常搞運營活動，但收效甚微，經過細緻排查，發現原來是羊毛黨在薅平臺的羊毛，把補給使用者的補貼都薅走了，錢花了不少，效果卻沒達到。
怎麼辦呢？你可以做一個實時的異常檢測系統，監控使用者的高危行為，及時發現高危行為並採取措施，降低損失。
系統流程：
1.使用者的行為經由app 上報或web日誌記錄下來，傳送到一個訊息佇列裡去；
2.然後流計算訂閱訊息佇列，過濾出感興趣的行為，比如：購買、領券、瀏覽等
3.流計算把這個行為特徵化；
4.流計算通過UDF呼叫外部一個風險模型，判斷這次行為是否有問題（單次行為）；
5.流計算裡通過CEP功能，跨多條記錄分析使用者行為（比如使用者先做了a，又做了b，又做了3次c），整體識別是否有風險；
6.綜合風險模型和CEP的結果，產出預警資訊。