文章
Flink 实战:如何解决生产环境中的技术难题?
大数据作为未来技术的基石已成为国家基础性战略资源,挖掘数据无穷潜力,将算力推至极致是整个社会面临的挑战与难题。ApacheFlink作为业界公认为最好的流计算引擎,不仅仅局限于做流处理,而是一套兼具流、批、机器学习等多种计算功能的大数据引擎,以其高吞吐低延时的优异实时计算能力、支持海量数据的
Flink 在人工智能领域的应用实践
人工智能是未来十年最重要的技术革命与驱动力,在各行各业产生着日益重要的作用,它与大数据的发展相辅相成,不仅推动人类社会迈入更智慧的世界,也为数据的应用带来无可估量的价值。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/5a
基于 Flink 的实时数仓生产实践
数据仓库的建设是“数据智能”必不可少的一环,也是大规模数据应用中必然面临的挑战。在智能商业中,数据的结果代表了用户反馈、获取数据的及时性尤为重要。快速获取数据反馈能够帮助公司更快地做出决策,更好地进行产品迭代,实时数仓在这一过程中起到了不可替代的作用。!(https://imghello
如何分析及处理 Flink 反压?
反压(backpressure)是实时计算应用开发中,特别是流式计算中,十分常见的问题。反压意味着数据管道中某个节点成为瓶颈,处理速率跟不上上游发送数据的速率,而需要对上游进行限速。由于实时计算应用通常使用消息队列来进行生产端和消费端的解耦,消费端数据源是pullbased的,所以反压通常是从
Apache Flink 进阶(八):详解 Metrics 原理与实战
本文由ApacheFlinkContributor刘彪分享,本文对两大问题进行了详细的介绍,即什么是Metrics、如何使用Metrics,并对Metrics监控实战进行解释说明。什么是Metrics?Flink提供的Metrics可以在Flink内部收
开源大数据生态下的 Flink 应用实践
过去十年,面向整个数字时代的关键技术接踵而至,从被人们接受,到开始步入应用。大数据与计算作为时代的关键词已被广泛认知,算力的重要性日渐凸显并发展成为企业新的增长点。ApacheFlink(以下简称Flink)以其快速、准确的算力备受关注,如何将Flink更好的与大数据生态技术相结合,充分挖掘
Flink State 有可能代替数据库吗?
有状态的计算作为容错以及数据一致性的保证,是当今实时计算必不可少的特性之一,流行的实时计算引擎包括GoogleDataflow、Flink、Spark(Structure)Streaming、KafkaStreams都分别提供对内置State的支持。State的引入使得实时应用可以
Apache Flink 的迁移之路,2 年处理效果提升 5 倍
一、背景与痛点在2017年上半年以前,TalkingData的AppAnalytics和GameAnalytics两个产品,流式框架使用的是自研的tdetlframework。该框架降低了开发流式任务的复杂度,对于不同的任务只需要实现一个changer链即可,
趣头条基于 Flink 的实时平台建设实践
本文由趣头条实时平台负责人席建刚分享趣头条实时平台的建设,整理者叶里君。文章将从平台的架构、Flink现状,Flink应用以及未来计划四部分分享。一.平台架构1.Flink应用时间线!(https://imghelloworld.osscnbeij
咱们从头到尾讲一次 Flink 网络流控和反压剖析
本文根据ApacheFlink系列直播整理而成,由ApacheFlinkContributor、OPPO大数据平台研发负责人张俊老师分享。主要内容如下:网络流控的概念与背景TCP的流控机制FlinkTCPbased反压机制(beforeV1.5)Fl
已加载文章中没有匹配内容,试试其他关键词或清空搜索。