注意：以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。
Apache Flink 是一个分布式计算引擎，能够以低延迟处理无限数据集，使其能够处理常见的流式工作流。Foundry 流使用 Flink 作为底层引擎来执行用户代码和其他平台内流应用程序，例如实时填充 Ontology 和流式时间序列摄取。
为了了解您的流应用案例是否需要额外的任务配置，了解 Flink 的工作原理是有帮助的。
关于 Flink 的更多详细文档可以在 Flink 首页 ↗ 找到。
所有流任务都被描述为一系列作用于一组数据源的操作，并将结果写入数据汇。 这些操作包括诸如聚合、合并和其他行级操作，例如字符串解析或算术。 每个操作在 Flink 中都由算子抽象表示。在 Flink 中，源和汇也由算子描述。
Flink 任务在内部以“任务图”或“逻辑图”表示。 任务图是由算子组成的节点构成的有向图，其中边缘定义算子之间的关系。 当一个任务提交到 Flink 时，它会创建任务图。 您的 Flink 任务的任务图预览会在 Foundry 任务跟踪器中的详情部分呈现。
在实际执行任务时，Flink 将逻辑图转换为物理图，即算子将在计算运行时上执行的表示。 物理图由任务组成，这是 Flink 任务中的基本工作单元，可以表示一个算子的一个实例或多个算子链。
与 Spark 类似，Flink 的运行时架构包括不同类型的工作者。 Spark 使用驱动程序来协调和管理任务并使用执行器来执行任务，Flink 使用任务管理器和作业管理器，它们的角色大致类似于 Spark 的驱动程序和执行器。
Flink 作业管理器负责调度任务和分配任务资源，处理已完成或失败的任务，协调任务检查点和故障恢复，并提供对任务信息的程序化访问。 通常，在任何给定时间，只有一个活跃的作业管理器 - 领导者 - 备用作业管理器在发生不可恢复的错误时保持热备用。
Flink 任务管理器负责任务的执行以及在流之间缓冲和交换数据。 总是至少有一个任务管理器，但可能会有更多任务管理器以实现流处理的并行化。 当任务管理器需要处理非常大的记录时，可能需要额外的资源。 如果您的流具有极高的吞吐量，则可能需要增加任务的并行度，这会导致增加任务管理器的数量。
虽然一些 Flink 操作只需要单独查看单个事件，但其他操作需要记住多个事件的信息。 这些是有状态操作。 有状态操作的一些例子是：
有状态操作所需的信息称为任务状态，Flink 使用状态后端存储这些信息。状态由任务管理器管理和存储，并由作业管理器以检查点的形式协调。当您有较大的状态（例如，当聚合或合并具有非常大的窗口时），您的作业管理器和任务管理器可能需要额外的资源。