背压处理 （Backpressure Handling）是指在数据流系统中，当生产者产生数据的速度超过消费者处理能力时，通过特定机制控制数据流速率，防止系统资源耗尽（如内存溢出）或性能下降的一种流量控制策略。
背压的核心问题
- 速率不匹配：生产者高速生成数据，而消费者因资源限制（如CPU、IO、线程）无法及时处理。
- 后果：若无控制，会导致数据堆积、内存溢出（OOM）、系统崩溃或响应延迟。
常见应用场景
- 异步流处理系统（如 Flink、Kafka、Reactive Streams）：生产者推送数据快于消费者处理速度 。
- 响应式编程（如 RxJava、Project Reactor、Flow）：事件流或数据流未被及时消费 。
主流背压处理策略
| 策略 | 行为 | 适用场景 |
|---|---|---|
| **缓冲（Buffer）** | 暂存超额数据，等待消费者处理 | 短时突发流量，可容忍延迟 |
| **丢弃（Drop）** | 直接丢弃无法处理的新数据 | 允许数据丢失，如实时日志、监控指标 |
| **保留最新（Latest）** | 只保留最新数据项，丢弃旧项 | 状态更新类场景（如传感器、UI状态） |
| **错误上报（Error）** | 超载时抛出异常，通知系统干预 | 对数据完整性要求高，需人工介入 |
| **限流（Limit Rate）** | 主动限制生产者发射速率 | 资源受限环境，需稳定吞吐 |
不同框架中的实现方式
-
Reactive Streams（Java）
通过
Subscription.request(n)显式请求数据量，实现"按需拉取" 。 -
RxJava
Flowable支持背压，提供.onBackpressureBuffer()、.onBackpressureDrop()等操作符 。Observable默认不支持背压，易引发MissingBackpressureException。
-
Kotlin Flow
- 默认支持背压（冷流，生产者等待消费者）。
- 可用
.buffer()、.conflate()（合并）、.collectLatest()（只处理最新）等策略 。
-
Apache Flink
基于信用值（credit-based）流量控制：下游任务告知上游可用缓冲区大小，动态调整数据发送速率 。
-
Spring WebFlux
遵循 Reactive Streams 规范，通过
Publisher/Subscriber/Subscription协作实现背压 。
背压处理不是"问题"，而是系统自我保护的必要机制。关键在于：
- 识别背压发生的场景；
- 根据业务需求（是否允许丢数据、能否接受延迟）选择合适策略；
- 在高并发、流式处理、响应式系统中合理配置背压控制逻辑。
**提示：**在实际开发中，建议结合监控（如 Flink Web UI、Prometheus）观察背压状态，避免持续高背压影响系统稳定性 。