流计算

Graph4Stream：基于图的流计算加速作者：汪煜之前在「姊妹篇」《Stream4Graph：动态图上的增量计算》中，向大家介绍了在图计算技术中引入增量计算能力「图+流」，GeaFlow流图计算相比Spark GraphX取得了显著的性能提升。那么在流计算技术中引入图计算能力「流+图」，GeaFlow流图计算相比Flink关联计算性能如何呢？

Stream4Graph：动态图上的增量计算作者：张奇众所周知，当我们需要对数据做关联性分析的时候，一般会采用表连接（SQL join）的方式完成。但是SQL join时的笛卡尔积计算需要维护大量的中间结果，从而对整体的数据分析性能带来巨大影响。相比而言，基于图的方式维护数据的关联性，原本的关联性分析可以转换为图上的遍历操作，从而大幅降低数据分析的成本。

Flink状态存储-StateBackendFlink是一个流处理框架，它需要对数据流进行状态管理以支持复杂的计算逻辑。在Flink中，状态存储是指如何和在哪里存储这些状态数据。Flink提供了多种状态后端（State Backend）来实现这种存储，以满足不同的应用场景和性能需求。 StateBackend需要具备如下两种能力： 1、在计算过程中提供访问 State 的能力，开发者在编写业务逻辑中能够使用 StateBackend 的接口读写数据。 2、能够将 State 持久化到外部存储，提供容错能力。根据使用场景的不同， Flink 内置了

【大数据】Flink 详解（五）：核心篇 Ⅳ45、Flink 广播机制了解吗？从图中可以理解广播就是一个公共的共享变量，广播变量存于 TaskManager 的内存中，所以广播变量不应该太大，将一个数据集广播后，不同的 Task 都可以在节点上获取到，每个节点只存一份。如果不使用广播，每一个 Task 都会拷贝一份数据集，造成内存资源浪费。

【大数据】Flink 详解（二）：核心篇 Ⅱ22、刚才提到 State，那你简单说一下什么是 State。