趋近智
使用Apache Kafka和Flink的实时数据管道
章节 1: 流处理架构与语义
分布式日志的发展
Lambda 与 Kappa 架构
处理保障和含义
事件时间与处理时间
动手实践：设计一个Kappa管道
章节 2: 高级 Kafka 生产者和消费者工作原理
复制协议和ISR
幂等生产者与事务
自定义分区策略
消费者组再平衡协议
动手实践：实现事务性写入
章节 3: Flink 状态管理与检查点
状态后端：HashMap 对比 RocksDB
异步屏障快照
增量检查点
状态模式演变
动手实践：使用 Savepoint 进行状态迁移
章节 4: 高级窗口与时间属性
水位线生成策略
处理延迟数据与侧输出
自定义窗口触发器和驱逐器
会话窗口与间隔分析
动手实践：制作自定义触发器
章节 5: 使用 ProcessFunction 的底层操作
ProcessFunction 结构体系
定时器服务与事件调度
广播状态模式
外部查找的异步 I/O
动手实践：动态规则评估
章节 6: 生产部署与可靠性
Avro 和 Protobuf 序列化
模式注册表集成
Kafka Connect 用于源和目标
故障恢复策略
实战：运行中的模式演进
章节 7: 性能调优与监控
识别反压
内存管理与槽位分配
优化 RocksDB 性能
Kafka 消费者滞后分析
实操：解决数据倾斜
章节 8: 实时AI与特征工程
在线特征生成
流处理中的模型服务模式
基于异步流的请求-响应机制
特征存储的整合
动手实践：实时推理管道
动手实践：实时推理管道
这部分内容有帮助吗？
- Apache Flink Documentation, Apache Flink Community, 2025 (Apache Software Foundation) - Apache Flink的官方指南，涵盖其架构、有状态流处理、自定义算子以及构建实时管道的部署最佳实践。
- Stream Processing with Apache Flink: Fundamentals, StreamSQL, and Data-Driven Applications, Fabian Hueske and Vasia Kalavri, 2019 (O'Reilly Media) - 全面介绍了Flink的流处理功能，包括状态管理、事件时间处理以及实时应用程序的自定义函数开发。
- Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, Chip Huyen, 2022 (O'Reilly Media) - 讨论了构建稳定机器学习系统的架构考量，包括在线推理、实时特征工程以及低延迟预测的优化策略。
- Predictive Model Markup Language (PMML) Specification (Version 4.4.1), Data Mining Group, 2019 (Data Mining Group) - 用于表示预测模型的基于XML语言的官方标准，有助于模型在不同平台之间交换和部署以实现嵌入式推理。
© 2025 ApX Machine Learning用心打造