Flink 实时计算 QPS 面试题

题目：
假设某互联网应用日活用户 100 万，每天产生 1 亿条数据（日志/事件），要求使用 Apache Flink 实现实时计算系统的 QPS（Queries Per Second），并考虑以下需求：

实时统计当前 QPS（每秒请求数），并输出到监控系统（如 Prometheus、Kafka、MySQL 等）。
处理数据倾斜，某些 key（如热门用户或接口）可能产生大量数据，如何优化？
保证 Exactly-Once 语义，确保 QPS 计算不丢不重。
应对高峰流量，假设瞬时 QPS 可能达到 10,000，如何保证 Flink 作业的稳定性和低延迟？

问题：

请设计 Flink 作业的数据流（Source → Transformation → Sink），并说明关键算子（如 window、keyBy、aggregate）的作用。
如何实现 QPS 的滑动窗口（如每 1s 计算一次最近 10s 的 QPS）？
如果某些 key 的数据量远高于其他 key（数据倾斜），你会如何优化？
如何保证 Exactly-Once 语义？请结合 Checkpoint 和 StateBackend 说明。
如果 QPS 突增导致反压（Backpressure），你会如何调整 Flink 作业配置？

考察点

✅ Flink 核心概念：Window、KeyedStream、State、Checkpoint
✅ 性能优化：数据倾斜处理、反压调优
✅ 容错机制：Exactly-Once 实现方式
✅ 生产经验：监控、Sink 适配、资源分配

参考答案（简要版）

1. Flink 作业设计

DataStream<LogEvent> source = env.addSource(new KafkaSource<>(...)); // 从 Kafka 消费日志  
DataStream<Tuple2<String, Long>> mapped = source  .map(event -> Tuple2.of(event.getEndpoint(), 1L)) // 转换为 (endpoint, 1)  .returns(Types.TUPLE(Types.STRING, Types.LONG));  // 按接口名分组，计算每 10s 滑动窗口（每 1s 输出一次）  
DataStream<QpsResult> qpsStream = mapped  .keyBy(t -> t.f0) // 按接口分组（可能数据倾斜）  .window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(1)))  .aggregate(new QpsAggregator()) // 自定义聚合函数  .addSink(new PrometheusSink()); // 输出到监控系统

2. 数据倾斜优化

方案 1：加随机前缀，如 hot_key → hot_key_1, hot_key_2，聚合后再合并。
方案 2：使用 rebalance() 强制均匀分发，牺牲局部有序性。

3. Exactly-Once 保证

Checkpoint 机制：开启 enableCheckpointing(5000)，设置 CheckpointingMode.EXACTLY_ONCE。
StateBackend：使用 RocksDBStateBackend（大状态）或 FsStateBackend（低延迟）。
Sink 端：Kafka 事务 / 幂等写入（如 MySQL 用 INSERT ON DUPLICATE KEY UPDATE）。