3. Flink 核心概念速通：DataStream API、时间语义、窗口机制、状态后端、Checkpoint 与 Savepoint

在构建实时风控特征工程之前，必须掌握 Flink 的五大核心概念。它们是 Flink 处理无界数据流的基石，直接决定了特征计算的准确性、延迟和容错能力。本章将逐一拆解这些概念，并展示它们在风控场景中的具体应用。

3.1 DataStream API：风控特征的计算载体

DataStream API 是 Flink 处理实时数据流的核心抽象。在风控场景中，每一条用户行为（如登录、交易、点击）都会被封装为一个事件，构成一个无界的数据流。

// 风控事件流示例：从 Kafka 读取交易事件，提取用户ID和金额
DataStream<TransactionEvent> transactionStream = env
    .addSource(new FlinkKafkaConsumer<>("transaction-topic", new JSONDeserializationSchema(), props));

DataStream<FeatureVector> featureStream = transactionStream
    .filter(event -> event.getAmount() > 0)
    .map(event -> new FeatureVector(event.getUserId(), event.getAmount(), System.currentTimeMillis()));

3.2 时间语义：决定特征计算的基准

Flink 支持三种时间语义，在风控特征工程中，事件时间（Event Time） 是最关键的选择，因为它能正确处理乱序和延迟数据，保证特征回溯的准确性。

// 设置事件时间语义和 Watermark 策略
DataStream<TransactionEvent> streamWithTimestamps = transactionStream
    .assignTimestampsAndWatermarks(
        WatermarkStrategy.<TransactionEvent>forBoundedOutOfOrderness(Duration.ofSeconds(5))
            .withTimestampAssigner((event, timestamp) -> event.getEventTime())
    );

3.3 窗口机制：特征聚合的时间边界

窗口是实时风控特征工程的核心算子。它将无界流切分成有限大小的“桶”，在每个桶内进行聚合计算（如求和、计数、求平均）。

3.4 状态后端：特征存储的基石

Flink 的状态（State）用于存储算子中间计算结果。在风控特征工程中，每个用户的实时特征（如“近5分钟交易次数”）都存储在状态中。状态后端决定了这些数据的存储位置和访问性能。

// 使用 ValueState 存储用户近5分钟交易次数
public class TransactionCountFunction extends KeyedProcessFunction<Long, TransactionEvent, FeatureVector> {
    private transient ValueState<Long> countState;

    @Override
    public void open(Configuration parameters) {
        ValueStateDescriptor<Long> descriptor = new ValueStateDescriptor<>("transaction-count", Long.class);
        descriptor.enableTimeToLive(StateTtlConfig.newBuilder(Time.minutes(5)).build());
        countState = getRuntimeContext().getState(descriptor);
    }

    @Override
    public void processElement(TransactionEvent event, Context ctx, Collector<FeatureVector> out) throws Exception {
        Long currentCount = countState.value();
        if (currentCount == null) currentCount = 0L;
        countState.update(currentCount + 1);
        out.collect(new FeatureVector(event.getUserId(), currentCount + 1, ctx.timestamp()));
    }
}

3.5 Checkpoint 与 Savepoint：容错与版本管理

Checkpoint 和 Savepoint 是 Flink 提供的一致性快照机制，用于故障恢复和作业升级。在风控场景中，它们保证了特征计算的 精确一次（Exactly-Once） 语义。

// 启用 Checkpoint 配置
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.enableCheckpointing(10000); // 每10秒触发一次 Checkpoint
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(5000);
env.getCheckpointConfig().setCheckpointTimeout(60000);
env.getCheckpointConfig().setExternalizedCheckpointCleanup(
    ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

3.6 本章小结：核心概念在风控特征工程中的角色