4. Flink CEP 状态管理：内部状态机制、状态后端选择、状态 TTL 配置、状态大小监控

在风控场景中，Flink CEP 作业通常需要长时间运行，并维护大量部分匹配的中间状态。如果状态管理不当，轻则导致作业性能下降、OOM，重则引发数据不一致甚至作业崩溃。本章深入剖析 CEP 内部状态机制，并给出状态后端选型、TTL 配置及监控的最佳实践。

4.1 CEP 内部状态机制

Flink CEP 的 NFA（Nondeterministic Finite Automaton） 在运行时，会为每个输入事件维护一组计算状态和队列状态。这些状态直接决定了模式匹配的完整性与性能。

4.2 状态后端选择

状态后端决定了 CEP 状态数据的存储位置、持久化方式以及访问性能。风控场景下，推荐优先使用 RocksDBStateBackend，但需要根据作业特性做精细调优。

4.3 状态 TTL 配置

CEP 状态如果不设置 TTL，会随着时间无限增长，最终导致作业不可用。Flink 1.12+ 支持对 ValueState、ListState、MapState 等设置 TTL，但 CEP 内部使用的 SharedBuffer 是自定义状态，需要额外处理。

// 示例：在 CEP 模式中设置时间窗口，间接控制状态 TTL
Pattern<Event, ?> pattern = Pattern
    .<Event>begin("login")
    .where(new SimpleCondition<Event>() {
        @Override
        public boolean filter(Event event) {
            return event.getType().equals("LOGIN_FAIL");
        }
    })
    .followedBy("payment")
    .where(new SimpleCondition<Event>() {
        @Override
        public boolean filter(Event event) {
            return event.getType().equals("PAY_FAIL");
        }
    })
    .within(Time.minutes(30));  // 30 分钟内未匹配则自动清除状态

4.4 状态大小监控

状态大小是风控稳定性巡检的核心指标。Flink 提供了多种维度的状态监控手段，建议在 Prometheus + Grafana 监控体系中重点关注以下指标。