3. Flink 实时计算基础：架构、API、时间语义与 Watermark

在构建反洗钱 PSI 漂移监测系统时，Flink 作为核心计算引擎，其架构设计与时间处理机制直接决定了监测的实时性与准确性。本节将系统梳理 Flink 的运行时架构、DataStream API 编程模型、事件时间与处理时间的区别，以及 Watermark 机制在乱序数据流中的关键作用。

3.1 Flink 架构概览：从 Client 到 TaskManager

Flink 采用主从架构，核心组件包括 JobManager（主节点）和 TaskManager（工作节点），配合 Client 提交作业，形成完整的运行时体系。

3.2 DataStream API：构建反洗钱数据管道

DataStream API 是 Flink 实时计算的核心编程接口，支持对无界数据流进行转换、聚合与窗口计算。在 PSI 漂移监测场景中，我们通过 DataStream API 构建从交易数据接入到漂移指标计算的完整管道。

// 示例：DataStream API 构建 PSI 监测管道
DataStream<Transaction> sourceStream = env
    .fromSource(kafkaSource, WatermarkStrategy.noWatermarks(), "Kafka Source");

DataStream<FeatureDistribution> distStream = sourceStream
    .map(new ParseTransactionToDistribution())
    .keyBy(dist -> dist.getChannelId() + "_" + dist.getFeatureName())
    .window(TumblingEventTimeWindows.of(Time.hours(1)))
    .aggregate(new DistributionAggregator());

distStream.sinkTo(new PsiResultSink());

3.3 事件时间 vs 处理时间：时间语义的选择

Flink 支持三种时间语义，在反洗钱场景中，事件时间（Event Time）是最符合业务逻辑的选择，因为交易发生的时间才是漂移监测的基准。

3.4 Watermark 机制：应对乱序与延迟

在实时交易流中，网络延迟、系统时钟偏差、数据重试等因素会导致事件乱序到达。Watermark 是 Flink 解决乱序问题的核心机制，它表示“当前事件时间进度”，告诉算子：所有时间戳小于 Watermark 的事件已经全部到达。

3.5 Watermark 策略配置与实战

在反洗钱 PSI 监测中，Watermark 策略需要根据数据源的延迟特征进行调优。通常使用 BoundedOutOfOrdernessWatermarkStrategy，并设置合理的最大乱序时间。

// 配置 Watermark 策略：允许最大 5 秒乱序
WatermarkStrategy<Transaction> watermarkStrategy =
    WatermarkStrategy
        .<Transaction>forBoundedOutOfOrderness(Duration.ofSeconds(5))
        .withTimestampAssigner(
            (event, timestamp) -> event.getEventTime());

DataStream<Transaction> streamWithWatermark = sourceStream
    .assignTimestampsAndWatermarks(watermarkStrategy);