流计算框架Flink与Storm的性能对比

即使仅存眷 outTime – inTime(即图中实线部分)，依然可以发明，当 QPS 逐渐增大年夜的时刻，Flink 在延迟上的优势开端表现出来。

5.9 Windowed Word Count Flink At Least>

图中黄色为 99 线，橙色为中位数，虚线为 At Least>

图中蓝色为 99 线，浅蓝色为中位数，虚线为 At Least>

Flink 支撑 Standalone 和>

应用 FileSystem 和 Memory 作为 Backends 时，延迟根本一致且较低。

应用 RocksDB 作为 Backends 时，延迟稍高，且因为吞吐较低，在达到吞吐瓶颈前的延迟陡增。个中>
Storm 将 ACKer 数量设置为零后，每条消息在发送时就主动 ACK，不再等待 Bolt 的 ACK，也不再重发消息，为 At Most>
6.5 推荐应用 Flink 的场景
因为同一算子的多个并行义务处理速度可能不合，在上游算子中不合快照里的内容，经由中心并行算子的处理，达到下流算子时可能被计入同一个快照中。如许一来，这部分数据会被反复处理。是以，Flink 在 Exactly>
Data Generator 按特定速度生成数据，带上自增的 id 和 eventTime 时光戳写入 Kafka 的一个 Topic(Topic Data)。
综合上述测试结不雅，以下及时Ｆ算场景建议推敲应用 Flink 框架进行计算：

请求消息送达语义为 Exactly Once 的场景;

数据量较大年夜，请求高吞吐低延迟的场景;

须要进行状况治理或窗口统计的场景。
7. 瞻望
本次测试中另有一些内容没有进行加倍深刻的测试，有待后续测试弥补。例如：

Exactly Once 在并发量增大年夜的时刻是否吞吐会明显降低?

用户耗时到 1ms 时框架的差别已经不再明显(Thread.sleep() 的精度只能到毫秒)，用户耗时在什么范围内 Flink 的优势依然能表现出来?
本次测试仅不雅察了吞吐涟谕延迟两项指标，对于体系的靠得住性、可扩大性等重要的机能指标没有在统计数据层面进行存眷，有待后续弥补。

Flink 应用 RocksDBStateBackend 时的吞吐较低，有待进一步摸索和优化。

关于 Flink 的更高等 API，如 Table API & SQL 及 CEP 等，须要进一步懂得和完美。
Flink 与 Storm 两个框架比较：
【编辑推荐】
大年夜数据框架比较：Hadoop、Storm、Samza、Spark和Flink
Flink常见的关键技巧与特点详解
为什么说Storm比Hadoop 快？
Apache Flink实现的数据流体系构造
基于Storm构建分布式及时处理应用初探
【义务编辑：未丽燕 TEL：（010）68476606】

3/3 首页上一页 1 2 3

　　推荐阅读

　　大数据要怎么用，12名创业者这样说

Tech Neo技巧沙龙 | 11月25号，九州云/ZStack与您一路商量云时代收集界线治理实践当下，大年夜多半企业都明白大年夜数据的感化。大年夜数据——这个宏大年夜甚至是有时是胜过性>>>详细阅读

本文标题：流计算框架Flink与Storm的性能对比

地址：http://www.17bianji.com/lsqh/39040.html

1/2 1