一、Flink中Time的三种类型：

Stream数据中的Time（时间）分为以下3种：

1.Event Time（事件产生的时间）：

        事件的时间戳，通常是生成事件的时间。Event time 是事件本身的时间，可以表现出事件发生的顺序，可以应对一些不规则数据、乱序数据等情况。在使用 Event time时，需要通过引入 Watermark 的概念来处理乱序数据，保证正确性。

2.Ingestion time（事件进入Flink的时间）

        数据进入 Flink 的时间戳，即数据到达 Flink 的时间。Ingestion time 可以实现低延迟的数据处理，同时又能够确保数据的时间顺序。Ingestion time 可以通过在数据源端添加时间戳的方式实现，但是由于存在网络传输等因素，与 Event time 的时间戳可能存在一定的时间差。

3.Processing time（事件被处理时当前系统的时间）

        数据处理的时间戳，即 Flink 处理数据的当前时间。Processing time 可以实现低延迟的数据处理，但是无法保证数据的时间顺序，因此在一些需要按时间窗口进行分组、聚合等操作时，需要使用 Event time 或 Ingestion time。

 二、Flink如何处理乱序数据
 

        在使用EventTime处理Stream数据的时候会遇到数据乱序的问题，流处理从Event（事件）产生，流经Source，再到Operator，这中间需要一定的时间。虽然大部分情况下，传输到Operator的数据都是按照事件产生的时间顺序来的，但是也不排除由于网络延迟等原因而导致乱序的产生，特别是使用Kafka的时候，多个分区之间的数据无法保证有序。因此，在进行Window计算的时候，不能无限期地等下去，必须要有个机制来保证在特定的时间后，必须触发Window进行计算，这个特别的机制就是Watermark。Watermark是用于处理乱序事件的。

1.Watermark是什么？

        Watermark 是一种插入到数据流中的特殊元素，用于表示数据流中的事件时间进展情况。Watermark代表一段时间范围内的最大 Event time，可以作为 Event time 的一个约束，强制 Flink 在这个时间之前的数据已经全部到达。Flink 在执行窗口操作时，可以根据 Watermark 来判断数据是否已经到达，进而触发窗口计算

        watermark还可以处理延迟到达的数据，可以通过设置延迟时间来控制Watermark的生成，从而正确地处理延迟数据。

        例如，如果设置延迟时间为5秒，那么在Event time为T时，Watermark的值为T -5，这样可以保证在Watermark到达之前的5秒内到达的数据也可以被处理。

2.Flink Watermark的使用场景：

（1）处理实时数据流时，需要对数据进行窗口统计。在统计过程中，需要对每个窗口内的事件按照时间戳进行排序，并根据Watermark的信息来确定窗口的边界。

（2）处理流式数据时，需要进行基于时间的聚合操作，例如计算每分钟或每小时的平均值、最大值等。在进行聚合操作时，需要使用Watermark来确定数据的时间范围，以便准确计算结果。

（3）在进行基于时间的数据分析时，需要根据时间戳来识别和分析数据。例如，对某个时间段内的用户行为进行分析，需要使用Watermark来纠正数据的延迟，以便准确分析数据。

（4）通过Flink进行数据清洗和过滤，需要根据事件时间来进行过滤和清洗。在进行过滤和清洗操作时，需要使用Watermark来确定数据的时间范围，以便准确过滤和清洗数据。

总之，Watermark是处理事件时间的关键工具，在流处理中有着广泛的应用场景，能够帮助我们处理数据延迟和乱序等问题，从而提高流处理的准确性和可靠性。

3.Flink Watermark如何与窗口进行联动：

对于窗口而言它是有生命周期的，只要属于此窗口的第一个元素到达，就会创建一个窗口，当时间（事件或处理时间）超过其结束时间戳加上用户指定的允许延迟时，窗口将被完全删除。

例如：使用基于事件时间的窗口策略，每5分钟创建一个不重叠（或翻滚）的窗口并允许延迟1分钟。

假定目前是12:00。

当具有落入该间隔的时间戳的第一个元素到达时，Flink将为12:00到12:05之间的间隔创建一个新窗口，当水位线（watermark）到12:06时间戳时将删除它

• 
   

        而窗口使用的时间就是Watermark，水位线表明着早于它的事件不应该再出现，但是接收到水位线以前的的消息是不可避免的，这就是所谓的迟到事件。实际上迟到事件是乱序事件的特例，和一般乱序事件不同的是它们的乱序程度超出了水位线的预计，导致窗口在它们到达之前已经关闭。所以一般会给Watermark加上延迟时间，这样即便有延迟时间，也不会导致窗口计算错误

三、其他解决窗口中数据乱序方法

除了Watermark，flink中还有两种解决数据乱序的方法

1.allowedLateness

allowedLateness是指允许数据延迟到达一定时间窗口后继续进行处理，这个时间窗口称为“允许延迟时间”（allowed lateness）。当窗口关闭后，还可以继续接收一段时间内到达的数据，直到允许延迟时间过期后才真正关闭窗口。

在使用allowedLateness时，需要在窗口分配器（Window Assigner）中设置allowedLateness参数

2.sideOutputLateData

sideOutputLateData是指将延迟数据输出到侧输出流中，可以使用侧输出流对延迟数据进行处理，不影响正常的数据流处理。

在使用sideOutputLateData时，需要在窗口函数（Window Function）中调用context.sideOutput()方法将延迟数据输出到侧输出流中，