Flink四大基石分别是：Time（时间）、Window（窗口）、State（状态）、Checkpoint（检查点）。
下面我们对每个部分，分别进行介绍。
（一）State
什么是状态？
流计算不断有数据流入，会基于历史数据和当前数据做计算，那么各个算子之中计算后的数据就是状态。
- Flink 计算引擎，自身就是基于状态计算框架，默认情况下程序自己管理状态
- 提供一致性的语义，使得用户在编程时能够更轻松、更容易地去管理状态
- 提供一套非常简单明了的State API，包括ValueState、ListState、MapState，BroadcastState
（二）Checkpoint
什么是 Checkpoint（检查点）？
一言以蔽之：用于 Flink 的故障恢复。
Checkpoint 会定期生成快照（Snapshot），对当前 State 进行备份。若Flink程序崩溃，重新运行程序时可以有选择地从这些快照进行恢复。Checkpoint是Flink可靠性的基石
原理：
使用异步屏障快照 Asynchronous Barrier Snapshotting（简称 ABS）算法（依赖于Chandy-Lamport算法的变种）实现分布式快照。
与之相关的，容易混淆的是 **savepoint。**Savepoint 你可以把它当做在某个时间点程序状态全局镜像，以后程序在进行升级，或者修改并发度等情况，还能从保存的状态位继续启动恢复。
| checkpoint | savepoint | |
|---|---|---|
| 概念 | 自动容错机制 | 程序全局状态镜像 |
| 目的 | 程序自动容错，快速恢复。 | 程序修改后继续从状态恢复，程序升级等。 |
| 用户交互 | Flink 系统行为。 | 用户触发。 |
| 状态文件保留策略 | 默认程序删除，可以设置 CheckpointConfig 中的参数进行保留。 | 会一直保存，除非用户删除。 |
（三）Window
流计算一种典型场景是计算一段时间内的统计值，如最近 5min、最近 1h 的点击量。
想完成这个操作，就需要划定一个时间段，也就是开窗，基于这个时间窗口上的数据做计算。
根据窗口数据划分的不同，目前 Flink 支持如下 3 种：
- 滚动窗口，窗口数据有固定的大小，窗口中的数据不会叠加；
- 滑动窗口，窗口数据有固定的大小，并且有生成间隔；
- 会话窗口，窗口数据没有固定的大小，根据用户传入的参数进行划分，窗口数据无叠加。
（四）Time
要进行窗口计算，首先要明确基于的是什么时间。
Flink 中一共提供了三类时间：
- 事件时间（Event Time），即事件实际发生的时间，这个时间一般由数据生产方自身携带；
- 摄入时间（Ingestion Time），事件进入流处理框架的时间；
- 处理时间（Processing Time），事件被处理的时间。
Flink还实现了 Watermark 的机制，能够支持基于事件时间的处理，能够容忍迟到/乱序的数据。这个我们后面篇章再展开讲。