标签：acking Engines Flink Streaming throughput Storm Spark
简介：雅虎发布的一份各种流处理引擎的基准测试，包括Storm, Flink, Spark Streaming
动机：贴近生产环境，使用Kafka和Redis进行数据获取和存储，设计并实现了一个真实的流处理基准。
论文中的一些测试结果和结论：
原文：The results demonstrate that at fairly high throughput, Storm and Flink have much lower latency than Spark Streaming (whose latency is proportional to throughput rate). On the other hand, Spark Streaming is able to handle higher maximum throughput rate while its performance is quite sensitive to the batch duration setting.
- Storm, Flink延迟更小，更加接近于真正的“实时”流处理系统。
- Spark Streaming有更高的吞吐率，同时延迟也最高。Spark Streaming的性能对批处理间隔时间设置(batch duration setting)敏感。
原文：at high-throughput both versions of Storm struggled。
- storm不适合高吞吐量。
原文：Storm’s acking functionality as of version 0.11.0 incurs enough overhead to be a limitation at very high throughputs, and while processing guarantees require acking, flow control could be achieved via backpressure instead.
- Storm 的 acking 功能会产生很大的开销，从而限制了高吞吐。虽然处理保证需要 acking，但可以通过背压来实现流量控制。（这个第二句话不是很懂啥意思……）
标签：acking,Engines,Flink,Streaming,throughput,Storm,Spark 来源： https://blog.csdn.net/qq_42061233/article/details/118069127
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。