# 1. Flink 的两阶段提交 Sink（TwoPhaseCommitSink）如何借助事务预提交保证端到端 Exactly-Once，对 Kafka 事务有何依赖 A 两阶段提交只在 Driver 端完成，与算子无关 B TwoPhaseCommitSink 在 checkpoint 时先预提交事务，checkpoint 成功后提交，失败回滚，依赖外部系统支持事务如 Kafka 事务性 producer ✓ 正确答案 C 无需任何外部系统支持即可实现端到端 Exactly-Once D 预提交与提交是同一操作
# 2. Flink 与 Kafka 的精确一次集成 A 只需 sink 端事务即可，源端无需处理 B 消费端用 read_uncommitted 即可 C 精确一次与 checkpoint 无关 D 源端靠 checkpoint 记录 offset 防重读，sink 端用 Kafka 事务 producer 配合 checkpoint 原子提交，二者由 checkpoint 对齐实现端到端 Exactly-Once ✓ 正确答案
# 3. Flink Checkpoint 的 Barrier 机制、对齐（aligned）与不对齐（unaligned）检查点的取舍 A 不对齐 Checkpoint 快照体积更小 B 不对齐 Checkpoint 精度更高 C Barrier 对齐不需要等待任何输入 D 对齐是等待所有输入分支的 Barrier 后再快照，保证精确一次但可能受背压拖慢；不对齐 Checkpoint 跳过对齐、快照更大但降低延迟 ✓ 正确答案
# 4. Flink 的 Exactly-Once 与 Checkpoint A Checkpoint 通过 Barrier 对齐做一致快照并持久化，恢复时从快照重放，保证引擎级精确一次；端到端还需源端可重放与 sink 事务/幂等配合 ✓ 正确答案 B Checkpoint 只保存运行时状态，不保存 source 位置 C 开启 Checkpoint 即自动保证端到端精确一次，无需 sink 配合 D Exactly-Once 与 Checkpoint 无关
# 5. Flink 状态 TTL 如何配置以清理过期状态，状态膨胀会带来哪些 checkpoint 与内存问题、如何治理 A StateTtlConfig 可配置状态存活时间并配合 Background/增量/压缩清理，状态膨胀会增大 checkpoint 体积与内存占用，TTL 是常用治理手段 ✓ 正确答案 B 状态膨胀只影响内存，不影响 checkpoint C 状态 TTL 不能清理任何状态 D 状态 TTL 配置后立即清理全部状态
# 6. Flink 的 CEP（Complex Event Processing） A CEP 只能处理单事件，不能处理序列 B CEP 用 Pattern API 定义事件序列模式（如 next/followedBy/次数），通过 CEP.pattern 匹配复杂事件，常用于实时告警与风控 ✓ 正确答案 C CEP 不需要时间语义 D CEP 与状态管理无关，无法恢复
# 7. Flink 的 FlinkML 机器学习 A FlinkML 只能做离线训练 B FlinkML 是功能最全的 ML 库，超过 MLlib C FlinkML 提供表驱动的机器学习与在线学习能力，但算法覆盖远不如 Spark MLlib 成熟，工程上常与 MLlib 分工 ✓ 正确答案 D FlinkML 与 Table API 无关
# 8. Flink 的 Kryo 与 Avro 序列化 A Avro 不支持 schema 演进 B Kryo 是 Flink 性能最好的序列化器 C Flink 优先使用基于 TypeInformation 的内置序列化器，未识别类型回退 Kryo（通用但慢），与外部系统交换结构化数据常用 Avro（schema 驱动） ✓ 正确答案 D Flink 无法处理自定义类型
# 9. Flink 的 Metric 与监控（flink-metrics） A Flink 无法上报自定义 metric B Flink 提供 Counter/Gauge/Histogram/Meter 四类 metric，通过 reporter（如 Prometheus/JMX）上报，checkpoint 失败、背压、watermark 进度是核心监控指标 ✓ 正确答案 C 只有 Counter 一种 metric 类型 D 监控与 checkpoint 无关
# 10. Flink 的 ProcessFunction 与 Timer A ProcessFunction 可访问元素、状态与时间戳，并通过 TimerService 注册事件/处理时间定时器，onTimer 回调用于超时检测、状态清理等场景 ✓ 正确答案 B ProcessFunction 无法访问状态 C Timer 只能注册一次，无法重复 D Timer 与 checkpoint 无关，无法恢复
# 11. Flink 的 Savepoint 与 Checkpoint 差异 A Checkpoint 自动周期触发用于故障恢复、生命周期短，Savepoint 手动触发用于升级/迁移/扩容、要求跨版本兼容 ✓ 正确答案 B 二者完全等价，无区别 C Savepoint 自动触发，Checkpoint 手动触发 D Checkpoint 要求跨版本兼容
# 12. Flink 的 Stream 与 Batch 模式 A Batch 模式延迟更低 B Streaming 模式无法处理有界数据 C 两种模式 API 完全不同，无法复用 D Streaming 处理无界流逐事件低延迟，Batch 处理有界数据一次性执行可重度优化，Flink 批流一体用同一套 API 支持两种模式 ✓ 正确答案
# 13. Flink 的 Table API 与 SQL A SQL 无法表达流式查询 B Table API 只能用于批处理 C Table API/SQL 把流视为动态表，执行连续查询，属声明式高层 API，可通过 toDataStream/fromDataStream 与 DataStream API 互转 ✓ 正确答案 D Table 与 DataStream 无法互转
# 14. Flink 的 Time 语义（Event/Processing/Ingestion） A Processing Time 最符合业务语义 B Event Time 无需处理乱序 C 三种时间语义完全相同 D Event Time 取事件源头时间最符合业务语义但需 watermark 处理乱序，Processing Time 取处理时刻最简单但不确定，Ingestion Time 由源注入 ✓ 正确答案
# 15. Flink 的 Watermark 机制 A Watermark 与乱序无关，用于排序 B watermark 越大越早触发窗口 C 迟到数据无法再处理 D Watermark 表示"时间戳小于等于它的数据已到齐"的进度，用于触发 event-time 窗口，配合 allowedLateness 与 side output 处理迟到数据 ✓ 正确答案
# 16. Flink 的反压（Backpressure）机制 A 反压是 Flink 的错误，需要报错停止 B 反压只发生在源端，与算子无关 C 反压无法被检测 D 反压是下游处理慢导致上游缓冲被占满、压力沿链路反传的流控机制，可用 UI 背压面板定位瓶颈算子并针对性优化 ✓ 正确答案
# 17. Flink 窗口的触发器（Trigger）与增量聚合（AggregateFunction）在实时指标计算中的应用 A Trigger 决定窗口何时触发输出，AggregateFunction 在窗口内增量聚合只维护中间结果，内存省、性能高，适合实时指标计算 ✓ 正确答案 B 增量聚合需缓存窗口内全部数据 C Trigger 决定聚合方式，AggregateFunction 决定触发时机 D 窗口计算必须等待窗口结束才输出，无法增量
# 18. Flink CDC（Debezium 连接器）在实时入湖入仓中的应用与快照/增量切换 A Flink CDC 只能做全量同步 B Flink CDC 基于 Debezium 读取 binlog 捕获变更，先全量快照再自动切换增量 binlog，配合 checkpoint 断点续传实现实时同步 ✓ 正确答案 C CDC 需要业务表加额外字段 D CDC 不能处理增量变更
# 19. Flink on Kubernetes 的 Native 与 Standalone 部署模式有何差异，JobManager 高可用如何借助 K8s ConfigMap 与 ZooKeeper 实现 A Native 模式用 K8s API 动态管理 TaskManager，Standalone 由 Flink 自管；JobManager HA 可借助 K8s ConfigMap 存元数据选主或 ZooKeeper 选主 ✓ 正确答案 B 两种模式完全相同 C Standalone 模式深度使用 K8s 调度 Native 资源 D K8s 部署无需 HA 机制
# 20. Flink 的核心架构（JobManager/TaskManager） A TaskManager 负责调度与切分 Stage B JobManager 不参与 checkpoint C 每个 TaskManager 只能运行一个算子 D JobManager 负责调度、checkpoint 协调与资源分配，TaskManager 负责执行算子与维护状态，Slot 是资源分配的基本单位 ✓ 正确答案
# 21. Flink 的状态后端（MemoryStateBackend/FsStateBackend/RocksDBStateBackend） A RocksDBStateBackend 把状态存于本地磁盘可支撑超大状态，Memory/Fs 存于堆内存适合小状态，checkpoint 由后端决定持久化方式 ✓ 正确答案 B MemoryStateBackend 适合超大状态 C RocksDBStateBackend 状态存于 JVM 堆 D 状态后端不影响 checkpoint 方式
# 22. Flink 的窗口（Window）类型（滚动/滑动/会话） A 滑动窗口永远不会重叠 B 滚动窗口固定大小不重叠，滑动窗口固定大小可重叠，会话窗口按不活跃间隔切分、长度不固定，适合用户会话分析 ✓ 正确答案 C 会话窗口长度固定 D 三种窗口都无法处理时间
# 23. Flink 窗口如何处理迟到数据，allowedLateness 与 sideOutputLateData 的协作机制及数据丢弃时机是怎样的 A 迟到数据一律丢弃，无法处理 B allowedLateness 允许窗口在结束后再保留一段时间并再次触发计算，超出该时间仍迟到的数据可经 sideOutputLateData 输出旁路，否则被丢弃 ✓ 正确答案 C allowedLateness 会让窗口无限期保留 D side output 是迟到数据的主要处理通道，与 allowedLateness 无关
# 24. Flink Table/SQL 与 DataStream API 的互操作（toDataStream/fromDataStream） A Table 与 DataStream 无法互转 B 转换会丢失时间属性，无法保留 watermark C toDataStream 只能得到 changelog 流 D fromDataStream 把流转为表，toDataStream 转追加流、toChangelogStream 转 changelog 流，需注意表类型与时间属性匹配 ✓ 正确答案
