Question

我刚刚开始使用Scala的Apache Flink。有人可以告诉我如何从我当前的数据流创建滞后流（滞后k事件或k单位时间）？

基本上，我想在数据流上实现自动回归模型（在流上使用时间滞后版本的线性回归）。因此，需要一种类似于以下伪代码的方法。

val ds : DataStream = ...

val laggedDS : DataStream = ds.map(lag _)

def lag(ds : DataStream, k : Time) : DataStream = {

}

如果每个事件的间隔为1秒，并且有2秒的延迟，我希望样本输入和输出是这样的。

输入：1,2,3,4,5,6,7 ...
输出：NA，NA，1,2,3,4,5 ...

Answer 1

鉴于我的要求是正确的，我会将其实现为具有FIFO队列的FlatMapFunction。队列缓冲k个事件，并在新事件到达时发出头部。如果您需要容错流应用程序，则必须将队列注册为状态。然后，Flink将负责检查状态（即队列），并在发生故障时将其恢复。

FlatMapFunction可能如下所示：

class Lagger(val k: Int) 
    extends FlatMapFunction[X, X] 
    with Checkpointed[mutable.Queue[X]] 
{

  var fifo: mutable.Queue[X] = new mutable.Queue[X]()

  override def flatMap(value: X, out: Collector[X]): Unit = {
    // add new element to queue
    fifo.enqueue(value)
    if (fifo.size == k + 1) {
      // remove head element and emit
      out.collect(fifo.dequeue())
    }
  }

  // restore state
  override def restoreState(state: mutable.Queue[X]) = { fifo = state }

  // get state to checkpoint
  override def snapshotState(cId: Long, cTS: Long): mutable.Queue[X] = fifo

}

更多涉及具有时滞的返回元素。这将需要用于发射的计时器线程，因为该函数仅在新元素到达时被调用。

Apache Flink：创建一个滞后数据流

1 个答案: