随着第四次工业革命的推进，工业物联网（IIoT）已经成为推动制造业革新和转型的重要力量。通过整合多种传感器、设备和系统，工业物联网实现了设备数据的有效流通和共享，极大促进了生产效率的提升和运营成本的降低，同时也为企业创造了前所未有的商业机会。但是，这一技术进步也带来了巨大的实时数据量，对数据处理的速度和效率提出了极高的挑战。在这种背景下，高性能的流式计算技术成为了工业物联网领域必不可少的核心技术。
在众多流式计算框架中，Apache Flink以其出色的性能表现、灵活的API设计以及精确的一次性状态一致性保证等特性，赢得了工业物联网领域进行高性能流式计算的青睐。Flink不仅能够高效处理实时数据流，还能够根据需要对历史数据进行批处理，完美匹配工业物联网在实时性和数据处理多样性方面的需求。
它们的区别主要在于集群的生命周期以及资源的分配方式不同，以及应用的main方法到在客户端（Client）执行还是在JobManager执行。
在Flink中，采用会话模式更贴合我们常规的操作逻辑。在这种模式下，我们首先建立并激活一个集群，保持一个持续的会话状态。用户可以通过客户端向这个活跃的会话提交作业。由于集群在启动时资源便已分配完毕，因此提交的各个作业将争夺集群内有限的资源。这种模式主要适用于管理和执行众多小型且执行周期短的作业。
在单作业模式中，作业提交之前，Flink集群保持静止状态。作业提交时，客户端负责将任务代码传递给JobManager进行调度执行。鉴于会话模式中资源共用可能引发的一系列问题，我们可以转为采用单作业模式，即为每个提交的作业单独创建并启动一个集群。在这种模式下，作业执行结束，集群随即停止运作，同时释放所有分配的资源。
在提交作业时，Flink集群随之启动，但在此过程中摒弃了客户端的角色。作业不是通过客户端提交给JobManager，而是直接将应用程序提交到JobManager上进行运行。在之前提到的会话模式和单作业模式中，应用代码在客户端执行，并由客户端负责将代码发送至JobManager，这往往会导致客户端所在节点承受较大的网络带宽压力，尤其是在下载依赖和传输二进制数据时。此外，如果多个作业使用同一客户端提交，还会进一步增加该节点资源的负担。
为了解决这个问题，Flink提供了无客户端的方式，直接将应用程序部署到JobManager上执行。这意味着每个提交的应用程序都将启动一个独立的JobManager，从而构建一个专用的集群。这个JobManager仅为了运行该单一应用程序而存在，并在应用程序执行完成后关闭。这种模式被称为应用模式。
在应用模式与单作业模式中，都是在作业提交后创建集群。不同之处在于，单作业模式依然依赖于客户端提交作业，每个作业由客户端解析后分配一个独立的集群；而在应用模式中，作业直接由JobManager执行，无需通过客户端中转，每个应用程序都对应一个专门启动的JobManager。
六、Flink部署运行
使用yarn做资源管理，分别使用以上三种模式部署任务：
特点：先启动flink集群，提交作业时动态分配资源（TaskManager和slot），取消作业时资源被回收
1）启动Flink集群
bin/yarn-session.sh -d -nm yanboot-iot
参数说明：-d 分离模式 -nm 任务名称
启动之后会给出一个管理页面地址以及一个YARN应用ID
2）提交作业
bin/flink run -c com.yanboot.iot.DeviceDataCount FlinkTutorial-1.0-SNAPSHOT.jar
特点：提交作业后启动flink集群
bin/flink run -t yarn-per-job -c com.yanboot.iot.DeviceDataCount FlinkTutorial-1.0-SNAPSHOT.jar
特点：用户的代码在jobManager端解析
bin/flink run-application -t yarn-application -c com.yanboot.iot.DeviceDataCount FlinkTutorial-1.0-SNAPSHOT.jar
Apache Flink在工业物联网的应用场景中，已经证明了自己在高效流式计算方面的巨大能力。与研博工业物联网统一接入系统相结合，Flink在处理工业物联网数据时展现出了卓越的性能和实时分析的能力。这不仅使得企业能够获得更精确的数据洞察力，而且显著提高了生产效率和运营决策的反应速度。随着工业物联网技术的持续发展，Flink预计将在企业中持续担任关键角色，促进流式计算技术在工业领域的深入应用和广泛普及。
