概述
流式处理（Stream Processing）对物联网设备上报的数据流进行实时计算，无需等待数据落库后再批处理。设备数据以"流"的形式持续产生，流式处理引擎在数据到达时即时计算，实现秒级甚至毫秒级延迟的告警、聚合、分析。与规则引擎相比，流式处理支持更复杂的计算逻辑：多流关联、窗口聚合、CEP复杂事件检测、有状态计算。Flink、Spark Streaming、Kafka Streams是主流选择，其中Flink在低延迟、Exactly-once、状态管理方面表现突出，广泛应用于物联网实时场景。
物联网流式处理的典型架构：设备数据经MQTT/Kafka接入，Flink作业消费Kafka Topic，进行过滤、聚合、关联、告警判断，结果写入时序库、告警服务、或下发回设备。与规则引擎形成互补：规则引擎适合简单"条件-动作"，流处理适合复杂计算、多流关联、状态累积。
核心能力
窗口计算
滚动窗口（Tumbling）、滑动窗口（Sliding）、会话窗口（Session）。按时间或数量划分窗口，在窗口内做SUM、AVG、COUNT等聚合。支持事件时间、处理时间、水印机制处理乱序。物联网场景常用1分钟、5分钟滚动窗口做实时聚合。
CEP与状态管理
CEP（Complex Event Processing）：检测事件序列模式，如"A发生后5分钟内B发生"。有状态计算：跨消息的状态累积（如滑动平均、累计计数）。Exactly-once语义：故障恢复后不重不丢。Flink的Checkpoint机制保障状态一致性。
多源汇
支持Kafka、MQTT、HTTP、数据库等作为数据源与输出。可与时序库、告警服务、消息队列、API等对接。支持动态加表、Schema Evolution。
物联网典型应用
实时告警：温度超限、设备离线、异常波动检测。实时聚合：按设备、区域、时间窗口的用量汇总，支撑大屏。异常检测：基于统计或ML模型的实时异常识别。数据同步：多源数据融合、格式转换、写入多目标。与规则引擎、数据微服务、告警服务协同，构建完整的实时数据处理链路。