DSMS、Storm和Flink的区别
像Storm和Flink这样的系统可以被视为DSMS，还是更普通的东西？
谢谢
共有1个答案
这两种类型的系统在试图解决不同的用例时彼此更加正交。因此，没有一个包含或概括了另一个。
DSM通常是：
- 作为统一解决方案提供存储和计算的端到端解决方案
- 必须首先将外部数据导入系统
- DSMS通常是面向SQL的，这使得它们易于使用，但通常它们的表达能力较弱
- 通常只能处理结构化数据（基于架构的元组格式）
- DSMS通常不缩放
-
null
-
null
-
我正在使用这两个实时数据流框架处理器。我找遍了所有的地方，但我找不到这两个框架之间有很大的区别。特别是，我想知道他们是如何工作的基础上的数据或拓扑等大小。
-
Flink被比作Spark，在我看来，这是一个错误的比较，因为它将窗口事件处理系统与微批处理进行了比较；同样地，对我来说，将Flink与Samza进行比较也没有那么大的意义。在这两种情况下，它比较了实时事件处理策略和批处理事件处理策略，即使在Samza的情况下“规模”较小。但我想知道Flink与Storm的比较如何，它在概念上似乎更相似。 我发现这张（幻灯片#4)记录了Flink的“可调延迟”这一
-
本文向大家介绍Spark Streaming和Storm有何区别？相关面试题，主要包含被问及Spark Streaming和Storm有何区别？时的应答技巧和注意事项，需要的朋友参考一下 一个实时毫秒一个准实时亚秒，不过storm的吞吐率比较低。
-
Apache Storm和LMAX Disruptor之间有什么不同之处？两者都在一起解决不同的问题吗？如果是，它们是什么？几天来，我一直在学习Apache Storm，我发现它与LMAX Disruptor有一些相似之处。虽然LMAX中断器用于在线程之间传递消息，但对数据进行某些处理的事件是链接在一起的（如树、菱形、三角形、简单序列）。类似地，Storm的喷口用多个螺栓连接，这些螺栓对数据执行一
-
我正在尝试构建一个Flink作业，该作业将从Kafka源读取数据并进行一系列处理，包括很少的REST调用，然后最终进入另一个Kafka主题。 我试图解决的问题是消息重试。如果REST API中存在瞬时错误怎么办？如何像Storm支持的方式那样，对这些消息进行基于指数退避的重试？ 我有两种方法可以考虑 使用TimerService，但如果发生故障，状态将开始不受控制地扩展。 将失败的消息写入不同的K
-
另外，如果我想进行性能比较并自己实现它，是否有任何流API（如twitter API）比twitter提供更高的吞吐量，并且是开源的？ 谢谢！