實時流式計算，也就是RealTime,Streaming,Analyse,在不同的領域有不同的定義,這里我們說的是大數據領域的實時流式計算。
實時流式計算,或者是實時計算,流式計算,在大數據領域都是差不多的概念。那么，到底什么是實時流式計算呢？
谷歌大神Tyler Akidau在《the-world-beyond-batch-streaming-101》一文中提到過實時流式計算的三個特征：
1、無限數據
2、無界數據處理
3、低延遲
無限數據指的是,一種不斷增長的，基本上無限的數據集。這些通常被稱為“流數據”，而與之相對的是有限的數據集。
無界數據處理,一種持續的數據處理模式,能夠通過處理引擎重復的去處理上面的無限數據，是能夠突破有限數據處理引擎的瓶頸的。
低延遲，延遲是多少并沒有明確的定義。但我們都知道數據的價值將隨著時間的流逝降低，時效性將是需要持續解決的問題。
現在大數據應用比較火爆的領域，比如推薦系統在實踐之初受技術所限，可能要一分鐘，一小時，甚至更久對用戶進行推薦，這遠遠不能滿足需要，我們需要更快的完成對數據的處理，而不是進行離線的批處理。
但是這種模型肯定會帶來離線批處理所不存在的兩個問題：正確性與時間。
而這也正是實時流式計算的關鍵點：
1、正確性 一旦正確性有了保證，可以匹敵批處理。
2、時間推導工具 而一旦提供了時間推導的工具，變完全超過了批處理。
總結來說，我們得到的會是一條條的，隨著時間流逝不斷增長的數據，我們需要進行實時的數據分析，我們要解決大數據量，災備，時序，時間窗口，性能等等問題。
而實時，流式其實是相對的概念，現在的很多技術更應該說是近實時，微批。但只要能不斷的優化這些問題，實時流式的計算的價值就會越來越大。
由于大數據興起之初，Hadoop并沒有給出實時計算解決方案，隨后Storm，SparkStreaming，Flink等實時計算框架應運而生，而Kafka，ES的興起使得實時計算領域的技術越來越完善，而隨著物聯網，機器學習等技術的推廣，實時流式計算將在這些領域得到充分的應用。
下面簡單介紹目前常用的幾種應用場景，未來將對Kafka，Storm，SparkStreaming，Flink等相關技術做具體介紹。
主要應用
1、日志分析
比如對網站的用戶訪問日志進行實時的分析，計算訪問量，用戶畫像，留存率等等，實時的進行數據分析，幫助企業進行決策。
2、物聯網
比如對電力系統進行實時的數據檢測，進行報警，實時的顯示，或者根據歷史數據進行實時的分析，預測。
3、車聯網
如今的車聯網已經不限于物聯網，還包括對用戶，交通等等進行分析的一個龐大的系統，改善用戶出行。
4、金融風控
通過對交易等金融行為實時分析，預測出未知風險。
還有很多應用的領域，而且未來會越來越多，在這個過程中具體的業務，以及與技術結合能產生什么樣的價值，還需要不斷的探索。
