由 dawei 某实时风控系统原平均端到端延迟达1200ms，高峰时突破3秒，无法满足毫秒级决策需求。经全链路诊断，瓶颈集中于Flink消费Kafka数据后的反压、Checkpoint阻塞及序列化开销三大环节。
Kafka端调整为关键起点：将fetch.min.bytes从1提升至65536，减少空轮询；max.poll.records由500增至1000，并配合session.timeout.ms从10s延长至30s，显著降低重平衡频率。同时启用消费者端RecordBatch缓存（enable.auto.commit设为false，手动控制提交时机），吞吐量提升40%，消费延迟稳定在80ms内。
Flink侧聚焦反压治理：关闭默认的checkpointing预提交（setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE)保持，但禁用aligned checkpoints），改用非对齐检查点；将state.backend设为RocksDB并开启增量快照（enableIncrementalCheckpointing(true)）；调大state.checkpoints.dir的写入带宽限流阈值，使单次checkpoint耗时从900ms压缩至220ms。
AI生成图像，仅供参考
序列化层面替换掉Flink自带的Kryo：对核心事件POJO统一使用Avro Schema生成代码，配合GenericRecord复用内存；注册自定义TypeInformation，避免运行时反射开销。序列化耗时下降65%，CPU利用率降低28%。
并行度策略精细化：Kafka topic分区数由12扩至48，Flink Source并发度同步拉齐；KeyBy后算子依据业务热点键做预分片（salting + 2-level key），规避单Key倾斜；窗口聚合算子启用本地预聚合（aggregate pre-aggregate in ProcessWindowFunction），减少Shuffle数据量37%。
最终效果：端到端P99延迟从1200ms降至360ms，下降70%；吞吐能力达120万条/秒（+85%）；Checkpoint失败率归零；集群资源水位稳定在65%以下。所有优化均通过A/B测试验证，无状态丢失或重复计算风险。