15.1 引擎选型指南

eventd v2 事件 → Kafka Topic "eventd-raw"
    → Kafka Streams（清洗：轻量有状态转换） ✓
        → Kafka Topic "eventd-cleaned"
            → Flink DataStream（聚合：复杂窗口/CEP） ✓
                → Redis → 面板

需要流处理？
    ├── 数据已经在 Kafka？
    │     ├── 只需要 filter/map/groupBy/窗口计数？
    │     │     └── ✅ Kafka Streams（轻量、低维护）
    │     ├── 需要对乱序做细粒度控制、allowedLateness、侧输出迟到数据？
    │     │     └── ✅ Flink（Streams 只有窗口级 grace period）
    │     ├── 需要 CEP 模式匹配？
    │     │     └── ✅ Flink CEP（Streams 需手写状态机）
    │     ├── 需要 SQL/声明式查询？
    │     │     └── ✅ Flink Table API/SQL
    │     └── 需要混合：清洗用 Streams，计算用 Flink？
    │           └── ✅ 两者都用（eventd v3 模式）
    └── 数据不在 Kafka？
          └── 先入 Kafka → 再选引擎

// 清洗 + 简单聚合 + 写回 Kafka（JSON 字符串进出）
builder.stream("raw-events", Consumed.with(Serdes.String(), Serdes.String()))
    .filter((k, json) -> isValid(json))
    .mapValues(this::normalize)
    .groupByKey()
    .count(Materialized.as("count-store"))
    .toStream()
    .to("metrics", Produced.with(Serdes.String(), Serdes.Long()));

// CEP 风控：10 分钟内先大额、再连续两笔中等金额
Pattern<Event, ?> pattern = Pattern.<Event>begin("large")
    .where(e -> e.amount() > 10_000)
    .next("follow")
    .where(e -> e.amount() > 5_000)
    .times(2)
    .within(Duration.ofMinutes(10));

PatternStream<Event> matches = CEP.pattern(events.keyBy(Event::userId), pattern);

Kafka Streams 做「边界网关」：
    → 数据进入系统时的第一道处理
    → 去重、标准化、简单的格式转换
    → 不需要精确时间语义，不需要 CEP

Flink 做「计算核心」：
    → 清洗后的数据做复杂计算
    → 窗口聚合、CEP、多流 Join
    → 需要精确时间语义和容错