Window
聚合事件(如：sum，count，etc)在流上的工作方式与批处理中的不同。例如，我们不能够去统计流中的所有元素，因为流一般是无限的（无界的）。相反，流中的一些aggregate操作,是由Windows控制的，例如：计算过去五分钟或者最后100个元素的总和。
Windows可以是由事件驱动的（例如，每30秒）或者数据驱动（例如每100个元素）。这可以用来区分不同类型的Windows，例如：tumbling windows (no overlap), sliding windows (with overlap), and session windows (punctuated by a gap of inactivity).
Watermark使用总结
- Watermark的含义是所有时间t’< t 的事件都已经发生。假如Watermark t已经生效，那么后续Event Time小于t的记录都会被丢弃掉（目前Flink的处理是丢弃这些来的更晚的数据，后续支持用户配置让更晚的数据也能继续update）。
可以认为watermark是最低水位线，水位线一下的数据都不要了。水位越高时间越大。如果水位线是2018-01-01 01:01:20.000,那么该时间点之前的数据都将会抛弃掉。
Watermark的计算方式是<rowtime_field> - offset，rowtime_field可以是Event Time，Ingestion Time，Processing Time。 - 针对乱序的的流，Watermark至关重要。即使一些事件延迟到达，也不至于过于影响Window窗口计算的正确性。
- 并行数据流中，当Operator有多个输入流时，Operator的Event Time以最小流Event Time为准。
滚动窗口
滚动窗口（TUMBLE）将每个元素分配到一个指定大小的窗口中。通常滚动窗口有一个固定的大小，并且不会出现重叠。例如：如果指定了一个5分钟大小的滚动窗口，无限流的数据会根据时间划分成 [0:00 - 0:05)、 [0:05, 0:10)、 [0:10, 0:15)等窗口。如下图，展示了一个大小划分为30秒的滚动窗口
滑动窗口
滑动窗口（HOP），也被称作Sliding Window。不同于滚动窗口，滑动窗口的窗口可以重叠。
滑动窗口有两个参数：size和slide。size为窗口的大小，slide为每次滑动的步长。
- slide < size，则窗口会重叠，每个元素会被分配到多个窗口。
- slide = size，则等同于滚动窗口（TUMBLE）。
- slide > size，则为跳跃窗口，窗口之间不重叠且有间隙。
会话窗口
会话窗口（SESSION）通过Session活动来对元素进行分组。会话窗口与滚动窗口和滑动窗口相比，没有窗口重叠，没有固定窗口大小。相反，当它在一个固定的时间周期内不再收到元素，即会话断开时，这个窗口就会关闭。
会话窗口通过一个间隔时间（Gap）来配置，这个间隔定义了非活跃周期的长度。例如，一个表示鼠标点击活动的数据流可能具有长时间的空闲时间，并在其间散布着高浓度的点击。 如果数据在最短指定的间隔持续时间之后到达，则会开始一个新的窗口。
OVER窗口
OVER窗口（OVER Window）是传统数据库的标准开窗，OVER Window不同于Group By Window，OVER Window中每1个元素都对应1个窗口。窗口元素是与当前元素相邻的元素集合，流上元素会在多个窗口中。
在应用OVER Window的流式数据中，每1个元素都对应1个OVER Window。每1个元素都触发一次数据计算。在实时计算的底层实现中，OVER Window的数据进行全局统一管理（数据只存储一份），逻辑上为每1个元素维护1个OVER Window，为每1个元素进行窗口计算，完成计算后会清除过期的数据。
类似hive窗口函数中的over
参考：
https://help.aliyun.com/document_detail/62510.html?spm=a2c4g.11186623.2.14.7e97404eJXzGMP#concept-62510-zh