小米从 2019 年开始引入 Flink 并处理实时计算相关的需求，从第一个接入的版本 1.7 到最新的 1.14，累计已升级更新了 6 个大的版本，目前已接入包括数据采集、信息流广告、搜索推荐、用户画像、金融等在内的全集团所有业务线的 3000+ 任务，日均处理 10w亿+ 的消息，并在国内外搭建了 10+ 集群。本次我将为大家分享小米基于 Flink 相关的优化和实践，希望能带给大家一些启发。

演讲提纲：

1. Flink 在小米的发展历程与现状

2. 遇到的问题与相关优化探索

• 处理应对常规问题
  • 日益增长的小文件
  • RPC 请求延迟过高
  • 用户 quota 不足
• 基于 YARN 实现动态扩缩容
• 从海量的运维压力中解放人力
• Flink 版本收敛实践

3. 业务的最佳实践

4. 未来规划与展望

你将获得：

• Flink 的相关原理
• 大规模实时场景下的问题挑战与应对
• 了解小米在实时计算平台的优化与实践经验

本次分享我将为大家着重介绍 Apache Flink 在汽车之家的核心实践内容，你可以了解到：如何基于 Apache Flink 建设稳定、易用、日计算量超过万亿级的实时计算平台；如何复用实时计算平台强大的分布式计算能力和完善的基础设施，快速建设数据接入平台；如何基于 Apache Flink + Apache Iceberg 建设湖仓一体的架构以及在实践落地的过程中做了哪些优化，踩过哪些坑。

演讲提纲：

1. 实时计算平台建设

• 背景
• 自助开发
• 自助运维
• 自动伸缩容
• 复用实时计算平台

2. 实时数据入湖（Iceberg）

• 打通数仓现有权限体系
• Iceberg Upsert 功能改进
• 其他实践
• 遇到的一些问题

你将获得：

• 了解 Iceberg 入湖的生产经验
• 了解汽车之家实时计算平台建设经验

Prophet 是 Facebook 开源的一个时间序列模型，被广泛应用在数据报警相关领域，但是该模型有只支持单机的缺点。Flink 是一个优秀的数据处理框架，但是它对相关时间序列模型支持不多。本次的分享，我将着重介绍京东是如何将 Prophet 模型分布式化以及实现 Prophet 模型基于 Flink 的实时训练的过程和方式，包括实时模型训练的 failover 策略、pretrain 策略、模型训练的冷启动/热切换和模型分布式等。

演讲提纲：

1. Prophet 模型训练的 failover 策略

2. 在 Alink 里面实现 Prophet 模型 pretrain 策略

3. Prophet 模型训练的冷启动/热切换实践

4. 基于 Flink 的数据并行策略

5. 基于 Flink 将单机模型分布式化

你将获得：

• 了解基于 Flink 的实时机器学习流程
• 了解 Prophet 时间序列模型的使用