Flink如何处理大规模状态？

​本地磁盘存储​：状态存储在本地磁盘的嵌入式键值数据库 ​RocksDB​ 中，突破内存容量限制，支持 ​TB 级甚至 PB 级​ 状态。
​增量检查点（Incremental Checkpoint）​​：仅上传 ​自上次检查点以来新增或修改的 SST 文件，显著减少检查点时间和存储开销。
​LSM 树结构优化​：通过顺序写入和后台合并（Compaction）提升写吞吐，适合高频更新场景。

​Keyed State 分片​：状态按数据键（Key）的哈希值分布到不同 TaskManager 的实例中，实现水平扩展。
​动态扩缩容​：通过 ​Rescale 策略​ 或 ​KeyGroup 重分配，在作业并行度调整时重新分布状态，避免热点。

增量快照​：仅上传变化数据到分布式存储（如 HDFS、S3），缩短检查点时间。
​异步快照​：检查点过程与数据处理异步进行，避免阻塞主处理线程，降低延迟。

生存时间（TTL）​​：为状态设置自动过期时间，清理无效数据，防止无限增长。

内存缓存调优​：增大 Block Cache 和 Write Buffer，减少磁盘 I/O 频率。
多线程 Compaction​：加速后台 SST 文件合并。

本地恢复（Local Recovery）​​：优先从 TaskManager 本地磁盘读取状态，减少网络传输。
增量恢复​：仅加载缺失的增量检查点文件，而非全量数据。

高效序列化​：使用 Flink 的 TypeInformation 或注册自定义序列化器，减少序列化开销。
​堆外内存管理​：通过 RocksDB 的 ​Direct Memory 访问，避免 JVM GC 对性能的影响。