影响Flink性能的因素有哪些？

​Slot数量不足​：TaskManager的Slot数少于作业并行度，导致资源竞争，增加延迟。
内存配置不当：堆内存过小引发频繁GC，或堆外内存不足导致网络缓冲区溢出。

1、数据倾斜：某分区数据量远高于其他分区（如KeyBy后的热点Key），导致下游部分Task过载。
2、反压传播：下游处理速度慢引发上游阻塞，形成处理瓶颈。

1、状态后端选择​：​RocksDB​：适合大状态场景，但读写性能受磁盘I/O限制。HeapStateBackend​：内存操作快，但状态过大易导致OOM。
2、​状态访问效率：频繁访问状态或未使用ValueState等优化结构，增加处理延迟。

1、序列化开销：复杂数据类型（如POJO）的序列化效率低，占用CPU资源。
2、网络缓冲区配置​：缓冲区过小导致频繁反压，过大增加内存占用。

1、​并行度不合理：并行度过低导致资源闲置，过高引发调度开销。
2、任务链断裂：算子间因Shuffle或并行度变化断开任务链，增加网络传输。

1、​Checkpoint频率与超时：频繁Checkpoint占用资源，超时时间过短导致失败率高。
2、对齐时间（Barrier对齐）：Checkpoint时Barrier等待所有输入数据对齐，增加延迟。

1、算子函数效率：Map/Filter等函数存在阻塞调用（如同步IO）或复杂计算，拖慢处理速度。
2、窗口设计：大窗口或滑动步长不合理导致状态膨胀。

1、Sink写入性能​：数据库或消息队列的写入速度不足（如JDBC Sink未批处理）。
2、​Source读取速率​：Kafka等数据源分区数不足，或消费线程配置过低。