实时流处理是有状态流处理的扩展，其中时间在计算里扮演某些角色。这通常出现在进行时间序列分析、基于特定时间段进行聚合（通常称为窗口），或者进行事件处理时，事件发生时间很重要等情况下。
在 Flink 中，时间是一个重要的概念，涉及到两个主要的概念：事件时间（Event Time）和处理时间（Processing Time）。
事件时间是指数据流中事件实际发生的时间。这个时间通常由数据本身的时间戳（timestamp）来确定。事件时间窗口（Event Time Window）基于事件时间，根据事件的时间戳来划分数据流。在使用事件时间进行计算时，Flink 根据事件时间进行处理，处理过程中考虑数据的迟到（out-of-order）情况，保证数据的正确性和准确性。事件时间处理通常需要在数据源中记录和传递时间戳。
处理时间是指处理数据的时间。该时间通常由 Flink 系统自身的时间来确定。处理时间窗口（Processing Time Window）基于处理时间，根据 Flink 系统时间来划分数据流。在使用处理时间进行计算时，Flink 根据处理时间进行处理，而不考虑数据的迟到情况。处理时间通常是 Flink 默认的时间处理方式，因为它可以很好地支持流数据的低延迟处理。
在 Flink 中，可以根据应用程序的需求选择事件时间或处理时间进行计算。事件时间通常用于需要根据事件实际发生时间进行处理的场景，例如基于时间窗口的聚合和时间序列分析等；处理时间则通常用于需要低延迟处理的场景，例如实时监控和报警等。
在 Flink 中，Event Time 是指数据事件实际发生的时间，而 Watermark 是用于处理 Event Time 的机制之一。
在数据流处理中，由于数据的迟到（Out-of-Order）和乱序（Skew）等原因，Event Time 处理需要使用一些机制来解决这些问题。Flink 中提供的 Watermark 机制就是一种解决方案。Watermark 是一种特殊的记录，用于表示数据事件时间戳已经达到一定的阈值，即 Watermark 时间戳。Watermark 随着数据流的推进而不断推进，用于告诉系统当前处理的数据事件时间戳的进度，同时也可以用来触发一些窗口操作。
在 Flink 的 Event Time 处理中，Watermark 扮演很重要的角色。Watermark 的时间戳表示的是当前处理的数据流中，所有事件时间戳小于该时间戳的数据都已经到达，因此，可以认为该时间戳之前的数据已经全部到达，可以进行一些基于时间的操作，例如触发窗口计算、清空状态等。当数据流中的 Watermark 时间戳不再更新时，即表示数据流已经处理完毕。
在 Flink 中，Watermark 通常由数据源或者自定义的 Watermark Generator 生成。在数据源中，可以通过设置时间戳和 Watermark 来实现 Event Time 处理；而在自定义的 Watermark Generator 中，可以根据数据流中的事件时间戳来生成 Watermark。
数据源可能有多个并行的流（Parallel Streams），每个流都有自己的事件时间戳（Event Time）。在这种情况下，Watermark 机制需要进行一些特殊处理，以确保所有流的事件时间戳都被考虑到。
在多个并行流的情况下，Flink 为每个流生成不同的 Watermark。数据流中的每个事件都被分配到其中一个流中，每个流根据自己的事件时间戳生成 Watermark。在多个流之间，Flink 使用合并策略合并不同流的 Watermark，以便于确定所有流中的事件时间戳的进度。
Flink 提供不同的 Watermark 合并策略，如最小值合并、乘积合并、加权平均合并等。在使用 Watermark 时，需要根据实际情况选择合适的合并策略，以确保所有流的事件时间戳都被充分考虑到。
另外，在多个并行流的情况下，需要注意数据流的并发度（Parallelism）和 Watermark 的生成逻辑。如果数据流的并发度过高，可能导致 Watermark 的生成过于频繁，从而影响程序的性能。因此，在实际应用中，需要根据数据规模和系统资源等因素，选择合适的并发度和 Watermark 生成逻辑。
在 Flink Timely Stream Processing 中，Lateness 指的是数据延迟到达的情况。因为数据在传输过程中可能出现网络延迟、数据丢失或乱序等原因，导致数据到达时间晚于其事件实际发生时间，这就是 Lateness。
在 Flink 中，可以通过设置 Watermark 的阈值来控制数据延迟的处理。当数据的 Event Time 超过 Watermark 的阈值时，Flink 认为该数据已经延迟到达，但仍然会将其纳入计算范围内。这种处理方式被称为允许数据延迟处理（Allowing Late Data Processing）。
在允许数据延迟处理的情况下，Flink 将延迟到达的数据放入 Lateness 容器中，并且在后续的计算中统一处理。可以通过设置 Lateness 容器的大小和清空策略来控制 Lateness 数据的处理。当 Lateness 容器满或者超过一定时间后，Flink 将其中的数据清空，并且将它们纳入最终的计算结果中。
除允许数据延迟处理外，Flink 还提供其它处理延迟数据的方式，如丢弃延迟数据（Dropping Late Data）和延迟数据补偿（Late Data Compensation）等。这些处理方式通常需要根据实际应用场景来选择，以达到最优的性能和结果。
在 Flink Timely Stream Processing 中，Windowing 是指根据时间或者其它条件，将数据流划分为多个窗口，并且对每个窗口内的数据进行处理的过程。Windowing 是流数据处理中非常重要的概念，可以用于处理流数据中的时序信息和聚合计算等场景。
Flink 中提供多种类型的窗口，包括基于时间的窗口、基于计数的窗口、基于会话的窗口等。其中，最常用的是基于时间的窗口，可以根据 Event Time 或者 Processing Time 来划分窗口。基于时间的窗口通常可以分为滚动窗口（Tumbling Window）和滑动窗口（Sliding Window）两种类型。
滚动窗口是指不重叠的、固定大小的窗口，每个窗口内包含的数据是连续的、不重复的。例如，每秒钟处理一次数据，每次处理的数据是一秒钟内的数据。滑动窗口是指大小固定、可重叠的窗口，每个窗口内的数据可以包含在其它窗口内。例如，每秒钟处理一次数据，每次处理的数据是一秒钟内的数据，但是相邻的两次处理之间的数据有重叠。
在 Flink 中，可以通过定义窗口大小、滑动步长、窗口类型等参数，来创建不同类型的窗口。在窗口中，可以对窗口内的数据进行聚合计算、过滤、排序等操作，以得到最终的结果。