数据乱序的产生
flink对数据进行流处理时，大部分情况下流到operator的数据都是按照事件产生的时间顺序来的。但是也不排除由于网络抖动、背压等原因，导致乱序的产生，所谓乱序，就是指Flink接收到的事件的先后顺序不是严格按照事件的Event Time顺序排列的。
如下图场景：
使用时间窗口来统计10分钟内的用户流量
时间窗口：2017-03-19 10:00:00-2017-03-19 10:10:00
数据59，因为网络延迟，其eventTime为2017-03-19 10:09:00，processingTime为2017-03-19 10:10:02。
此时，按照事件时间来计算，假设有另外一条数据（eventTime为2017-03-19 10:10:00）在2017-03-19 10:10:01时刻进入这个窗口，则会导致窗口关闭。因为59在2017-03-19 10:10:02才到达，因为属于59的窗口被提前关闭了，则59就会被遗漏，导致数据统计不准确。
事件时间窗口:按照进入数据的事件时间来判断是否关闭窗口，如果进来一条新数据是下一个窗口的数据，那么会关闭上一个窗口。
使用水印解决乱序问题1、水印（watermark）就是一个时间戳。
2、Flink可以给数据流添加水印，可以理解为：收到一条消息后，额外给这个消息添加了一个时间字段，这就是添加水印，一般人为添加的消息的水印都会比当前消息的事件时间晚一些。
3、窗口是否关闭按照水印时间来判断，但原有事件时间不会被修改，窗口的边界依旧是事件时间来决定。
（1）水印并不会影响原有Eventtime
（2）当数据流添加水印后，会按照水印时间来触发窗口计算
（3）一般会设置水印时间，比Eventtime晚一些（一般几秒钟）
（4）当接收到的水印时间
