StreamingSystem (Google 流式團隊著)-c1.Streaming101-6
Time-agnostic
時間不敏感是指操作本身對於時間的相關性不大的，所有的處理都是基於數據驅動的。對於這樣的操作流式系統和批量系統都可以很好的處理，所以將花費比較少的時間在這個問題上。
Filtering (過濾)
過濾是一個很常見和基本的時間不敏感操作。例如圖1-5.過濾一些不能滿足條件的日誌（簡單解釋一下，其實就是通常的where或者filter的語句中內容）。所以過濾和數據是是無限的，無順序的，或者存在timeskew都無所謂的，因為一般來說他只是處理單條數據，無需要上下文。
Inner join（內連接）
另外一個時間不敏感的操作是內連接如圖，為了join兩個無限事件流，假如你只是關心兩個元素的關聯結果，那就是偶記上與時間無關，看到一個流中的數據後，簡單的來緩存到持久化存儲中，等待第二個流的數據到來（解釋一下，感覺這個說法有點牽強）
但是相對而言，外連接就就是時間敏感的操作。當你看到了一個流的數據，但是並不是很確定另外的數據是否到達，所以事實上，你需要一個超市機制，在這種情況下，就會變成時間敏感的。而且會轉化為一個窗口型的操作。後面會針對這個場景進行詳細的介紹。
估計算法（Approximation Algorithms）
第二個大類是估算算法，例如，TOP-N估計算法，流式的K-means等等。讀入無限的數據產出近似的數據，如圖1-7.近似算法專門針對無限流數據進行設計，來保證更低的開銷。但是存在的缺點，通常比較複雜，而且由於估算的原因，限制了應用場景。
值得注意的是，這些算法通常在設計中都有一些時間元素（如: 某些系統內時延）。並且因為算法會在數據到來時就處理，時間元素通常就是處理時間。這對算法能近似提供一些可證明的誤差邊界很重要。如果這些誤差邊界是根據數據按序到達來預測，那麼當你給算法輸入有不同事件時間偏差的無序數據時，這些算法將無法達到效果。這是需要注意的。
近似算法本身就是一個有意思的課題，但是他們作為時間不可知處理中的另一個示例（以算法本身的時間特徵為模），用起來非常直接因此我們目前不需要特別關注。
閱讀更多 北京IT民工 的文章
