为什么说 Pravega 是流处理统一批处理的最后一块拼图？

随着工业物联网、车联网和实时风控等场景爆发，企业对低延迟、高并发的流处理需求日益迫切。5G、容器云与高性能存储的普及，使流处理能在数据产生后毫秒级内产出价值，例如车载反馈、故障告警和欺诈检测，10ms级延迟往往决定商业成败。

然而，流处理虽看似简单——持续、无限地处理数据——但多数企业缺乏支持PB级数据、兼具高吞吐和容错的实时存储引擎。伴随各类定制引擎涌现，系统日益复杂，资源浪费与运维困难并存。当前大数据系统普遍困境在于：计算已是原生流式，存储却非原生流式。

早期以MapReduce为代表的批处理延迟高（分钟至小时级）。为降低延迟，微批处理（如Spark Streaming）缓冲秒级数据计算，但延迟仍不理想。随后原生流处理框架（Storm、Heron、Samza、Kafka Streams）兴起。为兼顾批与流，Lambda架构整合离线与实时双轨，但系统臃肿。后来Kappa架构与Dataflow模型主张“流批一体”，Flink、Spark Structured Streaming等实现统一计算，然而存储层面仍割裂：批处理依赖HDFS，流处理依赖消息队列，历史数据回溯困难。

Pravega应运而生，它是专为流设计的原生存储系统，支持无限、持久、仅追加的字节流，提供尾读与追赶读能力，满足批流统一访问。其特性包括：基于路由键的动态分段机制，实现读写独立弹性伸缩；通过分层存储确保持久性；保证顺序、一致性与事务性写入，支持仅一次处理，并与Flink深度集成，实现端到端事务。

Pravega补齐了Kappa架构的存储拼图，构建统一存储与计算的闭环。它使流处理系统具备弹性、微服务化能力，可无缝从原型扩展到生产。未来，Pravega将持续演进，推动流式存储成为新一代大数据基础设施。