在 Apache Flink 中，请说明算子状态（Operator State）与键控状态（Keyed State）在定义、存储粒度、访问方式以及故障恢复方面的核心差异，并阐述在具体业务场景下应如何选择使用这两种状态？
考察说明
考察候选人对 Flink 两大核心状态类型本质区别的理解以及在实际场景中的选型能力。
回答思路
- 【回答框架 1】算子状态（Operator State）绑定在并行子任务实例上，每个算子实例维护自己的状态，粒度是算子实例。键控状态（Keyed State）逻辑上绑定在每条数据对应的 key 上，物理上分布在不同算子实例中，粒度是 key。这是两者最根本的区别。
- 【回答框架 2】访问方式不同：算子状态只能通过实现 CheckpointedFunction 或 ListCheckpointed 接口来读写，通常使用 ListState 或 BroadcastState 存储；键控状态通过继承 RichFunction 并调用 getRuntimeContext().getState(ValueStateDescriptor) 等方式按 key 访问，KeyedStream 提供 KeyedStateStore 接口。
- 【回答框架 3】故障恢复时，算子状态通过状态列表重新分配，支持重分布（redistribution），可选均匀或合并策略；键控状态按 key 分组恢复，每个 key 的状态被固定分配到某个算子实例，不进行重分布。
- 【回答框架 4】选择依据：当需要存储与特定 key 无关的原始数据或元数据时（如分区偏移量、汇聚窗口的部分结果），使用算子状态；当状态天然按 key 划分（如用户会话信息、订单聚合）且需要与事件一起按 key 处理时，应使用键控状态，利用其自动分区和高效访问。
- 【回答框架 5】在实现时还需考虑状态规模、访问频率以及恢复时的再均衡需求，算子状态适合数据量小但需要全局或分片管理的情况，键控状态适合大规模、按 key 划分且需要高效 key 查询的场景，并配合 State TTL 等优化。
- 【关键点 1】算子状态绑定算子实例，键控状态绑定 key，这是本质区别。
- 【关键点 2】算子状态通过 CheckpointedFunction 接口访问，键控状态通过 RichFunction 的 RuntimeContext 获取。
- 【关键点 3】故障恢复时算子状态支持重分布，键控状态按 key 固定分配。
- 【关键点 4】选择时优先看数据是否与 key 相关：相关用键控状态，不相关用算子状态。
- 【关键点 5】算子状态常见用于分区偏移量、广播配置，键控状态用于用户会话、订单聚合等场景。
- 【易错点 1】不要混淆状态粒度：误以为键控状态是全局的，实际它按 key 分区。
- 【易错点 2】忘记算子状态不支持按 key 访问，只能整体或分片处理。
- 【易错点 3】忽略状态重分布对恢复性能的影响，高频重分布可能降低恢复速度。