使用flink(blink)进行用户行为分析

##Blink
Blink是阿里云在Apache Flink基础上深度改进的实时计算平台，同Flink一致Blink旨在将流处理和批处理统一，但Blink相对于社区版Flink，在稳定性上有很多优化，在某些场景特别是在大规模场景会比Flink更加稳定。Blink的另一个重大改进是实现了全新的 Flink SQL 技术栈，在功能上，Blink支持现在标准 SQL 几乎所有的语法和语义，在性能上，Blink也比社区Flink更加强大，特别是在批 SQL 的性能方面，当前 Blink 版本是社区版本性能的 10 倍以上，跟 Spark 相比，在 TPCDS 这样的场景 Blink 的性能也能达到 3 倍以上。[传送门]
(https://data.aliyun.com/product/sc?spm=5176.10695662.1131226.1.6d726a8cByTmTZ)

##场景

今天我们做o2o有很多的线下场景需要基于用户的行为进行分析，比如 我们在商场入门口装了一个摄像头，可以通过摄像头识别商场进入的人脸，和出去时候的人脸，这样形成了2条数据。商场想统计下，每个用户在商场的逗留时间。这里面就出现了一种pattern的模式，就是当用户进门和出门这两个事件都发生的时候，激发某个动作（事件）。比如在这里是在用户出门的时候将用户进门时间和出门时间的差值相减，并存储在tablestore当中。然后可以通过分析汇总算出今日用户在商场的平均逗留时间，继而可以统计出当月，当年的平均逗留时间,等等,促使商家提升总体运营水平。
像上面这种场景稍微的进行一