Flink 任务调度与资源管理：从 JobGraph 到 ExecutionGraph 的完整旅程
作业提交后迟迟不 RUNNING，日志停在 “Waiting for slots”；或者 TaskManager 故障后整个作业全量重启、恢复时间远超预期——这些问题的根源往往不在业务代码，而在 JobGraph 到 ExecutionGraph 的翻译、Slot 的分配策略、以及故障恢复的真实边界。这篇文章沿着“图构建 → 调度模式 → Slot 分配 → 故障恢复”的主线拆解每一步的决策机制，先纠正两个关于 Region 恢复的常见误解，引入两个模型——恢复时间的四段分解与稳态可用性（MTBF/MTTR）——把“恢复慢”从观测值变成可设计的指标，最后在 Kubernetes Operator 环境做一次可复现的故障实验：每个预期现象都附验证方式，每个数字都可复算。
