整体上来说的话，Flink 内部是基于 producer-consumer 模型来进行消息传递的，也正是 producer-consumer 模型的存在，Flink 能够实现完美的反压。要想更好的理解为什么 Flink 可以完美的实现反压，我们首先需要明白 Flink内部的 producer-consumer 模型，理解了模型，自然也就懂了反压。
我会用几张图来展示 Flink的 producer-consumer 模型。
我们以 WC 为例，这里盗用一下别人的图片，感谢，笔芯!

我们可以看到从 ExecutionGraph 转化为物理执行图时，IntermediateResult 和 IntermediateResultPartition 分别转化为 ResultPartition 和 ResultSubPartition ，而 ExecutionEdge 转化为 InputGate 和 InputChannel。至此转化完毕，这些也就是我们今天要讨论的主角。再继续讲解主角之前呢，不知道大家对 task 是怎么运行的还有没有印象(没有的同学可以回顾之前的博客 Flink Job是如何被执行的(后续写了再更新链接地址) )，我们曾经提到过，在 Task 的构造器中构建了 ResultPartition 和 InputGate 以及

network.registerTask(this);

此方法会为每一个 Task 的每一个 ResultPartition 申请一个 BufferPool，同时为每一个 Task 的每个 InputGate 申请一个 BufferPool。

@VisibleForTesting
	public void setupPartition(ResultPartition partition) throws IOException {
		BufferPool bufferPool = null;
		try {
			...
			partition.registerBufferPool(bufferPool);
			...
		} catch (Throwable t) {
			...
		}
...
	}

@VisibleForTesting
	public void setupInputGate(SingleInputGate gate) throws IOException {
		BufferPool bufferPool = null;
		int maxNumberOfMemorySegments;
		try {
			...
			gate.setBufferPool(bufferPool);
		} catch (Throwable t) {
		...
		}
	}

ResultPartition、ResultSubPartition以及 InputGate、InputChannel究竟都是什么鬼呢？不急，看我信手拈来

试想一下，水流正酣，如果此时将下游 1 号和 2 号水龙头关闭，会发生什么情况，首先被添满的肯定是抽水机 1 号 和 2 号，因为抽水机只进不出，抽水机满了，封闭木桶就不出水了，慢慢的封闭木桶也满了，最后，直接作用于上游水龙头，由物理定律可知，当上游水龙头的水压与木桶对上游水龙头的反压一样时，上游水龙头也就不再放水了。
不过抽水机怎么知道，抽哪个桶的水呢？没错，就是通过管道知道的。
为了更好的理解反压，我们可以上游水龙头类比于图123中的 source，封闭木桶类比于 ResultPartition，封闭木桶 1 号和 2 号 类比于 ResultSubPartition，管道 1 号 和 2 号就可以类比 channel ，而 抽水机 就可以类比inputGates，而 下游水龙头当然就类比于 Keyed Aggregation—>sink。
当下游算子消费比上游算子产生的快时，慢慢的 inputGate‘s buffer 就会满了，然后该ResultSubPartition的 buffer 满了，依次往上推，最后形成反压效果，致使上游算子减慢生产的速度，从而慢慢达到平衡状态