请说明在 Apache Flink 中实现基于时间窗口的聚合计算的具体做法，并列举常用的聚合函数类型。

回答思路

1. 【回答框架 1】时间窗口聚合的核心是借助窗口分配器将无限数据流按事件时间或处理时间划分成有限区间，并以 KeyedStream 为输入，通过 window() 指定窗口类型，再调用聚合函数对每个窗口内的数据进行计算。
2. 【回答框架 2】常见窗口类型包括滚动窗口、滑动窗口、会话窗口和自定义全局窗口；滚动窗口无重叠，滑动窗口有重叠部分需注意重复计算，会话窗口按活跃间隙切分，适合突发数据。
3. 【回答框架 3】常用聚合函数主要有 sum、min、max、avg、reduce、aggregate 及 processWindowFunction；reduce 和 aggregate 可自定义增量计算，processWindowFunction 可获取窗口元数据并输出完整结果。
4. 【回答框架 4】事件时间下必须设置水印和乱序容忍度，否则迟到数据会被丢弃；处理时间简单但结果不确定。聚合性能上优先使用增量聚合函数避免全量缓存。
5. 【回答框架 5】窗口状态默认由 Flink 管理并及时清理，避免状态无限增长；使用 SQL 时可通过 GROUP BY TUMBLE、HOP、SESSION 等窗口函数实现同样聚合。
6. 【关键点 1】滚动、滑动、会话窗口分别适用不同数据特征：无重叠、有重叠、按活跃间隙。
7. 【关键点 2】reduce 与 aggregate 支持增量聚合，性能优于全量 processWindowFunction。
8. 【关键点 3】事件时间窗口依赖水印触发计算，必须合理设置乱序容忍度和允许迟到时间。
9. 【关键点 4】窗口状态需及时清理，避免内存或状态后端压力过大。
10. 【易错点 1】未正确配置水印可能导致窗口一直不触发或迟到数据被丢弃。
11. 【易错点 2】滑动窗口重叠会导致同一条数据属于多个窗口，若聚合有副作用需注意重复处理。
12. 【易错点 3】使用 windowAll 时并行度受限，数据量大时会产生性能瓶颈。