数据流系统中的反压发生在数据生产者生成信息的速度快于消费者处理速度时。这种不平衡会产生瓶颈，导致系统紧张。如果没有处理这种问题的机制，消费者可能会不堪重负，导致延迟、资源耗尽或数据丢失。反压充当反馈机制来调节数据流，确保消费者不会超载。对于需要实时数据处理的系统（例如，事件驱动架构或流处理框架）来说，这是一个关键概念。
为了管理反压，系统会实施诸如缓冲、节流或动态调整数据速率等策略。缓冲临时将多余的数据存储在内存或磁盘中，但如果缓冲区已满，则会增加延迟或资源消耗的风险。节流涉及减慢生产者的速度或丢弃数据，这对于关键任务应用程序来说并不理想。一种更有效的方法是动态速率调整，其中消费者将其容量传达给生产者，从而允许生产者调整其输出。例如，在 TCP/IP 网络中，流量控制使用类似的原理：接收者通知发送者它可以处理多少数据，从而防止拥塞。
像 Apache Kafka 或 Apache Flink 这样的真实系统通过内置机制处理反压。 Kafka 使用基于拉取的模型，消费者以自己的节奏请求数据，从而自然地防止了过载。 Flink 采用自适应缓冲，根据消费者吞吐量调整正在处理的记录数。 开发人员必须监视队列大小、延迟和处理速率等指标，以识别反压并调整系统参数。 忽略反压可能会导致级联故障，因此必须使用具有反压感知协议的系统或利用可以透明地处理反压的现有工具来设计系统。