超大规模波形图，如何实现缩放不卡顿
概要
高采样率长时序波形数据量巨大，若每次缩放、拖动都读取全量原始点并实时降采样，计算与IO负载极高，界面易出现长时间卡顿。本方案采用预烘焙（即提前对原始波形完成多分辨率降采样计算并持久化存储，渲染时直接复用结果，以空间换取交互流畅度）的分层思路，兼顾大范围浏览流畅度与无级放大、局部框选能力。
借鉴地图瓦片的分层思想，我们将计算与存储加载拆分为两个独立概念，二者职责边界明确：
- 桶：降采样聚合的最小计算单元。每个桶吸收固定数量的连续原始采样点，输出一组聚合结果，包括波形代表点，也可包含积分、累加和等派生统计量；桶以数组元素形式存在于内存，不单独落盘。
- 分片：数据存储与加载的最小管理单元。按固定时长切分数据块，将该时段内所有层级的全部桶打包为一个整体，统一执行落盘、加载、释放操作。
波形场景不适合像地图那样让瓦片同时承担计算与存储职责：波形聚合粒度很细，若以单个桶为单位落盘会产生海量小文件，管理与IO开销极高，因此必须将聚合计算与存储加载职责分离。
分层规则：预烘焙降采样层级从 起步，原始数据（k=0）仅作为底层数据源，不纳入预烘焙体系，同时跳过 k=1 这个最低倍率层级。低倍率层级数据占比高，但对应窄视图场景下实时聚合的计算成本极低，持久化存储的收益代价比不足，因此直接省略。层级上界由最大可视跨度动态决定，不硬编码固定值。
流式降采样构建逻辑
采样数据持续流入时，同步对所有预烘焙层级执行流式聚合；单个桶填满后立即固化，待整个分片闭合后，该分片全部层级的桶数据统一落盘持久化。 桶内聚合策略可按需选型，常见为极值法、平均值法等；积分、区间统计量等派生指标可同步计算并随桶存储，供后续查询直接复用。
渲染与查询路由
定义视口倍率 = 可视范围内总采样点数 / 屏幕像素数，按R分两条渲染路径：
- 窄视图（R低于阈值）：直接读取原始数据，按像素实时动态聚合渲染，天然支持无级缩放与局部框选；
- 宽视图（R高于阈值）：加载对应层级的预烘焙桶数据渲染，规避海量原始点的实时计算开销。
大范围统计查询（如区间积分、总量计算）可直接聚合对应区间的桶级预计算结果，无需逐点遍历原始数据。
切换设计：
- 分界处设置滞回缓冲区间，避免轻微缩放触发层级反复切换；
- 手感差异：窄视图为无级连续缩放，波形平滑变化；宽视图为离散档位切换，层级跳转时波形细节存在跳变。
数据调度策略
查询与计算解耦，渲染端仅提交视口范围请求，由数据模块负责加载缓存或执行实时聚合。 内存仅保留当前正在填充的未完成桶、近期访问分片的桶数据；原始数据按需读取，不常驻内存，内存占用与总录制时长解耦。
核心要点
- 预烘焙跳过低倍率层级，仅保留高倍率聚合层；原始数据仅作数据源，平衡存储开销与渲染性能；
- 桶为最小计算单元，分片为最小存储加载单元，二者职责分离，避免海量小文件带来的管理与IO开销；
- 流式构建多分辨率层级，桶内可预存波形代表点与派生统计量，分片闭合后批量落盘复用；
- 按视口倍率分级渲染：窄视图实时聚合保证无级交互，宽视图复用预烘焙数据保证流畅度；
- 大范围统计查询可直接复用桶内预计算结果，避免逐点遍历原始数据；
- 查询与计算解耦，内存仅保留活跃分片数据，常驻内存规模与录制总时长无关；
- 层级上界、切换阈值、分片粒度、聚合算法均为调优项，由开发者结合场景实测确定。