TDengine 时序数据降采样深度解析：从实时查询到智能电表长期存储的优化艺术问题引入用户提问：“如何对时序数据进行降采样（Downsampling）？”这是一个在智能电表计量场景中关乎系统生死存亡的核心问题。我们的平台接入了数百万台智能电表，每台电表每秒上报一次用电功率（kW）。这意味着每天会产生864 亿个数据点。如果将这些原始数据永久存储，不仅磁盘成本会指数级增长，历史数据的查询性能也会急剧恶化——试想一下，要查询过去一年某台电表的日均用电量，却需要扫描 3150 万个原始点！降采样（Downsampling）是解决此问题的唯一出路。它通过将高频率的原始数据聚合成低频率的摘要数据（如每分钟、每小时、每天的平均值），在保留关键业务信息的同时，大幅降低存储成本和查询延迟。TDengine 社区版3.4.x 提供了两种互补的降采样方案：一种是查询时动态降采样，利用其强大的INTERVAL窗口函数；另一种是写入时预计算降采样，通过SNode 流计算引擎创建连续查询（Continuous Query, CQ）。本文将以智能电表场景为背景，深入 TDengine 3.4.x 的SNode和QNode组件，为你揭示一套完