4. 降采样基础概念：分辨率、聚合窗口、数据保留策略与精度损失权衡

降采样（Downsampling）是控制指标存储成本最核心的手段。其本质是在时间维度上对原始数据进行压缩，通过降低数据点密度来换取更长的保留周期。理解降采样的三个基础概念——分辨率、聚合窗口与保留策略——以及它们之间的精度损失权衡，是设计成本控制方案的前提。

4.1 分辨率：时间轴上的数据密度

分辨率定义了相邻两个数据点之间的时间间隔。间隔越小，分辨率越高，数据越精细，但存储开销也越大。

在 OpenTelemetry 生态中，分辨率通常由采集端的 collection_interval 和后端的降采样规则共同决定。例如，Prometheus 的 scrape_interval: 15s 即为原始分辨率，而 Thanos 或 VictoriaMetrics 的降采样规则会在此基础上生成更低分辨率的副本。

4.2 聚合窗口：压缩的粒度与函数

聚合窗口是降采样执行的基本时间块。系统将窗口内的原始数据点通过聚合函数合并为一个新数据点。窗口越大，压缩比越高，但信息损失也越大。

常见的聚合函数及其对精度的影响：

4.3 数据保留策略：分层存储与生命周期

现代可观测性平台普遍采用多级保留策略：近期数据保留高分辨率，远期数据自动降采样为低分辨率。这种策略在保证近期排查能力的同时，大幅降低历史数据的存储成本。

典型的分层保留策略参数：

4.4 精度损失权衡：可接受的代价

降采样必然带来精度损失，但并非所有场景都需要高精度。关键在于识别哪些分析场景可以容忍损失，哪些场景必须保留原始精度。

4.5 OpenTelemetry 中的降采样实现路径

在 OpenTelemetry 架构中，降采样可以在多个阶段实施：

1. 采集端（OTel Collector）： 通过 filter 和 metricstransform 处理器，在采集时直接降低采样频率或丢弃低价值指标。
2. 后端存储层： 使用支持自动降采样的后端（如 VictoriaMetrics、Thanos、M3DB），配置 downsampling.periods 规则。
3. 查询时降采样： 在 PromQL 或 SQL 查询中使用 avg_over_time、max_over_time 等函数，不改变存储数据，仅影响查询结果。

# OTel Collector 配置示例：采集端降采样
processors:
  filter:
    metrics:
      include:
        match_type: regexp
        metric_names:
          - "http.server.request.duration.*"
      exclude:
        match_type: strict
        metric_names:
          - "http.server.request.duration.bucket"  # 排除桶数据，仅保留分位值
  
  metricstransform:
    transforms:
      - include: "system.cpu.utilization"
        action: update
        new_name: "system.cpu.utilization.1m"
        aggregation: "avg"
        interval: 60s  # 将原始 10s 数据聚合为 60s 分辨率