THIS IS A TEST INSTANCE. ALL YOUR CHANGES WILL BE LOST!!!!
...
可以推导出预聚合窗口关于 interval 和 slidingStep 的关系（感谢 Xiangwei Wei 贡献的精彩公式推导~）：
- 如果 interval 能被 slidingStep 整除，则窗口大小为 slidingStep
- 否则：
- 首先有 interval / slidingStep 向下取整个大小为 slidingStep 的窗口。
- 后面循环出现大小为 interval % slidingStep 和 slidingStep - interval % slidingStep 的窗口。
- 为了方便处理，我们忽略开始的若干个大小为 slidingStep 的窗口， 将整个时间范围循环窗口大小 interval % slidingStep 和 slidingStep - interval % slidingStep 拆分预聚合窗口。
| Markdown |
|---|
### 根据预聚合结果计算聚合值 对于不同的聚合函数，按照其特点有不同的处理方式，可以分为三组： - SUM、COUNT、AVG：将当前聚合窗口内的预聚合值缓存在队列中，更新队列时同时更新聚合值。 - MAX_VALUE、MIN_VALUE、EXTREME：使用单调队列算法进行优化（[LEETCODE-239](https://leetcode-cn.com/problems/sliding-window-maximum/solution/)）。 - FIRST_VALUE、LAST_VALUE、MAX_TIME、MIN_TIME：顺序遍历时，LAST_VALUE 和 MAX_TIME 的聚合值总出现在右边界的预聚合值，因此中间结果无需缓存。反之，逆序遍历时，FIRST_VALUE 和 MIN_TIME 的预聚合值无需缓存。 时间复杂度：O(n + m)，m 为预聚合窗口的数量。 空间复杂度：O(p + k)，p 为缓存的 BatchData 大小，k 为每个聚合窗口中预聚合窗口的数量。 例：整体时间窗口为 [0, 32)，序列 `root.sg1.d1.s1` 的数据情况如下，灰色单元格表示对应时间戳没有数据，临近相同颜色的单元格表示来自同一个 BatchData。 执行：`SELECT sum(s1), max_value(s1), last_value(s1), min_time(s1) FROM root.sg1.d1 GROUP BY ([0,32),8ms,2ms)` 解析 SQL 后得到参数，startTime = 0，endTime = 32，interval = 8，slidingStep = 2。计算得到每个预聚合窗口大小为 2。 下面演示计算过程： |
...