用于实时AI的滚动聚合

滚动聚合是实时AI系统中最重要的输入数据之一，它们能够以压缩表示形式捕捉最近的行为趋势和模式，使交互式AI系统满足最低延迟要求。滚动聚合在实时机器学习系统（如信用卡欺诈检测和个性化推荐）以及交互式智能体（如压缩用户历史或近期活动摘要）中都有广泛应用。

滚动聚合计算的是持续滑动窗口上的统计量。与传统的平铺窗口或跳跃窗口不同，滚动聚合在每次新事件到达时立即输出结果，避免了窗口长度或水印带来的延迟。文章回顾了滚动聚合的发展历程：从平铺窗口聚合（如Airbnb的Chronon）到基于增量视图的流处理（如Feldera），再到最近以RonDB为代表的原生数据库并行聚合。

平铺窗口聚合通过将窗口分解为多个固定时间块（如24小时）并预先计算这些块的统计量，在收到请求时组合这些块并计算未对齐的头尾事件，从而降低计算开销。这种方法对于某些聚合（如最小值、最大值）效果良好，但对于均值等需要额外状态维护的聚合则复杂一些。

Feldera提供了一种更高效的方法：采用增量视图技术，使得每次更新的计算成本恒定在O(1)，不受窗口大小影响。这意味着无论窗口中有多少事件，计算一个滚动聚合所需的机器周期保持不变，从而实现了亚毫秒级的新鲜度。

RonDB则通过并行下推技术，将聚合计算从应用服务器转移到数据库节点内部。这样，数据库不仅能返回数据行，还能直接返回聚合结果，避免了大量网络传输。基准测试显示，对于表达式聚合和过滤聚合，RonDB在100,000行规模下仍能保持2毫秒左右的延迟，且可通过增加数据节点线性扩展吞吐量。

总之，Hopsworks平台同时提供左移（预计算）和右移（按需计算）两种滚动聚合方案。左移方案集成Feldera的增量视图，适合需要最大规模且亚毫秒级新鲜度的场景；右移方案使用RonDB的并行下推聚合，操作简单，可处理中等规模数据。用户可根据需求灵活选择。