离散控制 = 采样与数字控制器

解决什么问题：连续系统的离散化实现—— 软件系统本质上是离散的（CPU 按指令周期执行），如何把控制律正确地离散化。

业务问题

真实场景

场景 1：定时任务的执行频率

业务规则：每 5 分钟更新一次缓存
实现：CRON 任务每 5 分钟执行一次

问题：
- 任务执行需要 30 秒
- 但下一个任务 4.5 分钟后就开始
- 多个任务并行执行
- 资源争抢

→ 离散化 = 采样 + 处理 + 等待 + 采样...

场景 2：限流器的窗口设计

需求：限制 QPS 不超过 1000

设计 A：固定窗口（每 1 秒重置计数器）
  问题：窗口切换瞬间可能 2 倍流量（2000 QPS）

设计 B：滑动窗口（每 100ms 滑动）
  问题：内存开销大

设计 C：令牌桶（按需补充）
  优点：平滑限流

→ 离散化 = 限流器的核心

场景 3：分布式系统的最终一致性

主库写入 → 同步到从库

实现 A：同步复制（强一致）
  - 每次写入都等待同步完成
  - 延迟高

实现 B：异步复制（最终一致）
  - 写入主库立即返回
  - 后台异步同步到从库
  - 延迟低但有数据窗口

→ 异步 = 离散采样 + 批量同步

失败的典型做法

做法 1：采样频率过低

✗ 每 1 小时采集一次业务数据
✗ 用 1 小时前的数据做决策

后果：决策过时，反应慢

做法 2：采样频率过高

✗ 每 1ms 采集一次
✗ 大量资源用于采集

后果：资源浪费，系统变慢

做法 3：离散化丢失信息

✗ 把连续的状态变成离散的状态（如布尔化）
✗ "用户活跃度" → "活跃 / 不活跃"

后果：信息丢失，决策不准

控制论视角

数学原型

钱学森《工程控制论》Ch 10 §10 引言：
"随着数字计算机的普及，离散控制系统已经成为工程控制论的重要分支。离散系统的核心是：连续系统的离散化——把微分方程变成差分方程，把模拟信号变成采样信号。"

钱学森 §10：
"Z 变换是分析离散系统的有力工具——它把差分方程变成代数方程，把离散系统的稳定性判定变成'所有极点都在单位圆内'的判断。"

控制论解法

连续 → 离散的转换：

连续：ẋ = A·x + B·u      ← 微分方程
              ↓ 采样（周期 T）
离散：x(k+1) = Φ·x(k) + Γ·u(k)  ← 差分方程

其中：
Φ = e^(AT)              ← 离散化状态转移
Γ = ∫₀ᵀ e^(Aτ)B dτ     ← 离散化控制矩阵

Z 变换：
X(z) = Z[x(k)]          ← 离散信号的频域表示
G(z) = Y(z)/U(z)        ← 离散传递函数

稳定性判据：所有极点都在单位圆内

与业务的对应

控制论概念	软件工程
连续系统	现实世界（连续变化）
采样周期 T	定时任务周期 / 轮询间隔
离散信号 x(k)	软件状态（离散的）
Z 变换	数据结构 / 算法分析
离散传递函数	软件系统的"响应特性"
量化误差	浮点精度损失 / 整数舍入
数字控制器	软件实现的控制模块

核心概念

定义

离散控制：连续系统的离散化实现——通过采样将连续信号变成离散信号，通过数字控制器实现控制律。

软件工程对位：软件系统本质上是离散的（CPU 按指令周期执行），如何把控制律正确地离散化。

离散化的三个关键参数

采样周期 T：
- 太短 → 资源浪费 / 数据冗余
- 太长 → 响应慢 / 信息丢失
- 经验值：根据业务响应要求 + 系统开销

量化精度：
- 太低 → 信息丢失
- 太高 → 资源浪费
- 经验值：根据业务精度需求

抗混叠滤波：
- 防止高频信号被误认为低频信号
- 软件：滑动窗口 / 中值滤波

软件工程的离散化场景

场景	离散化方式	关键参数
定时任务	周期执行	任务周期
限流器	滑动窗口	窗口大小
健康检查	周期探测	探测周期
监控采集	周期采样	采样频率
数据库同步	异步复制	同步周期
缓存更新	周期刷新	TTL
A/B 实验	周期评估	评估窗口
告警评估	周期评估	评估间隔

关键属性

属性	含义
不可避免	软件系统本质是离散的
可调	采样周期可调整
有损	离散化会丢失部分信息
可分析	Z 变换等工具可分析离散系统
有边界	采样周期不能太短（资源）或太长（响应）

离散化的"采样定理"

Nyquist 采样定理：

要无失真地恢复原始信号，
采样频率必须 ≥ 原始信号最高频率的 2 倍。

软件工程对位：
- 业务变化周期 = 原始信号频率
- 采样周期 = 业务变化的 1/2
- 例：业务每 1 分钟变化一次 → 采样周期 ≤ 30 秒

工程实践

步骤 1：识别需要离散化的连续量

问：
- 业务中有哪些"连续"的概念？
  - 用户活跃度（连续）
  - 系统负载（连续）
  - 业务量（连续）
- 这些连续量在系统中如何表示？
  - 离散值？布尔？分段？

输出：
- 连续量清单
- 当前离散化方式
- 是否合理

步骤 2：定义采样周期

采样周期 = 业务响应要求 / 系统开销

例 1：业务监控
- 业务响应要求：5 分钟内发现问题
- 系统开销：每次采集 1ms
- 采样周期 = 1 分钟（5 分钟响应要求 / 5 倍冗余）

例 2：限流
- 业务响应要求：1 秒内拒绝过多请求
- 系统开销：每次检查 0.1ms
- 采样周期 = 100ms（1 秒 / 10 倍冗余）

例 3：数据库同步
- 业务响应要求：5 秒内同步
- 系统开销：同步耗时 500ms
- 采样周期 = 1 秒（5 秒 / 5 倍冗余）

步骤 3：设计离散化算法

算法 1：直接采样
- 简单 / 直观
- 例：每 1 分钟采样一次用户活跃度
- 适合：变化平缓的量

算法 2：滑动平均
- 平滑噪声
- 例：过去 5 分钟的平均延迟
- 适合：有噪声的量

算法 3：指数加权
- 近期权重高
- 例：EWMA 算法
- 适合：趋势分析

算法 4：中值滤波
- 抗异常值
- 例：过去 10 次采样的中位数
- 适合：有突发异常的量

步骤 4：处理量化误差

量化误差 = 真实值 - 离散值

例：
- 真实活跃度：73.6%
- 离散化：74%（保留整数）
- 量化误差：0.4%

处理：
- 选择合适的精度（不要过度）
- 监控量化误差
- 必要时用浮点而非整数

步骤 5：监控离散化效果

监控指标：
- 采样频率（实际 vs 设计）
- 采样丢失率（应该接近 0）
- 量化误差（应该 < 业务容忍）
- 离散化处理延迟

常见反模式

反模式 1：采样频率过低

症状：
- 数据更新慢
- 决策基于过时数据

后果：响应慢 / 决策错误
正解：根据业务响应要求调整采样

反模式 2：采样频率过高

症状：
- 系统资源浪费
- 大量数据但用处不大

后果：资源浪费 / 系统变慢
正解：业务需求驱动的采样

反模式 3：离散化丢失信息

症状：
- 离散化后的数据无法反映真实情况
- 例：活跃度变成 0/1，丢失了程度信息

后果：决策不准
正解：合理的离散化粒度

反模式 4：忽略抗混叠

症状：
- 采样周期接近业务变化周期
- 高频波动被误认为低频趋势

后果：误判
正解：采样频率 ≥ 业务变化频率 × 2

工程实例

实例 1：限流器的离散化

需求：限制 QPS ≤ 1000

设计：令牌桶算法
- 桶容量 = 1000
- 补充速度 = 1000 个/秒
- 每个请求消耗 1 个令牌

离散化：
- 桶状态 = 整数（0-1000）
- 补充 = 离散的（每 1ms 补充 1 个）

参数：
- 桶容量（量化精度）
- 补充速度（采样频率）

效果：
- 突发流量被平滑
- 长期 QPS 被限制

实例 2：定时任务的离散化

业务：每 5 分钟更新一次推荐

设计：
- 任务周期 = 5 分钟
- 执行时间 = 30 秒
- 下一个任务开始时间 = 当前任务结束 + 5 分钟 - 30 秒 = 4.5 分钟后

问题：
- 任务间存在"空白期"
- 实时性不足

改进：
- 改为滚动更新（每 30 秒更新一部分）
- 实时性高，但复杂度高

取舍：
- 业务容忍 5 分钟延迟 → 简单定时任务
- 业务需要实时 → 滚动更新

实例 3：监控采集的离散化

需求：监控业务 QPS

设计：
- 采集频率 = 1 秒
- 存储 = 1 秒粒度

数据量：
- 1 天 = 86400 条数据
- 1 年 = 3000 万条数据

改进（降采样）：
- 实时监控：1 秒粒度（最近 1 小时）
- 短期分析：1 分钟粒度（最近 1 天）
- 长期分析：1 小时粒度（最近 1 年）

效果：
- 存储减少 100 倍
- 不同粒度满足不同需求

性能指标

离散化健康指标

指标	设计目标	衡量方法
采样频率偏差	< 10%	实际频率 vs 设计
采样丢失率	< 0.1%	丢失采样 / 总采样
量化误差	< 业务容忍	\|真实值 - 离散值\|
离散化延迟	< 采样周期	处理时间

监控设计

关键监控：
- 采样频率（实际 vs 设计）
- 采样丢失率
- 量化误差
- 离散化处理延迟

告警分级：
- P2：采样丢失率 > 1%
- P1：采样频率偏差 > 50%
- P0：离散化处理超时

边界判断

何时不用

场景 1：业务极简

- 没有定时任务
- 没有采样需求

→ 不需要离散化分析

场景 2：业务完全事件驱动

- 没有周期性操作
- 完全由事件触发

→ 离散化分析意义不大

场景 3：业务容忍高延迟

- 业务容忍小时级延迟
- 离散化影响小

→ 不需要精确离散化

与其他方法论的边界

相邻概念	区别
时滞	时滞关注"延迟"；本方法论关注"采样"
有限自动机	有限自动机关注"状态机"；本方法论关注"采样控制"
维纳滤波	维纳滤波关注"信号去噪"；本方法论关注"离散化"

何时升级（更精细的离散化）

当以下情况出现时，考虑升级：

1. 业务响应要求高 → 提高采样频率
2. 数据量爆炸 → 降采样策略
3. 量化误差大 → 提高精度
4. 抗混叠失效 → 加滤波

关键洞察

钱学森 Ch 10 强调：随着数字计算机的普及，离散控制已经成为主流。
软件工程的本质就是离散——CPU 按指令周期执行，内存是离散的，数据是离散的。
离散化的核心是：
采样频率（不能太低丢失信息，不能太高浪费资源）
量化精度（不能太低丢失精度，不能太高浪费存储）
抗混叠（防止高频信号被误判）
好的离散化 = 在业务需求和系统开销间找到平衡。

IDDD 对位

离散事件 = 领域事件 → 事件分发与一致性（Ch 8）
事件订阅 → 用例编排（Ch 14）：事件订阅器
离散控制器 = Saga → 应用服务 vs 领域服务（Ch 14）：应用层管理 Saga

核心：离散控制 = 事件驱动——IDDD Ch 8 领域事件和 cybernetics Ch 10 离散系统同构。

离散控制 = 采样与数字控制器 ​

业务问题 ​

真实场景 ​

失败的典型做法 ​

控制论视角 ​

数学原型 ​

控制论解法 ​

与业务的对应 ​

核心概念 ​

定义 ​

离散化的三个关键参数 ​

软件工程的离散化场景 ​

关键属性 ​

离散化的"采样定理" ​

工程实践 ​

步骤 1：识别需要离散化的连续量 ​

步骤 2：定义采样周期 ​

步骤 3：设计离散化算法 ​

步骤 4：处理量化误差 ​

步骤 5：监控离散化效果 ​

常见反模式 ​

反模式 1：采样频率过低 ​

反模式 2：采样频率过高 ​

反模式 3：离散化丢失信息 ​

反模式 4：忽略抗混叠 ​

工程实例 ​

实例 1：限流器的离散化 ​

实例 2：定时任务的离散化 ​

实例 3：监控采集的离散化 ​

性能指标 ​

离散化健康指标 ​

监控设计 ​

边界判断 ​

何时不用 ​

与其他方法论的边界 ​

何时升级（更精细的离散化） ​

关键洞察 ​

相关链接 ​

IDDD 对位 ​