SQL不适合计算QPS峰值，需用时间窗口切片、瞬时速率推导和按秒对齐的滑动计数；GROUP BY time_bucket比FLOOR(UNIX_TIMESTAMP())更可靠，因自动处理时区与边界；count(*)非QPS，须用窗口函数如max(qps) OVER (ORDER BY sec ROWS BETWEEN 2 PRECEDING AND CURRENT ROW)求连续秒内峰值；SQL无法原生实现irate语义，易因空秒或精度丢失导致偏差；结果须与监控系统对齐，注意过滤干扰请求。
直接结论：SQL本身不适合计算QPS峰值，尤其在高并发场景下。你真正需要的不是SUM或AVG，而是时间窗口切片 + 瞬时速率推导 + 按秒对齐的滑动计数。
为什么GROUP BY time_bucket比GROUP BY FLOOR(UNIX_TIMESTAMP())更可靠
高并发请求日志（如Nginx access log导入ClickHouse/PostgreSQL）中，原始时间戳精度常达毫秒甚至微秒，但QPS必须按“秒”对齐才有业务意义。用FLOOR(UNIX_TIMESTAMP(ts))看似简单，实际会因时区、夏令时、浮点截断导致同一秒内数据被拆到两个桶里。
-
time_bucket('1s', ts)（TimescaleDB / ClickHouse）是原子操作，自动处理时区偏移和边界对齐 - PostgreSQL需配合
date_trunc('second', ts)，不能用to_char(ts, 'YYYY-MM-DD HH24:MI:SS')——后者是字符串转换，无法走索引 - 若原始表无
ts字段而只有log_time VARCHAR，先用to_timestamp(log_time, 'YYYY-MM-DD HH24:MI:SS.US')转类型，否则隐式转换会让GROUP BY失效
count(*)不是QPS，max(count(*)) OVER (ORDER BY sec ROWS BETWEEN 5 PRECEDING AND CURRENT ROW)才是峰值线索
单靠GROUP BY sec只能得到每秒请求数，但QPS峰值本质是“连续多秒中的最大瞬时吞吐”，比如突发流量持续3秒，每秒分别是980、1020、990——真实峰值应取1020，而非平均值1000。
- 直接
SELECT max(qps) FROM (SELECT count(*) AS qps FROM logs GROUP BY date_trunc('second', ts))会丢失时间连续性，把凌晨3点的100和大促零点的10000混在一起比 - 必须用窗口函数做滑动窗口聚合：
max(qps) OVER (ORDER BY sec ROWS BETWEEN 2 PRECEDING AND CURRENT ROW)表示“当前秒及前两秒内的最高QPS” - ClickHouse中优先用
runningAccumulate或neighbor()替代标准窗口函数，性能高3–5倍
别在SQL里算irate，那是Prometheus的事
看到irate(http_requests_total[1m])这种写法就该警觉：SQL没有原生的“基于最近两个采样点推导瞬时速率”能力。强行模拟会导致严重偏差：
- 假设日志里某秒有1200条记录，但实际是前200ms集中到达（真实峰值1200÷0.2=6000 QPS），SQL按秒分组只看到1200
- 若用
LAG()取上一秒计数再相减，遇到空秒（如第5秒无日志）就会得到负值或NULL，irate能自动跳过不完整窗口，SQL做不到 - 真正要复现
irate语义，得先用物化视图预计算每100ms的计数，再用窗口函数找相邻非空桶的差值——成本远超收益
最易被忽略的一点：QPS峰值计算结果必须和监控系统对齐。如果你用SQL算出的峰值是10500，而Prometheus里max(irate(http_requests_total[1s])[1h:])显示9800，大概率是SQL没处理好采样对齐或丢弃了重试请求——这时候该查的不是聚合函数，而是WHERE条件里是否漏掉了status NOT IN (499, 503)这类干扰项。
