在接口耗时、SQL 执行时间、请求体大小、错误次数等指标分析中，我们经常会问两个问题：

当前这批样本里，最“重”的那几个请求 / 接口 / SQL 是谁？
整体分布是“略有长尾”还是“严重长尾”？

本案例基于 Kotlin Multiplatform（KMP）与 OpenHarmony，实现了一个TopK 峰值指标排名与尾部分析器：

• 输入一串数值指标和 TopK 数量 k；
• 自动计算样本的最小值 / 最大值 / 平均值；
• 找出 TopK 最大值及其在原序列中的位置；
• 给出若干尾部样本，帮助理解整体分布形态；
• 通过 ArkTS 单页面板展示“峰值榜单 + 尾部样本”，辅助 AIOps / 性能调优决策。

---

一、问题背景与典型场景

在真实工程中，常见的 TopK 分析场景包括：

1. 接口耗时 TopK 排名
   从追踪系统中导出某时间段内的接口耗时样本，找出最慢的 10 个请求，作为优化与排查重点。

2. 最耗时 SQL 语句 TopK
   将 SQL 执行耗时聚合到语句级别，对每条语句的平均耗时或 P95 耗时做 TopK 排名，识别性能瓶颈。

3. 错误次数 / 重试次数 TopK
   对服务或接口的错误次数、重试次数做 TopK，找出“问题最集中的那几位”。

4. 请求体 / 消息体大小 TopK
   在网关日志中对请求体大小进行排序，找出异常大的请求，防止少数请求拖垮链路。

从算法视角看，这类问题可以抽象为：

给定一组数值样本 \( a_0, a_1, \dots, a_{n-1} \) 和整数 \( k \)，
找到其中最大的 \( k \) 个值及其原始索引，并结合最小值 / 平均值做分布分析。

---

二、Kotlin TopK 分析引擎

1. 输入格式设计

为与前两个案例保持一致，本案例继续使用“配置 + 序列”的文本格式：

k=3
series=120,95,180,210,160,300,240

• k：TopK 数量，例如 3 表示取前 3 个最大值；
• series：一串以逗号 / 空格 / 分号 / 换行分隔的数值样本。

解析时会自动过滤空白并尝试转换为 Double。

---

2. Kotlin 分析主入口

在 App.kt 中，我们定义了对外暴露的分析函数，并通过 @JsExport 让 OpenHarmony 端可以直接调用：

@JsExport
fun topKMetricAnalyzer(inputData: String): String {
    val sanitized = inputData.trim()
    if (sanitized.isEmpty()) {
        return "❌ 输入为空，请按 k=3\\nseries=120,95,180,... 形式提供数据"
    }

    val lines = sanitized.lines()
        .map { it.trim() }
        .filter { it.isNotEmpty() }

    var k: Int? = null
    val values = mutableListOf<Double>()

    for (line in lines) {
        when {
            line.startsWith("k=", ignoreCase = true) -> {
                k = line.substringAfter("=").trim().toIntOrNull()
            }
            line.startsWith("series=", ignoreCase = true) -> {
                val parsed = line.substringAfter("=")
                    .split(",", " ", ";", "\n")
                    .mapNotNull { it.trim().takeIf { s -> s.isNotEmpty() }?.toDoubleOrNull() }
                values += parsed
            }
        }
    }

    if (k == null || k!! <= 0) {
        return "❌ 未找到合法的 k=... 配置，请提供大于 0 的 TopK 数量"
    }
    if (values.isEmpty()) {
        return "❌ 未解析到任何数值，请检查 series=120,95,180,... 的格式是否正确"
    }

    val kValue = min(k!!, values.size)
    val indexed = values.mapIndexed { index, v -> index to v }
    val sortedDesc = indexed.sortedByDescending { it.second }
    val topK = sortedDesc.take(kValue)

    val minValue = values.minOrNull() ?: 0.0
    val maxValue = values.maxOrNull() ?: 0.0
    val avgValue = values.average()

    val builder = StringBuilder()
    builder.appendLine("🏆 TopK 峰值指标排名与尾部分析报告")
    builder.appendLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━")
    builder.appendLine("样本数量: ${values.size}")
    builder.appendLine("TopK K 值: $kValue (原始配置: ${k})")
    builder.appendLine("最小值 / 最大值 / 平均值: $minValue / $maxValue / ${round2(avgValue)}")
    builder.appendLine()

    builder.appendLine("🥇 TopK 峰值样本")
    topK.forEachIndexed { rank, pair ->
        val (index, v) = pair
        builder.appendLine("第 ${rank + 1} 名: 值 = $v (原始索引 = $index)")
    }

    builder.appendLine()
    builder.appendLine("📉 尾部样本概览 (最小的 3 个值)")
    val tail = indexed.sortedBy { it.second }.take(min(3, values.size))
    tail.forEach { (index, v) ->
        builder.appendLine("尾部样本: 值 = $v (原始索引 = $index)")
    }

    builder.appendLine()
    builder.appendLine("🧠 工程化解读")
    builder.appendLine("- TopK 排名可以帮助快速锁定“最慢 / 最重 / 最异常”的少数样本；")
    builder.appendLine("- 结合尾部样本，可对整体分布有直观感受，判断是否存在“长尾问题”；")
    builder.appendLine("- 在实际 AIOps 场景中，可以按服务 / 接口维度聚合后再做 TopK 分析，以获得更高层级的洞察。")

    return builder.toString().trim()
}

这里采用了一个简单而直接的实现方案：

• 使用 mapIndexed 保留每个样本的原始索引（方便 UI 展示“原始位置”）；
• 使用 sortedByDescending 按数值从大到小排序，再截取前 kValue 个；
• 同时计算 min / max / average，作为整体分布的快速画像；
• 附带输出若干“尾部样本”，帮助判断是否存在明显的长尾效应。

如果后续需要优化到真正的 O(n log k) TopK 算法，可以很容易用小顶堆替换这里的全量排序实现。

---

三、OpenHarmony 侧调用与 UI 展示思路

在 ArkTS 页面中，可以像之前的案例一样引入 Kotlin/JS 导出的函数：

import { topKMetricAnalyzer } from './hellokjs'

页面状态建议包括：

• kValue：TopK 数量（数值输入框或滑块）；
• seriesInput：样本数据输入区，支持直接 120,95,180,... 或 series=120,95,180,... 两种写法。

拼接 payload 并调用分析函数：

const seriesLine = this.seriesInput.includes('series=') ? this.seriesInput : `series=${this.seriesInput}`
const payload = `k=${this.kValue}\n${seriesLine}`
this.result = topKMetricAnalyzer(payload)

展示区域可以采用等宽字体，将 Kotlin 返回的多行报告原样展示，同时：

• 对“TopK 峰值样本”部分做颜色或图标高亮；
• 将“尾部样本概览”用浅色展示，形成视觉上的“头尾对比”；
• 可根据需要在 ArkTS 端做简单的分组排版，例如用 List 或卡片组件对每个 TopK 条目进行包装。

---

四、复杂度与工程实践建议

当前实现采用全量排序，复杂度为：

• 排序：\( O(n \log n) \)；
• 取前 \( k \) 个元素：\( O(k) \)；
• 其余统计（min / max / average）：\( O(n) \)。

整体复杂度约为 \( O(n \log n) \)，在大多数终端侧 TopK 场景中已经足够。当你需要在更大规模数据上运行时，可以考虑：

1. 使用小顶堆实现真实 TopK 算法
   维护一个大小为 \( k \) 的小顶堆，每次只保留当前的 TopK 元素，将复杂度降为 \( O(n \log k) \)。

2. 按维度预聚合
   先在服务端或边缘节点按“服务/接口/SQL 文本”等维度聚合，再对聚合结果做 TopK 分析，降低终端侧数据量。

3. 与阈值 / 滑动窗口联动
   可以先对序列做阈值切片、滑动窗口分析，再在峰值窗口或异常区间内做 TopK，获得更聚焦的优化目标。

4. 端侧离线调优
   利用 KMP + OpenHarmony 的跨端特性，将 TopK 分析逻辑下沉到设备端，在离线或者弱网环境中也能进行本地性能诊断与调参试验。

通过这个 TopK 峰值指标排名案例，你可以把“排序 + 统计”的基础算法能力封装成统一的分析组件，
在各类 APM、日志分析、链路追踪和运维看板中快速复用，为后续更复杂的智能调度与容量规划算法打下良好基础。

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net