让调频学会“看人下菜”：按用户场景抖动特征自适应采样

一句话建议：
系统学习每个场景下频率的抖动率和抖动幅度，抖动大就提高采样精度和调频响应速度，抖动小就降低采样频率、减少调频开销。和现有自适应采样方案的区别：现有方案看的是“此刻负载变没变”，本方案看的是“这个用户在这个场景下通常怎么变”。

一、痛点
现有调频策略存在两难：

· 采样太密、调频太快：频率反复抖动，调频本身耗电，还容易和任务互相激荡。
· 采样太疏、调频太慢：负载突变时响应不及时，掉帧、卡顿。

根因：现有方案用同一套采样节奏应对所有场景，但实际上不同场景、不同用户的频率波动特征完全不同。

二、方案

1. 系统学习场景频率特征
   按“APP + 前台页面 + 交互状态”识别场景，持续统计该场景下频率的抖动率和抖动幅度。
2. 抖动大 → 提高采样精度和调频频率
   比如游戏对战、抢票、快速滑动，频率需求变化剧烈，需要更密的采样、更快的调频响应，避免响应滞后。
3. 抖动小 → 降低采样精度和调频频率
   比如阅读、音乐、视频播放，频率需求平稳，降低采样频率，减少调频开销和无效升降频。
4. 个性化学习，不是一刀切
   同样是刷短视频，有人快速滑动、有人慢慢看，频率需求不同。系统按用户实际习惯学习，而非套用通用策略。
5. 与现有方案的区别
   现有自适应采样基于瞬时负载变化率；本方案基于用户长期场景习惯。前者是“此刻变了没”，后者是“你通常怎么用”。
@HONOR2608234508028 @MagicOS流畅橙子 @性能_阿勇 @MagicOS流畅李同学