背景
该项目源于一项指标开发需求：基于不同车辆信号完成对应指标的计算。此需求呈现出以下特性：
指标规模庞大：初始指标数量超 400 个，全年预计达 3000+ 且后续持续新增；
计算逻辑常规：主要涉及求和、最值、窗口计算等常见操作；
车型适配复杂：相同 CAN 信号在不同车型中字段名不统一，且因跨部门协作难度高，信号实体与字段名的映射关系难以预先整合，需依赖研究院与 CAN 供应商提供；
车型清单动态调整：需计算的车型存在不定期增删情况；
资源与维护矛盾突出：若将所有车型纳入单一任务并行计算，资源不足以支撑；若按车型拆分任务，又会导致后续维护成本大幅攀升。
计算框架介绍
基于上述背景，我们设计了一套计算框架。
用户设置配置表，自主确定待计算的车型、信号及计算逻辑（计算逻辑已预先封装为各类算子，用户按顺序配置相应算子即可完成设置）。
框架以车型为维度循环执行计算逻辑。
后续考虑到该框架具有较高的复用价值，我们对其开展扩展开发，使其逐步发展为车联网计算平台。目前平台已构建计算协议，并形成了包括协议解析模块、表模块、计算模块、算子模块、算子优化模块以及监控模块在内的完整体系。
整体计算框架如下：
表模块
在部门平台的限制下，当使用 Java 或 Scala 进行 Spark 任务开发时，若要读取数据，只能采用 SQL 字符串的方式。例如：
val df = spark.sql("select * from df where dt = '1970-01-01'")这种字符串形式存在诸多弊端，一方面不利于从配置文件中读取数据，另一方面也给元数据管理带来了困难。为了解决这些问题，我们对 SQL 语句进行了封装。具体而言，我们通过包装 SparkSession，实现了一个 RichSparkSession。该 RichSparkSession 涵盖了表的 DDL（数据定义语言）和 DML（数据操作语言）语义。与此同时，我们按照 Op（算子）、Field（字段）、Table 的对象层次结构，构建了表模块 TableMeta。
计算模块
计算模块以迭代器形式呈现，其本质为嵌套循环结构。通过配置并行参数，可以控制单次计算所涉及的 Table 数量。该模块在内部运用 union 方式达成功能，具体执行逻辑如下：
迭代器会获取 Seq[Table] 来构建第一层循环。在这一循环里，针对每个 Table，会调用 Table.getFields 方法获取 Seq[Field]，以此构建第二层循环。最终，从每个 Field 中获取其所绑定的 Op，从而执行第三层的具体计算逻辑。
