对随时间变化的数据做 "平滑处理": EWMA这个算法是指数加权移动平均（EWMA, Exponentially Wei

这个算法是指数加权移动平均（EWMA, Exponentially Weighted Moving Average），常用于对随时间变化的数据做“平滑处理”（给近期数据更高权重，远期数据更低权重）。

核心要素说明

参数 a：
- 取值范围是 0 ≤ a ≤ 1，它是“折扣系数”（也叫平滑系数）。
- a 越接近 1：旧数据的权重越高，新数据的影响越小，结果越平滑；
- a 越接近 0：新数据的权重越高，结果更“紧跟”最新数据。
函数逻辑 estimate_rate_pps(instant_rate, old_rate)：这个函数的作用是结合“当前瞬时速率（instant_rate）”和“历史旧速率（old_rate）”，计算新的平滑后速率。公式为： $\text{新速率} = (1-a) \times \text{instant\_rate} + a \times \text{old\_rate}$
- (1-a) 是“当前瞬时速率”的权重；
- a 是“历史旧速率”的权重；
- 本质是加权平均：用固定的系数 a 对新、旧数据做“折扣式”融合。

举个例子

比如 a=0.8，当前瞬时速率是 10，旧速率是 5： $\text{新速率} = (1-0.8) \times 10 + 0.8 \times 5 = 0.2 \times 10 + 0.8 \times 5 = 2 + 4 = 6$ 能看到：旧数据（5）的权重更高，新速率更贴近旧值。

这是EWMA算法的具体代码实现，核心是把“折扣系数a”和“平滑逻辑”落地成代码，同时用“定点数（fixed point）”处理数值（避免浮点精度问题）。

逐行拆解逻辑

计算折扣系数a
```
fpoint a = to_fixed_point(dur) / WINDOW;
```
- dur：通常是“时间间隔”（比如两次数据更新的时间差）；
- to_fixed_point(dur)：把dur转成定点数格式（用整数模拟小数，避免浮点误差）；
- WINDOW：是一个“时间窗口常数”（比如希望让数据在多长时间内完成平滑）；
- 所以a的本质是：a = 时间间隔 / 时间窗口，保证0 ≤ a ≤ 1（符合EWMA的参数要求）。
初始化新速率
```
fpoint new_rate = old_rate;
```
先把“新速率”初始化为“旧速率”，后续再根据当前值调整。
根据当前值调整新速率 核心是让新速率向“当前瞬时速率（rate_current）”靠近，靠近的幅度由a控制：
```
if (old_rate > to_fixed_point(rate_current)) {
    // 旧速率 > 当前速率 → 新速率 = 旧速率 - a*(旧速率-当前速率)
    new_rate -= a * to_int(old_rate - to_fixed_point(rate_current));
} else {
    // 旧速率 ≤ 当前速率 → 新速率 = 旧速率 + a*(当前速率-旧速率)
    new_rate += a * to_int(to_fixed_point(rate_current) - old_rate);
}
```
- to_fixed_point(rate_current)：把“当前瞬时速率”转成定点数；
- to_int(...)：把定点数的差值转成整数（配合定点数运算规则）；
- 本质等价于之前的EWMA公式：new_rate = (1-a)*rate_current + a*old_rate（只是拆成“加减”形式实现）。
返回新速率
```
return new_rate;
```

总结

这段代码是**“定点数版的EWMA实现”**：用a = 时间间隔/时间窗口控制平滑幅度，通过“旧速率向当前速率逐步靠近”的逻辑，实现数据的指数加权平滑，同时用定点数避免浮点运算的精度问题。