TDengine 3.4.x 查询执行引擎深度解析：SDataBlock、算子树与 APM 场景下的毫秒级响应
引言：从一次 P0 级故障说起
用户问题原文：“查询执行引擎的核心数据结构和算法是什么？”
对于一位拥有 8 年大数据生态（Spring/Flink/ClickHouse/Hudi/Kafka/Parquet）开发经验的工程师而言，理解一个数据库的查询引擎，就如同掌握其思考和决策的大脑。在 ClickHouse 中，你可能熟悉 MergeTree 和向量化执行；在 Flink 中，你精通流式算子 DAG。
那么，TDengine 这个为时序场景而生的数据库，它的“大脑”是如何工作的？这个问题的答案，直接关系到你在面对APM (Application Performance Monitoring) 应用性能追踪这类高维、高基数、低延迟查询需求时，能否设计出高效的模型并写出最优的 SQL。
本文将基于TDengine 3.4.x 社区版，深入其源码核心，全面剖析查询执行引擎的两大基石：SDataBlock（核心数据交换格式）和算子树 (Operator Tree)（查询执行计划）。我们将通过一个真实的 APM 场景——“查询过去1小时内所有payment-service
