刷短视频时，刚有几条视频突然爆火，不到两小时就冲上热榜——背后不是运气，是系统在实时‘盯梢’：哪类内容正在被密集点击、转发、停留时长突增，它立刻识别、放大分发。这就是流内容分发里的‘热点捕捉能力’。
不是等热点，而是追着热点跑
传统CDN缓存靠预设规则，热门资源提前部署；而流内容（比如直播切片、短视频流、实时新闻推送）没法预判。系统得边收用户行为数据，边做轻量计算：比如某条15秒视频在30秒内被同一城市500+用户连续播放超8秒，且分享率跳涨3倍，就会触发‘疑似热点’标记。
实际中，小厂用滑动时间窗口统计（如最近60秒内请求IP去重数+平均播放完成率），大平台则嵌入轻量模型，例如用TinyML在边缘节点跑一个二分类器，输入是：pv_delta, share_ratio, avg_stay_sec, geo_concentration，输出是否打标为hot。
怎么让捕捉更准？关键在‘流’字
静态日志分析再快也是T+1；真要抓活的热点，得处理实时流数据。常见架构是：用户行为日志 → Kafka Topic → Flink 实时作业（窗口聚合+规则判断）→ Redis 热点ID缓存 → 分发服务查缓存动态调整路由权重。
SELECT
video_id,
COUNT(DISTINCT user_id) AS active_users,
AVG(play_duration_sec / total_duration_sec) AS finish_rate
FROM kafka_source
WHERE event_time > NOW() - INTERVAL '60' SECOND
GROUP BY video_id
HAVING COUNT(DISTINCT user_id) > 400 AND finish_rate > 0.75注意：阈值不能写死。北京早高峰和云南深夜的‘400人’意义不同，所以实际会结合历史基线做动态归一化，比如‘当前值 / 过去1小时同类型均值’＞2.3才触发。
别光顾着抓，也得防误伤
曾有次某高校考试题截图被误判为热点——因大量学生IP集中访问同一张图，但实际是作弊需求。结果系统把这张图推给了全校流量池。后来加了‘内容语义过滤层’：用ONNX轻量CLIP模型，在边缘节点快速比对图像/标题与已知敏感词库，命中即降权。不求100%准确，但把误推率从7%压到0.3%。
说白了，热点捕捉不是炫技，是让好内容不被埋没，也让服务器不瞎忙——用户刷得顺，平台省带宽，创作者更愿意发新东西。这事，得快，得准，还得留点人味儿。