我的数据实际上并不是完全随机的。我正在寻找压缩遥测测量值，这些测量值往往在同一范围内（例如温度变化不大）。但是，我寻求一种适用于多种应用的解决方案，因此我可能会在一天发送温度，下一天发送电压，等等。
我想通过低数据速率卫星链路发送测量结果。SatCom 相当昂贵，所以我想尽可能地削减每一分钱。我不介意花费计算资源来打包和解包数据，因为没有什么是时间紧迫的（传输 192 个字节可能需要 30 秒）。
任何人都可以建议一种 FOSS 数据压缩方法，它会给我最大的遥测数据压缩吗？
值得尝试吗？我可以期待什么样的百分比收益？
抱歉，我无法更准确地了解数据的性质 - 只是一般的遥测测量，如温度、纬度/经度 GPS 位置、液体流速等。
真正随机的数据是不可压缩的。
由于您无法透露数据的详细信息，因此最好的办法是在一些样本数据上测试几种不同的压缩算法。
一个很好的起点是DEFLATE 算法，它是 LZ77 滑动窗口压缩和 Huffman 编码的行业标准组合。它由许多特定的压缩包实现，GZIP就是一个突出的例子。
也许最好的解决方案是使用 DEFLATE 库并在大数据块上运行它并使用高压缩设置。
如果您想推出自己的流压缩算法，您可以应用适用于声音文件的相同算法：直接发送第一个测量值，然后对每个样本与前一个样本之间的差异进行编码（增量编码）。
现在，最佳编码会根据数据变化的速度而有所不同：
如果数据变化足够快，请使用自适应 Huffmann 树。如果差异不相关（数据+噪声），这将使您从熵中每个样本最多获得一位。
如果几个连续的数据样本可能彼此相等（数据变化不是很快并且没有 HF 噪声），则使用一棵 Huffmann 树对每个非零差异进行编码，并使用第二个 Huffmann 树编码零的数量. 这将使您每次运行最多获得两位。
您甚至可以仅将差异编码为一位（向上或向下），但是您需要能够对零长度运行进行编码。
我的建议：增量编码一次或两次以获得不相关的条目，然后使用库进行 DEFLATE。
这个用例的完美算法是分位数压缩。它在 rust 中以 FOSS 的名义实现q-compress。
例如，假设您要无损传输一些 32 位浮点数据，例如温度，它们都是开尔文均匀分布在 275-300 范围内。
LZ77/78 算法每个数字大约需要 24 位，因为它们查看字节级别，并且会遗漏尾数位中的大部分可压缩信息。您可以在链接的博客文章中看到一个示例。
分位数压缩将使用每个数字大约 20 位（分布的实际熵；您需要 23 个尾数位中的大约 20 个，指数 8 对应于 256-512 范围来编码这些开尔文）。
您可以离散化以做得更好。在此示例中，32 位浮点数将为您提供小数点后 15 位的精度。如果您只关心 mK 的精度，则可以改为传输mK 的整数值。这些将在 275000 和 300000 之间，并且分位数压缩可以将这些压缩到每个数字大约 15 位。如果您只关心开尔文的 dK (1/10) 精度，您可以缩小到每个数字 8 位。
如果您的数字变化缓慢（例如，相邻值相似），您可以在离散化和分位数压缩之间进行Delta 编码。根据您的数据变化的速度，可以想象，这可以在 dK 精度下使用每个数字 2-8 位。