****时序数据库的优势.hen多人可Neng认为在传统关系型数据库上加上时间戳一列就Neng作为时序数据库.

高写入和实时查询性Neng:时序数据库追求高写入和实时查询性Neng,这对于需要实时监控和分析的应用至关重要。.时序数据库的优势主要体现在以下 对吧？ 几个方面:.通过使用时序数据库,企业和个人Neng够geng有效地管理和分析随时间变化的数据,从而获得深入的洞察并Zuo出geng加明智的决策。

时序数据库的优势

换句话说... 当前,物联网领域管理海量时序数据面临测点数超多、 采样频率高、数据量庞大等多项挑战.这对于需要实时记录数据的场景尤为重要。

与君共勉。 使用基于时间戳的时序数据库,Ke以geng好地处理实时流数据,比方说:.总之,时序数据库具有以下优势:使用基于时间戳的时序数据库,Ke以geng好地处理大数据量和实时数据流的处理。

相比实时数据库中的历史数据库,时序数据库的性NengKe以领先 1-2 个数量级,在写入时序数据吞吐量、 时序数据空间占用的压缩比、时间维度相关的查询耗时等方向,dou具备优势。.在此背景下,实时数据库以及以 IoTDB 为代表的时序数据库,由于在保障海量工业数据的实时写入、 存储、查询等方面发挥着重要作用,引得了越来越多的工业制造业企业关注,期望在数据管理层面有所建...

大数据技术标准推进委员会本文约4800字,建议阅读9分钟本文为大家介绍了时序数据库和实时数据库的产生背景、具体区别和一些小趋势.我们再来kan一下时序数据库的诞生环境,在进入互联网飞速发展的时期之后,因为通信技术的革新,数据通信成本的下降,掀起了一波又一波万物互联的热潮。 不错。 “这个数据库我们十几年前就开始Zuo了,但是叫另一个名字——实时数据库”。

时序数据库 是优化用于摄取、处理和存储时间戳数据的数据库。 别怕... 实时数据库就是要对这样的数据进行采集、 处理、记...

当冤大头了。 关于数据库,hen多企业和个人开发者仍习惯于使用自建开源数据库,但自建开源数据库却十分依赖专业DBA和数据库技术人员等手工下载版本、补丁、分析Bug情况,然后人工安装部署,面临各种运维难题。.每种方法dou有其特点和优势,Ke以根据具体情况选择合适的连接方式。幸运的是,人工智Neng的出现为我们提供了新的解决方案,帮助我们在性Neng优化的过程中geng加高效。

本文将深入分析传统实时数据库的局限性,阐述时序数据库的技术优势,并通过实际案例说明用时序数据库替换实时数据库的必要性和实施路径。时序数据库作为一种专门为处理时间序列数据而优化的数据库类型,近年来获得了广泛关注和应用。 地道。 研究后来啊表明,在特定应用场景下用时序数据库替代实时数据库Ke以显著提升系统性Neng并降低总体拥有成本。

乱弹琴。 于此一边,因为Hadoop的普及,基于各种开源组件出现了许多新兴的时序数据库,它们继承了Hadoop的 大数据 基因,为处理海量时序数据而生,他们正在互联网领域快速成长,优秀的基因赋予它们光明的未来,但也正在或即将面临....分布式数据库以外,还有一种类型的数据库是非常常用,而且是非常有必要的,就是实时数据库,以及时序数据库。

在2018年接触到工业互联网之前， 我完全没了解过时序数据库，主要原因是Zuo标准的原因开始慢慢接触起国内一些ZuoTSDB的厂家，其中不乏充满干劲的创业公司和经验丰厚的老牌信息化厂商， 简直了。 实力雄厚的BATH天团在TSDB上也dou有布局，突然间各种TSDB产品就像雨后春笋一般涌现了。

它是什么时候开始火的?

其实从2016年开始就有了这个趋势， 引用一下DB-Engines上发布的一张图，在2016年12个月里TSDB的人气上涨了26%，是排名第二的图数据库的两倍还多，恳请大家...。

冲鸭！ DB-Engines：https://db-engines.com/en/blog_post/

2016年度各类数据库人气涨势

再挑其中排名第一的InfluxDB在Google Trends里查一下热度， 这个数据库是2013年7月左右发布的第一个版本，自此以后人气涨势是一发不可收拾。

-2019年InfluxDB的搜索热度变化

所以我们加紧了学习步伐， 希望Neng尽快的把标准梳理出来好让企业伙伴在Zuo技术选型的时候Neng有些参考。

“这个数据库我们十几年前就开始Zuo了但是叫另一个名字——实时数据库”，我可是吃过亏的。。

hen多Zuo工业信息化起家的兄弟和我们提到了“实时数据库”这个概念，并表示“我们功Neng其实是一样的”。这让我有些困惑， hen是想搞明白这两个数据库之间的关系，Neng算成一类吗?但当时网上对于这两种数据库的对比，大概只Neng找到CSDN的一篇《工业大数据漫谈12：实时数据库与时序数据库》， 没法说。 讲的hen清晰，Ru果你也有同样的困惑Ke以点进去kan一kan~但也Ke以kan我接下去要写的，主要原因是我们拉着Zuo实时/时序数据库的伙伴们针对这个问题讨论了好几回。

所以这一篇文章是一些学习心得， 会尽量包括：这两个数据库的产生背景、具体区别和一些小趋势。

先来点概念Zuo铺垫~

时序数据 time series data

基于稳定频率或非固定周期频率持续产生的一系列基于时间维度的指标监测数据。由时间戳、标签和指标三要素组成，大胆一点...。

用于保存海量时序数据的数据库。

我们可Neng是异父异母的亲兄妹?

实时数据库诞生于传统工业， 早在几十年前就Yi经开始发展，技术Yi经hen成熟，主要为了支持工业场景中大量测量数据的快速写入、存储和查询，有时会涉及到实时的反馈控制，躺平。。

而时序数据库诞生于互联网， 兴起于物联网，主要为了支持海量网络监控及传感器数据的快速写入和分析需求，引起舒适。。

弯道超车。 我们来kan下为什么工业场景中要专门设计实时数据库， 工业场景中超过80%的数据dou有这样的一些特征：dou带有时间戳，且是按时间顺序生成的;大多为结构化数据;采集频率高，数据量大。以一个中等规模的工业企业为例， 在流程监控的环节中，可Neng会涉及到5-10万个传感器测点，每天产出的数据量Neng达到上百GB，一般时候，工业企业dou会要求数据Neng够长时间被存储，这样Ke以随时查询到历史趋势。这个简单的需求Yi经显示出了传统的实时数据库需要具备的一些Neng力，Ke以为以下几点：

高速写入的Neng力：工业实时数据库通常会对写入的速度有hen高的要求。以流程工业的场景为例， 每个环节dou会设置传感器，每个传感器的采集频率douhen高， 好家伙... 所以写入的并发量会特别大，有时甚至会要求每秒上百万的测点。所以除了对软件的要求之外也会选用一些高性Neng的服务器。

快速查询的Neng力：查询的需求分为两块， 一是要响应实时的查询请求，用于及时反映系统的状态;二是历史数据也要Neng快速被查询，由于历史数据的量非常大，在查询时需要对特定时间段的数据Zuo聚合，需要Zuo到即使是查一整年的数据情况，也Nenghen快的反应出来，哎，对！。

太虐了。 超强数据压缩Neng力：上面提到监控数据会被存储hen长时间， 5年甚至是10年dou是常有的事，在存储容量有限的情况下就需要对数据Zuo一定的压缩，通常压缩方式会分成无损压缩和有损压缩，相比而言，有损压缩的压缩比会geng大一些，有时甚至会达到1:-，这就需要设计合理的算法来保留数据中的细节，使数据在还原后仍Neng保留重要的特征。

积累丰富的工具：传统的实时数据库的解决方案一般是从采集开始到直可视化的一整套系统， 有多年积累形成的丰富的工具包， 我天... 比如会积攒上百种的协议，或者各种场景的数据模型，这些dou是工业软件的重要竞争力。

追求极致稳定：工业上对软件的稳定性要求特别高， 除了用主备来保证高可用外完全由软件的质量来保证程序的持续运行，工程师会自豪地拍胸脯保证软件跑十年也不会出错。

我们再来kan一下时序数据库的诞生环境， 在进入互联网飞速发展的时期之后因为通信技术的革新，数据通信成本的下降，掀起了一波又一波万物互联的热潮。不仅是互联网监控需要采集数据， 人们每天接触的手机、 琢磨琢磨。 智Neng手环、共享自行车、汽车，dou在源源不断地产生数据。人们实时地收集这些数据并发送到云端， 用大数据技术进行分析，对业务进行监控和预测，以数据驱动企业降本增效，提高服务质量。

仔细观察一下互联网场景中的数据特征， 其实和工业领域大部分的实时数据类似：

. 单条数据不会hen长，但是数据量hen大

. 它们dou带有时间戳，且按顺序生成

. 数据大部分dou是结构化的，用于描述某个参数在某个时间点的特征，深得我心。

. 写入的频率会比查询的频率高hen多

. Yi存储的数据hen少有geng新的需求，我emo了。

. 用户会geng关心一段时间的数据特征，而不是某一个时间点

. 数据的查询分析大多基于某一个时间段或者某个数值范围

. 需要进行统计和可视化的展示

动手。 从上面这些数据特征，Ke以hen明显的kan出来虽然两种数据库产生的环境不同，但是面对的问题是相同的，解决的需求是类似的，所以两种数据库设计出的功Neng有hen多重合的部分。

功Neng要求可参考CCSA大数据技术标准推进委员会关于时序数据库的评估体系

拖进度。 这就好像两个从未谋过面的兄妹，确认过眼神就知道是一家人。

你想替代我吗?没那么容易

因为IoT和工业互联网带来的新一波风口， 一系列新的生产方式、组织方式和商业模式开始涌现。物联网技术逐步渗透工业， 不断增长的传感器、飙升的数据量，以及geng高的大数据分析需求对实时数据库传统的技术架构提出了挑战。有些问题是需要直面的：

性遇到瓶颈。传统的技术架构虽然Neng保证单机具备极高的性Neng， 也Ke以通过增加机器使性Neng线性 ，但是不Neng像分布式系统那样实现动态灵活的扩容和缩容，需要提前进行规划。当业务升级需要系统扩容时老架构的 性就hen难满足需求了。

无法和大数据生态对接。数据采集的到头来目的是被理解和使用， 大数据产业中对于海量数据的存储分析Yi经有hen成熟的方案，不论是hadoop还是spark的生态圈， 内卷... dou面临着新老技术的对接。hen多工业企业主要原因是想使用新的大数据分析技术，不得不对现有的系统进行升级或是替换。

价格高昂。传统的工业实时数据库解决方案价格dou十分昂贵，一般只有大型企业Neng忍痛接受。但是因为新技术新理念的普及， geng多的中小企业也意识到数据的重要性，但考虑到资金投入，会倾向于寻找价格geng低廉的方案。

这时候来自互联网大家庭的时序数据库方案就展现出了一些先天优势， 比如：

分布式架构的天然优势：传统的实时数据库多是主备的部署架构，通常要求有较高配置的机器，来追求单机极致的性Neng;一边，在稳定性方面会对运行软件的稳定性Zuo极高的要求，完全由高质量的代码来保证运行的稳定;由于存储容量有限，也会要求超高的数据压缩比。但是时序数据库的分布式架构， 使得系统Neng够轻松的进行水平 ，让数据库不再依赖昂贵的硬件和存储设备，以集群天然的优势来实现高可用，不会出现单点的瓶颈或故障，在普通的x86服务器甚至是虚拟机上douKe以运行，大大降低了使用成本，上手。。

geng灵活的数据模型：传统的实时数据库由于工业场景的特殊性， 常使用的是单值模型，一个被监控的参数称为一个测点，在写入时会对每一个测点建一个模型，比如一个风机的温度指标算一个测点， 我开心到飞起。 十个风机的十个指标就是100个测点，每个测点会附带描述信息查询的时候就会针对每个测点去查询数值。单值模型的写入效率会hen高。

单值模型示例

而时序数据库， 开始采用多值模型，类似面向对象的处理方式，比方说风机是一种数据模型，Ke以包括温度、压力等多个测量维度，还包括经纬度、编号等tag信息，这样对外提供服务时会geng适合分析的场景。 PUA。 当然单值模型和多值模型是Ke以互相转换的。hen多数据库对外提供的服务为多值模型，但是底层存储还是单值模型。

现在大部分的时序数据库dou选择了 性较好的NoSQL数据库， 相比于关系型数据库，数据模型geng灵活，非常适合时序数据的多值模型;geng易 ，在资源受限或者需要提升性Neng的时候， 纯属忽悠。 Ke以轻易的增加机器;查询效率高;开源软件成本低;Ke以与大数据生态无缝对接。kan下使用NoSQL数据库作为底层存储的TSDB：

开源TSDB的底层存储模型

但是使用NoSQL数据库也会丢失一些特性， 比如不支持事务，需要通过其他手段来保证数据一致性;比如不支持SQL，SQL作为一种标准查询语句，Yi经被人们所习惯，是一种学习成本极低的操作，所以现在Zuo时序数据库的厂家也在尝试去集成SQL引擎，降低使用的门槛，不错。。

总结一下。 时序数据库被描述得这么优秀，那它会接班传统的实时数据库吗?不是这么容易的事。

先说说 工业中的实时数据库经受过多年客户需求的打磨，性Neng上绝对一流，甚至Ke以进行一定的反馈控制。产品的配套也非常齐全， 通常自带采集工具、适配各种接口协议、具备计算Neng力及定制化的可视化Neng力，是一套完整的解决方案。 胡诌。 而时序数据库的设计在这些领域知识的积累方面是hen欠缺的， 而且大多数只用于监控分析的场景;部署依赖过多，配套工具不完善也是一方面的问题;性Neng和可靠性离实时的反馈控制也还有一定距离。

再者， 近几年Zuo实时数据库的厂家也在积极行动中，陆续dou为产品增加了分布式版本甚至是云服务版本，通常会以实时数据库为核心反向建立起一套数据管理和分析的生态体系，势头一点dou不输互联网玩家，拜托大家...。

跑道上枪声响起，这场比赛没有人弃权。

那我们共同进步吧

不管技术架构如何变化， 解决用户的需求才是到头来目的，以需求为导向的设计， 我坚信... 永远不会过时。那接下来我们来kankan还出现了哪些新需求：

对查询的要求逐渐超过了写入要求： 查询的要求Yi经不仅仅是满足于一些基础的条件查询或是插值查询，因为物联网场景的丰富以及人们对信息全面掌控的需求， 原来如此。 基于地图的应用越来越多，查询会由时间的维度逐步 到空间的维度，除了保证实时性之外geng丰富的可视化的展现也是一大趋势。

逐步转向云服务：传统的工业场景处理实时数据出于平安和性Neng等原因dou会使用私有化部署。机器、软件以及后续的服务是一笔十分高昂的开销，还需要配备专业的技术人员进行系统的维护。当服务逐步上云后 一方面省去了购置机器的成本，也不需要特别安排维护机器和软件系统的工程师，只需要懂得如何开发和维护业务就Ke以。再说一个服务使用多少就购买多少， 避免一次性购买服务造成的资源浪费或者资源不足再进行二次建设，Ke以为企业减少hen大一笔开销。因为网络和云计算技术的成熟， 相关的性Neng和平安性也会不断的升级，到头来趋近于私有化部署的效果，服务上云Yi经成为了一个不可阻挡的趋势。

计算分摊到边缘：工业领域其实是IoT的重要实验田， 工业互联网的发展势必会带来geng多传感器的使用以及geng多数据的采集，当数据过于庞大，集中化的处理方式就hen难响应实时的数据分析需求， 换言之... 这就带来了数据计算向边缘的发展，需要实时响应的监控就版本，并会配合流计算的Neng力使功Nenggeng加丰富。融合了边缘计算的时序数据解决方案会geng适合工业互联网的处理场景。