什么是時間序列數(shù)據(jù)

什么是時間序列（Time Series，以下簡稱時序）數(shù)據(jù),？從定義上來說,，就是一串按時間維度索引的數(shù)據(jù)。用描述性的語言來解釋什么是時序數(shù)據(jù),，簡單的說,，就是這類數(shù)據(jù)描述了某個被測量的主體在一個時間范圍內(nèi)的每個時間點上的測量值。

時序數(shù)據(jù)用于描述一個物體在歷史的時間維度上的狀態(tài)變化信息,，而對于時序數(shù)據(jù)的分析,，就是嘗試掌握并把控其變化的規(guī)律的過程。隨著物聯(lián)網(wǎng),、大數(shù)據(jù)和人工智能技術(shù)的發(fā)展,，時序數(shù)據(jù)也呈一個爆發(fā)式的增長。而為了更好的支持這類數(shù)據(jù)的存儲和分析,，在市場上衍生出了多種多樣的新興的數(shù)據(jù)庫產(chǎn)品,。這類數(shù)據(jù)庫產(chǎn)品的發(fā)明都是為了解決傳統(tǒng)關(guān)系型數(shù)據(jù)庫在時序數(shù)據(jù)存儲和分析上的不足和缺陷，這類產(chǎn)品被統(tǒng)一歸類為時序數(shù)據(jù)庫,。

時序數(shù)據(jù)庫本身是一個比較新的概念,，直到5年前，DB-Engine才將時序數(shù)據(jù)庫列為一個獨立的分類,。雖然時序數(shù)據(jù)庫的概念比較新,，但是時序數(shù)據(jù)卻由來已久。從古至今,，在我們的日常生活中,，時序數(shù)據(jù)從未缺席。在十幾年前,，時序數(shù)據(jù)只能選擇存放在關(guān)系型數(shù)據(jù)庫中,，但是隨著通信技術(shù)的發(fā)展，特別是互聯(lián)網(wǎng)技術(shù)的發(fā)展,，時序數(shù)據(jù)的增長速度呈現(xiàn)指數(shù)級別，使用關(guān)系型數(shù)據(jù)庫來存儲時序數(shù)據(jù)顯然跟不上時代的節(jié)奏了,，所以時序數(shù)據(jù)庫應(yīng)運而生,。時序數(shù)據(jù)庫就是一類專門為處理時間序列數(shù)據(jù)而設(shè)計并優(yōu)化的數(shù)據(jù)庫管理系統(tǒng),。

主要用例

時間序列數(shù)據(jù)的應(yīng)用非常廣泛，包括：

• IT運維
  各種IT的軟硬件無時無刻不在產(chǎn)生大量的時間序列,，主要表現(xiàn)為各種日志數(shù)據(jù),。
• 物聯(lián)網(wǎng) IOT
  工業(yè)機器和設(shè)備上的傳感器，可穿戴設(shè)備,，車輛,，物理容器，托盤,，智能家居的消費設(shè)備等的數(shù)據(jù),。
  例如通過可穿戴設(shè)備對個人健康的管理，就是通過設(shè)備不斷采集你的個人健康數(shù)據(jù),，例如心跳,、體溫等等，收集完數(shù)據(jù)后套用模型計算來評估你的健康度,。
• 股市和其它經(jīng)濟運行數(shù)據(jù)
  經(jīng)典證券,，較新的加密貨幣，支付,，交易事件,。
• 應(yīng)用程序事件
  用戶/客戶交互數(shù)據(jù)，如點擊流,，綜合瀏覽量,，登錄，注冊等,。
• 商業(yè)智能
  跟蹤關(guān)鍵業(yè)務(wù)指標(biāo)和業(yè)務(wù)的整體健康狀況,。
• 環(huán)境監(jiān)測
  例如溫度，濕度,，壓力,，pH值，花粉計數(shù),，空氣流量，一氧化碳（CO）,，二氧化氮（NO2）,，顆粒物質(zhì)（PM10）。

時序數(shù)據(jù)的特點

時間序列數(shù)據(jù)具有以下的主要特點

• 以時間為中心,，必須擁有時間戳

• 時間戳可以是事件產(chǎn)生的時間（event time）,，時間攝取的時間（ingestion time）和事件處理的時間（processing time）。通常事件產(chǎn)生的時間是時間序列最重要的時間。

• 數(shù)據(jù)寫入的特點

• 寫入平穩(wěn),、持續(xù),、高并發(fā)高吞吐：時序數(shù)據(jù)的寫入是比較平穩(wěn)的，這點與應(yīng)用數(shù)據(jù)不同,，應(yīng)用數(shù)據(jù)通常與應(yīng)用的訪問量成正比,，而應(yīng)用的訪問量通常存在波峰波谷。時序數(shù)據(jù)的產(chǎn)生通常是以一個固定的時間頻率產(chǎn)生,，不會受其他因素的制約,，其數(shù)據(jù)生成的速度是相對比較平穩(wěn)的。時序數(shù)據(jù)是由每個個體獨立生成,，所以當(dāng)個體數(shù)量眾多時，通常寫入的并發(fā)和吞吐量都是比較高的,，特別是在物聯(lián)網(wǎng)場景下,。寫入并發(fā)和吞吐量，可以簡單的通過個體數(shù)量和數(shù)據(jù)生成頻率來計算,，例如若你有1000個個體以10秒的頻率產(chǎn)生數(shù)據(jù)，則你平均每秒產(chǎn)生的并發(fā)和寫入量就是100,。
• 寫多讀少：時序數(shù)據(jù)上95%-99%的操作都是寫操作，是典型的寫多讀少的數(shù)據(jù),。這與其數(shù)據(jù)特性相關(guān)，例如監(jiān)控數(shù)據(jù),，你的監(jiān)控項可能很多，但是你真正去讀的可能比較少,，通常只會關(guān)心幾個特定的關(guān)鍵指標(biāo)或者在特定的場景下才會去讀數(shù)據(jù),。
• 實時寫入最近生成的數(shù)據(jù),，無更新,，只添加：時序數(shù)據(jù)的寫入是實時的，且每次寫入都是最近生成的數(shù)據(jù),，這與其數(shù)據(jù)生成的特點相關(guān),，因為其數(shù)據(jù)生成是隨著時間推進的，而新生成的數(shù)據(jù)會實時的進行寫入,。數(shù)據(jù)寫入無更新,，在時間這個維度上,，隨著時間的推進，每次數(shù)據(jù)都是新數(shù)據(jù),，不會存在舊數(shù)據(jù)的更新,，不過不排除人為的對數(shù)據(jù)做訂正,。

• 數(shù)據(jù)查詢和分析的特點

• 按時間范圍讀取：通常來說,，你不會去關(guān)心某個特定點的數(shù)據(jù),，而是一段時間的數(shù)據(jù)。所以時序數(shù)據(jù)的讀取,，基本都是按時間范圍的讀取,。
• 最近的數(shù)據(jù)被讀取的概率高：最近的數(shù)據(jù)越有可能被讀取，以監(jiān)控數(shù)據(jù)為例,，你通常只會關(guān)心最近幾個小時或最近幾天的監(jiān)控數(shù)據(jù),，而極少關(guān)心一個月或一年前的數(shù)據(jù)。
• 多精度查詢：按數(shù)據(jù)點的不同密集度來區(qū)分不同的精度,，例如若相鄰數(shù)據(jù)點的間隔周期是10秒,，則該時序數(shù)據(jù)的精度就是10秒，若相鄰數(shù)據(jù)點的時間間隔周期是30秒,，則該時序數(shù)據(jù)的精度就是30秒,。時間間隔越短，精度越高,。精度越高的數(shù)據(jù),，能夠還原的歷史狀態(tài)更細(xì)致更準(zhǔn)確，但其保存的數(shù)據(jù)點會越多,。這個就好比相機的像素,，像素越高，照片越清晰但是相片大小越大,。時序數(shù)據(jù)的查詢,，不需要都是高精度的，這是實際的需求,，也是一種取舍,，同樣也是成本的考慮。還是拿監(jiān)控數(shù)據(jù)舉例,，通常監(jiān)控數(shù)據(jù)會以曲線圖的方式展現(xiàn),，由人的肉眼去識別。在這種情況下,，單位長度下若展示的數(shù)據(jù)點過于密集,，反而不利于觀察,，這是實際的需求。而另外一種取舍是,，若你查詢一個比較長的時間范圍,，比如是一個月，若查詢10秒精度的數(shù)據(jù)需要返回259200個點,，而若查詢60秒精度的數(shù)據(jù)則只要返回43200個點,，這是查詢效率上的一種取舍。而成本方面的考慮,，主要在存儲的數(shù)據(jù)量上,，存儲高精度的數(shù)據(jù)需要的成本越高，通常對于歷史數(shù)據(jù),，可以不需要存儲很高精度的數(shù)據(jù),。總的來說,，在查詢和處理方面,，會根據(jù)不同長度的時間范圍，來獲取不同精度的數(shù)據(jù),，而在存儲方面,，對于歷史的數(shù)據(jù)，會選擇降精度的數(shù)據(jù)存儲,。
• 多維分析：時序數(shù)據(jù)產(chǎn)生自不同的個體,，這些個體擁有不同的屬性，可能是同一維度的,，也可能是不同維度的,。還是舉個監(jiān)控的例子，我有個對某個集群上每臺機器的網(wǎng)絡(luò)流量的監(jiān)控,，此時可以查詢這個集群下某臺機器的網(wǎng)絡(luò)流量,，這是一個維度的查詢，而同時還需要查詢這個集群總的網(wǎng)絡(luò)流量,，這是另外一個維度的查詢,。
• 數(shù)據(jù)挖掘：隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，在存儲,、計算能力以及云計算發(fā)展的今天,，數(shù)據(jù)的高附加值的挖掘已經(jīng)不再有一個很高門檻。而時序數(shù)據(jù)蘊含著很高的價值,，非常值得挖掘,。

• 數(shù)據(jù)存儲的特點

• 數(shù)據(jù)量大：拿監(jiān)控數(shù)據(jù)來舉例，如果我們采集的監(jiān)控數(shù)據(jù)的時間間隔是1s,，那一個監(jiān)控項每天會產(chǎn)生86400個數(shù)據(jù)點,，若有10000個監(jiān)控項,，則一天就會產(chǎn)生864000000個數(shù)據(jù)點。在物聯(lián)網(wǎng)場景下,，這個數(shù)字會更大,。整個數(shù)據(jù)的規(guī)模，是TB甚至是PB級的,。
• 冷熱分明：時序數(shù)據(jù)有非常典型的冷熱特征,，越是歷史的數(shù)據(jù)，被查詢和分析的概率越低,。
• 具有時效性：時序數(shù)據(jù)具有時效性,，數(shù)據(jù)通常會有一個保存周期，超過這個保存周期的數(shù)據(jù)可以認(rèn)為是失效的,，可以被回收。一方面是因為越是歷史的數(shù)據(jù),，可利用的價值越低,；另一方面是為了節(jié)省存儲成本，低價值的數(shù)據(jù)可以被清理,。
• 多精度數(shù)據(jù)存儲：在查詢的特點里提到時序數(shù)據(jù)出于存儲成本和查詢效率的考慮,，會需要一個多精度的查詢，同樣也需要一個多精度數(shù)據(jù)的存儲,。

時間序列模型

許多應(yīng)用程序或數(shù)據(jù)庫實際上采用的是過于狹窄的視圖,，并將時間序列數(shù)據(jù)與特定形式的服務(wù)器度量值等同起來。

但事實上,，在許多監(jiān)控應(yīng)用中,，不同的度量經(jīng)常被收集在一起（例如CPU、內(nèi)存,、網(wǎng)絡(luò)統(tǒng)計,、電池壽命）。因此,，單獨考慮每個度量并不總是有意義的,。考慮這種可替代的“更廣泛”的數(shù)據(jù)模型,，它保持了同時收集的度量之間的相關(guān)性,。

時序數(shù)據(jù)的數(shù)據(jù)模型主要有這么幾個主要的部分組成：

• 主體 (Metrics): 被測量的主體，一個主體會擁有多個維度的屬性(Label/Tag/Dimension),。以服務(wù)器狀態(tài)監(jiān)控場景舉例,，測量的主體是服務(wù)器，其擁有的屬性可能包括集群名,、Hostname等,。
• 測量值(Measure/Value): 一個主體可能有一個或多個測量值,，每個測量值對應(yīng)一個具體的指標(biāo)。還是拿服務(wù)器狀態(tài)監(jiān)控場景舉例,，測量的指標(biāo)可能會有CPU使用率,，IOPS等，CPU使用率對應(yīng)的值可能是一個百分比,，而IOPS對應(yīng)的值是測量周期內(nèi)發(fā)生的IO次數(shù),。
• 時間戳(TimeStamp): 每次測量值的匯報，都會有一個時間戳屬性來表示其時間,。

上圖是兩種時序數(shù)據(jù)的模型,，一種每一條包含多個測量值，另一種每一條只包含一個測量值,。

產(chǎn)品和公司

主要數(shù)據(jù)庫自2013年以來的趨勢（dbengine）

通過上圖我們可以看出,，圖數(shù)據(jù)庫和時序數(shù)據(jù)庫在最近幾年上升趨勢明顯，而搜索引擎和傳統(tǒng)的關(guān)系型數(shù)據(jù)庫發(fā)展緩慢,。

時間序列數(shù)據(jù)庫dbengine的排名

時間序列數(shù)據(jù)庫dbengine的趨勢

對于時序數(shù)據(jù)庫,，我們主要從領(lǐng)導(dǎo)者，大廠,，開源,，多模型和新興產(chǎn)品來分析以下。

領(lǐng)導(dǎo)者

InfluxDB是時序數(shù)據(jù)庫的領(lǐng)導(dǎo)者,，它背后的公司是influxdata,，他的產(chǎn)品采用了開源和商業(yè)產(chǎn)品混合的模式，基本功能開源,，對于擴展的多實例部署進行收費,。

Influxdata主要提供產(chǎn)品包括：

• 開源的influxdb
• influxDB企業(yè)版
• InfluxDB 云
• 開源指標(biāo)采集工具telegraph

KDB+是由Kx Systems開發(fā)的基于列的關(guān)系時間序列數(shù)據(jù)庫。 Kdb +數(shù)據(jù)庫設(shè)計用于財務(wù)領(lǐng)域,，以存儲時間序列數(shù)據(jù)并在數(shù)據(jù)增加時進行擴展/擴展,。Kdb +是基于有序列表的概念的面向列的內(nèi)存數(shù)據(jù)庫。內(nèi)存中意味著它主要將數(shù)據(jù)存儲在RAM中,。使用簡化的數(shù)據(jù)庫引擎,，它可以非常快速地運行,，但是它需要大量的RAM（這不再是一個問題,，因為具有大量RAM的服務(wù)器現(xiàn)在很便宜）。

kdb+時間序列數(shù)據(jù)庫是世界上最?。ㄖ挥袔资甅B）和最快的,。它的單一集成平臺使其非常有效地分析超大型數(shù)據(jù)集，并加快了基于我們的高性能核心技術(shù)構(gòu)建的Kx解決方案的開發(fā)和部署（官方描述）,。

kdb+（基于q或者k語言的db, 增強版,，也簡稱kdb）被官方稱為世界上最快的時間序列數(shù)據(jù)庫,，它有非常高的性能和豐富高效的時間序列函數(shù)。列式存儲的特性,，使得對于某個列的統(tǒng)計分析操作異常方便,。全球頂尖的投行、高盛,、摩根,、國內(nèi)許多證券公司和私募基金也開始使用，在延遲性上有著苛刻要求的金融領(lǐng)域,，kdb+有著獨特的優(yōu)勢,。

特點：

1、內(nèi)存數(shù)據(jù)庫(In Memory Database),，將數(shù)據(jù)放置在內(nèi)存中

2,、解釋型語言(Interpreted)

3、有序列表(Ordered Lists),， 實現(xiàn)高速處理數(shù)據(jù)的關(guān)鍵,，區(qū)別于傳統(tǒng)數(shù)據(jù)庫。

4,、賦值順序(Evaluation Order)

5、面向表編程(Table Oriented)

6,、面向列編程(Column Oriented)

7,、強類型(Types)

開源時序數(shù)據(jù)庫

除了之前提到的influx，還有以下的一些開源的時序數(shù)據(jù)庫

• Prometheus
  https:///
  Prometheus 是一個完整的監(jiān)控和趨勢系統(tǒng),，包括內(nèi)置和活動的抓取,、存儲、查詢,、繪圖和基于時間序列數(shù)據(jù)的報警,。它知道監(jiān)控應(yīng)該是什么樣子(監(jiān)控點應(yīng)該存在，時間序列模式意味著什么問題,，等等),，并積極地尋找錯誤。Prometheus有一個監(jiān)控系統(tǒng)和自帶的時序數(shù)據(jù)庫組成,。

• 1.Prometheus獲取數(shù)據(jù)的方式只有一種,，就是scrape，也稱作pull,，意為拉取,。Prometheus每隔一段時間會從目標(biāo)(target)這里以Http協(xié)議拉取指標(biāo)(metrics)，這些目標(biāo)可以是應(yīng)用,，也可以是代理,，緩存中間件,，數(shù)據(jù)庫等等一些中間件。
• 2.拉取出來的數(shù)據(jù)Prometheus會存到自己的TSDB數(shù)據(jù)庫,。自己的WebUI控制臺以及Grafana可以對其數(shù)據(jù)進行時間范圍內(nèi)的不斷查詢,，繪制成實時圖表工展現(xiàn)。
• 3.Prometheus 支持例如zookeeper,consul之類的服務(wù)發(fā)現(xiàn)中間件,，用以對目標(biāo)(target)的自動發(fā)現(xiàn),。而不用一個個去配置target了。
• 4.AlertManager組件支持自定義告警規(guī)則,，告警渠道也支持很多種

thanos 是常見的Prometheus的開源存儲引擎 https://github.com/thanos-io/thanos

• Graphite
  https:///
  Graphite 專注于成為一個具有查詢語言和繪圖功能的被動時間序列數(shù)據(jù)庫,。任何其他問題都由外部組件處理。
  Graphite主要由三個部分組成：

• Carbon 高性能時序數(shù)據(jù)監(jiān)聽服務(wù)
• Gaphite-web Web查詢服務(wù)
• Whisper 高性能時序數(shù)據(jù)庫引擎

• Apache Druid
  https://github.com/apache/druid
  https://druid./
  Druid是一個高性能實時分析數(shù)據(jù)庫,。Druid專為真正需要快速查詢和攝取的工作流而設(shè)計,。 Druid擅長于為UI提供動力，運行可操作（臨時）查詢或處理高并發(fā)性,。在各種使用案例中,，將Druid視為數(shù)據(jù)倉庫的開源替代方案。
  Druid主要由主服務(wù),，查詢服務(wù),，數(shù)據(jù)服務(wù)組成。存儲系統(tǒng)由外部系統(tǒng)提供,。
• TimeScaleDB
  https://github.com/timescale/timescaledb
  類似于Influx,，TimescaleDB也同時提供開源和商業(yè)化版本的時序數(shù)據(jù)庫，同時也提供云的部署,。
  TimescaleDB 是基于PostgresSQL來構(gòu)建和擴展,，這意味著它在整個PostgreSQL實例中運行。擴展模型使數(shù)和據(jù)庫可以利用PostgreSQL的許多屬性,，例如可靠性,，安全性以及與各種第三方工具的連接性。同時,，TimescaleDB通過在PostgreSQL的查詢計劃程序,，數(shù)據(jù)模型和執(zhí)行引擎中添加鉤子，從而充分利用了擴展可利用的高度定制,。從用戶的角度來看,，TimescaleDB公開了看起來像單表的表，稱為超表,，實際上是包含數(shù)據(jù)的許多單個表（稱為塊）的抽象或虛擬視圖,。
  塊是通過將超表的數(shù)據(jù)劃分為一個或多個維度來創(chuàng)建的：所有超表均按一個時間間隔進行分區(qū)，并且可以另外通過鍵（例如設(shè)備ID，位置,，用戶ID等）進行分區(qū),。我們有時將其稱為分區(qū)跨越“時間-空間”。
• Open TSDB
  http:///
  OpenTSDB是老牌的開源時序數(shù)據(jù)庫,，最近已經(jīng)不是很活躍,，上一個release是2018年了。

大廠的時序數(shù)據(jù)庫

因為時序數(shù)據(jù)庫的迅速發(fā)展,，各個的大廠都推出了自己的時序數(shù)據(jù)庫的產(chǎn)品,，包括：

• 亞馬遜 Timestream
  https://aws.amazon.com/timestream/
  Amazon Timestream 是一種快速、可擴展的無服務(wù)器時間序列數(shù)據(jù)庫服務(wù),，適用于物聯(lián)網(wǎng)和運營應(yīng)用程序,，使用該服務(wù)每天可以輕松存儲和分析數(shù)萬億個事件，速度提高了 1000 倍,，而成本僅為關(guān)系數(shù)據(jù)庫的十分之一,。通過將近期數(shù)據(jù)保留在內(nèi)存中，并根據(jù)用戶定義的策略將歷史數(shù)據(jù)移至成本優(yōu)化的存儲層,，Amazon Timestream 為客戶節(jié)省了管理時間序列數(shù)據(jù)生命周期的時間和成本,。Amazon Timestream 專門構(gòu)建的查詢引擎可用于訪問和分析近期數(shù)據(jù)和歷史數(shù)據(jù)，而無需在查詢中顯式指定數(shù)據(jù)是保存在內(nèi)存中還是成本優(yōu)化層中,。Amazon Timestream 內(nèi)置了時間序列分析函數(shù),，可幫助您近乎實時地識別數(shù)據(jù)的趨勢和模式。Amazon Timestream 是無服務(wù)器服務(wù),，可自動縮放以調(diào)整容量和性能,，因此您無需管理底層基礎(chǔ)設(shè)施，讓您可以專注于構(gòu)建應(yīng)用程序,。
• 阿里 Cloud TSDB
  阿里提供時序數(shù)據(jù)庫TSDB,，提供百萬級時序數(shù)據(jù)秒級寫入,、高性能,、低成本、穩(wěn)定可靠的在線時序數(shù)據(jù)庫服務(wù),。同時阿里也提供了InfluxDB的云部署,。
• IBM DB2 event store
  https://www.ibm.com/products/db2-event-store
  IBMDb2?Event Store是一個內(nèi)存優(yōu)化的數(shù)據(jù)庫，旨在為事件驅(qū)動的應(yīng)用程序快速攝取和分析流數(shù)據(jù),。 IBM Watson Studio內(nèi)置在IBM Db2 Event Store中,，以提供集成的協(xié)作開發(fā)體驗，并支持創(chuàng)建機器學(xué)習(xí)模型,。
• 騰訊 CTSDB
  https://cloud.tencent.com/product/ctsdb
  時序數(shù)據(jù)庫 CTSDB（TencentDB for CTSDB）是騰訊云推出的一款分布式,、可擴展、支持近實時數(shù)據(jù)搜索與分析的時序數(shù)據(jù)庫。該數(shù)據(jù)庫為非關(guān)系型數(shù)據(jù)庫,，提供高效讀寫,、低成本存儲、強大的聚合分析能力,、實例監(jiān)控以及數(shù)據(jù)查詢結(jié)果可視化等功能,。整個系統(tǒng)采用多節(jié)點多副本的部署方式，有效保證了數(shù)據(jù)的高可用性和安全性,。
  根據(jù)騰訊自己發(fā)布的測試數(shù)據(jù),，性能優(yōu)于InfluxDB

除了上述產(chǎn)品，華為,，百度也都有自己的時序數(shù)據(jù)庫產(chǎn)品,。

新興時序數(shù)據(jù)庫產(chǎn)品

• 濤思數(shù)據(jù)的TDengine
  https://www./cn/
  https://github.com/taosdata/TDengine
  TDengine是濤思數(shù)據(jù)專為物聯(lián)網(wǎng)、車聯(lián)網(wǎng),、工業(yè)互聯(lián)網(wǎng),、IT運維等設(shè)計和優(yōu)化的大數(shù)據(jù)平臺。除核心的快10倍以上的時序數(shù)據(jù)庫功能外,，還提供緩存,、數(shù)據(jù)訂閱、流式計算等功能,，最大程度減少研發(fā)和運維的復(fù)雜度,，且核心代碼，包括集群功能全部開源,。TDengine的模塊之一是時序數(shù)據(jù)庫,。但除此之外，為減少研發(fā)的復(fù)雜度,、系統(tǒng)維護的難度,，TDengine還提供緩存、消息隊列,、訂閱,、流式計算等功能，為物聯(lián)網(wǎng),、工業(yè)互聯(lián)網(wǎng)大數(shù)據(jù)的處理提供全棧的技術(shù)方案,，是一個高效易用的物聯(lián)網(wǎng)大數(shù)據(jù)平臺。
  根據(jù)濤思數(shù)據(jù)自己發(fā)布的數(shù)據(jù),，其寫入和查詢性能皆優(yōu)于Clickhouse和InfluxDB
• VictoriaMetrics
  https:///
  https://github.com/VictoriaMetrics/VictoriaMetrics
  VictoriaMetrics是快速,，經(jīng)濟高效且可擴展的監(jiān)視解決方案和時間序列數(shù)據(jù)庫，它也提供開源和商業(yè)化的時序數(shù)據(jù)庫解決方案,。
• Apache IoTDB
  https://iotdb./
  https://github.com/apache/iotdb
  IoTDB（物聯(lián)網(wǎng)數(shù)據(jù)庫）是用于時間序列數(shù)據(jù)的數(shù)據(jù)管理系統(tǒng),，可以為用戶提供特定的服務(wù)，例如數(shù)據(jù)收集，存儲和分析,。憑借其輕巧的結(jié)構(gòu),，高性能和可用功能以及與Hadoop和Spark生態(tài)的無縫集成，IoTDB滿足了工業(yè)IoT領(lǐng)域中海量數(shù)據(jù)集存儲,，高吞吐量數(shù)據(jù)輸入和復(fù)雜數(shù)據(jù)分析的要求,。

另外在某些場合，我么也可以把Splunk和ES作為時序數(shù)據(jù)庫來使用,，用作時序數(shù)據(jù)的分析,。

功能和架構(gòu)設(shè)計

從架構(gòu)上來看，為了支持時序數(shù)據(jù)的使用特點,，主要需要考慮以下的架構(gòu)設(shè)計：

數(shù)據(jù)的存儲和索引

根據(jù)時序數(shù)據(jù)的訪問特點,，主要的數(shù)據(jù)存儲的設(shè)計有：

• 列存儲，支持分析和聚合的場景,，也同時支持?jǐn)?shù)據(jù)壓縮
• LSM tree,， 利用順序?qū)懸h(yuǎn)比隨機寫性能高出很多的特點，可以有效的支持Append only的用例
• 基于已有的關(guān)系數(shù)據(jù)庫或者KV數(shù)據(jù)庫構(gòu)建
• 基于特定的數(shù)據(jù)文件構(gòu)建

一般對針對時間對數(shù)據(jù)進行分片,，提高數(shù)據(jù)寫入和訪問的效率,，并可以有效的按照時間范圍管理數(shù)據(jù)。

分布式的水平擴展

大部分的時序數(shù)據(jù)庫都支持水平擴展的集群部署,，Influx和TimeScaleDB都把集群部署作為商業(yè)版特有的功能

基于SQL的訪問

大部分的的時序數(shù)據(jù)庫都提供SQL或者類似SQL的查詢語言,，提高訪問的易用性?；跁r間緯度的上卷和下鉆,， AVG、SUM,、MAX,、MIN等聚合函數(shù)是時序分析的標(biāo)配。

數(shù)據(jù)壓縮,，降采樣和聚合

因為時序數(shù)據(jù)的產(chǎn)生量巨大,，對于數(shù)據(jù)的壓縮要求比較高。降采樣可以有效的降低查詢時間和存儲的占用,，有很多的時序數(shù)據(jù)庫內(nèi)置了降采樣的功能,，另一些時序庫采用預(yù)聚合的功能來實現(xiàn)類似功能,。

注: Downsampling就是將一個高精度的時序數(shù)據(jù)轉(zhuǎn)換為一個低精度的時序數(shù)據(jù)的過程,，這個過程被稱作Rollup。它與GroupBy的過程比較類似,，核心區(qū)別是GroupBy是基于相同的時間粒度，把同一時間層面上的不同維度的數(shù)據(jù)做聚合，轉(zhuǎn)換后的結(jié)果還是相同時間粒度的數(shù)據(jù),，只不過是更高的一個維度,。而Downsampling是不同時間層面上把相同維度的數(shù)據(jù)做聚合,，轉(zhuǎn)換為更粗時間粒度的數(shù)據(jù)，但是還是擁有相同的維度,。

數(shù)據(jù)生命周期和時效管理

基于時序數(shù)據(jù)的特點,，我們希望對數(shù)據(jù)按照時間的新舊進行生命周期的管理,，分冷，溫,，熱數(shù)據(jù),。

權(quán)限和安全管理

基于表級別的權(quán)限管理

智能化和機器學(xué)習(xí)

提供對時間序列預(yù)測的能力只出現(xiàn)在少數(shù)時序數(shù)據(jù)庫的商業(yè)化版本中