时序数据库是什么：概念、特点与分类简析

时序数据与时序数据库的“保姆级”科普！

作为将数据价值转化为产能能效的“核心大脑”，数据库的发展依然处于加速期，面向不同数据类型的数据库类型也在不断增加。

在众多细分领域数据库类型中，伴随制造业数字化转型的行业趋势和多项政策推动，赋能智慧工业管理的时序数据库愈发受到关注。

对于数据库的概念大家应该并不陌生，但是‘时序’是什么？时序数据库有哪些特点，基本架构是什么，市面上又有哪些产品类型？

本文将一一为你解答上述问题。

01 什么是时序数据

时序数据库顾名思义，是“管理时序数据的数据库”，所以在了解时序数据库之前，首先需要了解什么是时序数据。

时序数据是按时间维度，记录系统、设备状态变化的数据类型。它的基本结构特点就是数据中自带数据产生的时间，也就是数据带有时间戳。在网络良好的情况下，时序数据是以时间顺序上报的。

时序数据举例

物联网、工业物联网、金融、医疗等领域各种类型的设备和传感器网络都会产生海量的时序数据，时序数据的应用场景主要分为两个目的：

降本：面向生产设备进行状态监控、实时告警、故障预测，降低系统运维成本与故障风险。

增效：面向工艺步骤、生产流程展开深入分析，加快工艺改进，提高生产效率。

因此，时序数据为企业提供的新的利润增长点是非常可观的。

以风机运行场景为例，测风仪可能随着环境因素（震动，腐蚀等）出现偏差，主控系统依据错误风向数据偏航导致迎风角错误，将会导致风机发电效率衰减，影响产能。

此时如果实现了对风机时序数据的全量存储与充分分析，及时判断是否需要对测风仪误差进行补偿，每台风机每年即可多发电数万元，每年可能为业主带来上亿元经济收益。

可以说，数字化的基础是对联网设备进行状态检测，而产生的时序数据就是机器设备的“心电图”。

02 时序数据库的特点

时序数据库是一种专门用于存储、管理和处理时序数据的数据库管理系统。因为时序数据一般存在采样频次高、实时性强、数据量大等显著特点，导致写入要求高、存储代价大、处理难度高，一旦时序数据体量增加，单靠传统数据库可能力不从心。

而时序数据库在管理时序数据方面就存在很多性能优势，主要包括：

高吞吐写入能力：时序数据往往体量庞大，并可能存在高频数据上报。时序数据库通过优化数据结构和存储机制，可以在高并发的情况下保持高效的写入性能。

高压缩存储能力：使用传统方法的情况下，海量时序数据的存储往往占用空间大、存储成本高。而时序数据库可以通过时序数据处理的相关技术，来大幅减少存储空间。

低延迟查询能力：时序数据时间属性强，时序数据库能够支持用户用更简单的代码逻辑，实时进行基于时间范围的多类查询，方便灵活地获取所需结果。

支持多维数据分析和数据可视化：管理时序数据的目的是监控设备状态、优化生产流程。时序数据库通过工具/组件，支持数据大屏、报表等多形式的可视化成果，实现数据实时监控，并结合机器学习等前沿技术，进一步完成数据结果的深入分析。

高可扩展性：工业场景中伴随业务发展，设备数量往往将不断增加。时序数据库底层架构易于扩展建模，以管理更多设备数据。

灵活、安全的数据传输：工业场景中，设备一般在多个场站持续上报时序数据，在场站初步处理后，往往需要汇总至中心/集团侧进行进一步分析。同时，生产网、办公网可能相互隔离并搭建单向网闸，因此，支持灵活、简便、安全的数据同步方案对于时序数据库至关重要。

03 时序数据库中的基本概念

讲完时序数据库的整体侧重点，下面以时序数据库 IoTDB 为例，为大家介绍几个时序数据库数据模型的基本概念：

设备/实体（Device/Entity）：实际场景中拥有物理量的设备或装置，可以是一个物理设备、测量装置、传感器集合等。

时间戳（Timestamp）：代表数据点到来的时间。

物理量/测点/字段（Measurement/Meter/Field）：实际场景中设备所记录的测量维度，例如传感器上报的温度、湿度等，记录随时间戳而变化的数据。

数据点（Data Point）: 一个“时间戳-值”对，也就是一个时间点，一个设备上报的一个数据值，或重新二次计算的一个数据值，称为一个数据点。

可以看到，设备/实体上报的时序数据涵盖实时时间戳、多个物理量和不断变化的数据点，而多个时序数据可被高效管理于时序数据库中。

不同的时序数据库也可能根据自己的数据模型衍生出其他概念。比如 IoTDB 采用了树形模型，按照物联网实际管理层级（集团层-厂站层-实体层-物理量层）组织数据，以从根节点 ROOT 到物理量叶子节点的路径（Path）来命名一个时间序列，如 root.ln.wf01.wt01.status。IoTDB 也支持用户将任意前缀路径，比如 root.ln 设置成数据库（Database），方便数据的物理隔离。

IoTDB 树形模型

04 时序数据库的类型与产品

从 1999 年出现 RRDtool（Round Robin Database Tool）提出了专门面向时序数据存储、处理的方法开始，时序数据库发展至今已超过 20 年。

在没有专门管理时序数据的数据库之前，人们通常使用关系型数据库管理时序数据，因此部分时序数据库的架构是基于关系型数据库进行优化的。

还有一类基于 KV （key-value）存储的时序数据库，通过扩展 NoSQL 数据库实现时序数据存储，并使用分布式文件系统保障其扩展性。

随着大数据时代到来，2010 年之后，时序数据爆发式增长，时序数据库的发展走上了“快车道”。为了适应更多的场景，实现更好的性能，面向时序数据存储全新研发的原生时序数据库也越来越多。

目前，市场上已有多种时序数据库产品，对应上述的不同架构类型，典型代表列举如下：

TimescaleDB：TimescaleDB 基于 PostgreSQL 的时序数据库扩展，兼具关系型数据库和时序数据库的特点。通过在 PostgreSQL 的查询计划器、数据模型和执行引擎添加钩子，TimescaleDB 可以构建高度定制化的扩展层，并可以利用 PostgreSQL 丰富的第三方工具。

OpenTSDB：OpenTSDB 是一款基于 HBase 的分布式时序数据库，采用键值对的数据模型，运用针对写入密集的工作负载优化的 LSM-tree 结构，OpenTSDB 能够应对时序数据高通量写入的应用场景，并能保障扩展性。

InfluxDB：InfluxDB 在其类似 LSM-tree 的 TSM-tree 结构中，引入了 series-key 的概念，根据时间特征对数据进行分类，从而减少冗余存储，提高数据压缩率，并支持设置标签（Tag）和字段（Field），方便用户进行多维度查询。

IoTDB：IoTDB 是一款国产全自研、低成本、高可用的时序数据库产品。以自研的时序数据标准文件格式 Apache TsFile 为基底，合并乱序数据处理、时序大模型、端边云同步方案等多项技术，保障时序数据库的高吞吐、高压缩、低延迟查询性能，并提供丰富的数据分析功能与低流量、高安全性的数据同步功能。同时，IoTDB 实现了单机版、分布式版、边缘版等多类形态部署，数据模型具有高扩展性，能够有效满足企业在多种计算资源条件下、多种终端配置下，构建物联网时序数据管理解决方案的需要。