小 T 导读：和利时始创于1993年，业务集中在工业自动化、交通自动化和医疗大健康三大领域，结合自动化与信息化两方面的技术优势，提出了“智能控制、智慧管理、自主可控、安全可信”的战略指导方针。围绕集团三大业务，公司对工业互联网、大数据、5G、信息安全等新兴技术开展更深入的研究和应用示范，打造面向各领域应用的工业互联网平台，进一步促进智能制造解决方案的落地应用。

• 在数据写入上，如果将时间看作一个主坐标轴，时序数据通常是按照时间顺序抵达，抵达的数据几乎总是作为新条目被记录，在数据处理操作上95%-99%都是写入操作；
• 在数据读取上，随机位置的单个测量读取、删除操作几乎没有，读取和删除都是批量的，从某时间点开始的一段时间内读取的数据可能非常巨大；
• 在数据存储上，时序数据结构简单，价值随时间推移迅速降低，通常都是通过压缩、移动、删除等手段来降低存储成本。

• 数据写入：大多数操作都是DML操作，插入、更新、删除等
• 数据读取：读取逻辑一般都比较复杂
• 数据存储：很少压缩，一般也不设置数据生命周期管理

我们对包括InfluxDB、OpenTSDB、HolliTSDB（和利时自研时序数据库）、TDengine在内的四款时序数据库进行了选型调研及相关测试。测试数据的频率为1秒钟，数据集包含10000台设备，每台设备有10000条记录，每条数据采集记录包含3个标签字段、2个数据字段、1个时间戳字段。测试对比项包括占用磁盘空间、百万条数据遍历查询、聚合查询（COUNT、AVG、SUM、MAX、MIN）。测试结果如下所示：

• 占用磁盘空间

• 百万条数据遍历查询

• 聚合查询COUNT

• 聚合查询AVG

• 聚合查询SUM

• 聚合查询MAX

• 聚合查询MIN

同等条件下，TDengine的压缩率最高，数据占用的存储空间最小；在原始数据查询上，OpenTSDB最慢，TDengine与HolliTSDB在伯仲之间；在聚合查询操作上，TDengine最快，HolliTSDB的速度和InfluxDB相当，OpenTSDB最慢。同时，InfluxDB只能单机部署，集群版本并未开源，且查询性能存在瓶颈，其QPS约为30-50。

从性能测试结果来看，我们选择TDengine的原因主要源于以下几点：

• TDengine在查询性能维度上的表现非常优异，满足了我们的业务查询需求
• 集群功能开源，方便横向扩展，更弹性
• 在开源热潮之下，支持如TDengine一般的国产开源数据库、操作系统、中间件等也是企业的必修课

最终我们决定接入TDengine，以享受更多元的本地化支持和响应。

基于TDengine进行建库建表思路如下：

CREATE STABLE IF NOT EXISTS ts_super (time TIMESTAMP, s BIGINT, vl BIGINT,vf DOUBLE,vb BOOL,vs BINARY(16349))TAGS (innerId BIGINT, namespace BINARY(256), id BINARY(256), type BINARY(1), seq int);

‍

在构建列时，包含元素为time（时间，主键）、s（数据质量）、vl（整形类型数据L）、vf（浮点型数据F）、vb（布尔型数据B）、vs（字符串数据S），其中time、s是必填的列，剩余列则要根据测点类型填写，比如测点上报的是整形数据，就只需要设置time、s、vl这三列，vf、vb、vs这三列为null。

• 因为表名不支持特殊字符，所以需要再生成一个唯一编码作为表名；
• 查询语句会被填充，导致查询过程性能变慢，网卡被打满。这种情况下只需要将查询请求手动压缩，就能有效降低带宽占用率；
• TDengine字符串最长可以有16374字节 ，超过的话需要从逻辑上处理。我们采用的方案是如果长度超过16374 ，截取该字符串，同一个测点再建新的表，通过tag关联。

TDengine集群5个节点，副本数设置为3。修改配置为：

• minTablesPerVnode          10
• tableIncStepPerVnode        10
• compressMsgSize           1024
• rpcForceTcp                1
• httpMaxThreads             16

各节点机器配置如下：

客户端共有三台主机，每台主机上分别运行时序查询及其对应的AB，各主机上的时序查询独立运行，分别启动一/二/三个时序查询及其对应的AB进行性能测试。

共1000个测点，80000万条数据，数据频率为每秒钟1条。存储分布如下所示，存储压缩率不超过1/10。

在我们的业务查询当中，增加QPS的主要方式是增加查询的并发数。AB从1到2，QPS增加了45%，平均响应时间不超过1000ms，很好满足了客户需求。

• TDengine node节点资源消耗

在查询过程中，数据是相对均匀的分布，但是不同节点的CPU消耗仍然有较大的方差。这是由于TDengine的RESTful的底层是在服务端通过单独的代理线程作为客户端查询，所以会受到请求均匀度的影响。如果TDengine在后续可以做代理层面的负载均衡，相信能够缩小这个偏差。

在查询段的节点资源消耗还是相当大的，因为需要对查询请求和结果进行处理。在具体业务中，可以考虑使用RPC接口来降低查询服务的CPU消耗。

TDengine在本项目中展现出的性能效果非常显著，推动本次项目快速且高质量落地，实现降本增效的目标。接下来，希望其能够在以下两个方向上有更大的进步，也祝愿我们的合作能够越来越紧密：

• 希望可以通过触发器或协处理器等方式，在服务端做数据过滤再返回，解决网络压力过大的问题
• 希望能够进一步改善长度限制的问题