Big River时序数据库案例诚信企业推荐「美信科技」

时序数据特点时序数据特点

基本上是插入操作较多且无更新的需求数据带有时间属性，且数据量随着时间递增插入数据多，每秒钟插入需要可到达千万甚至是上亿的数据量查询、聚合等操作主要针对近期插入的数据时序数据能够还原数据的变化状态可以通过分析过去时序数据的变化、检测现在的变化，以达到预测未来如何变化的目的时序数据使用需求：能够按照指标筛选数据能够按照区间、时间范围、统计信息聚合展示数据。

时序数据库场景及价值

时序数据库可以应用到各种场景中包括前面提各种监控领域，以及前面提到的智能制造、智能生活、智能城市等场景中，要想这些场景中的价值大化，需要考虑从采集到数据分析和数据可视化的各个环节的不同挑战性问题。这里想稍加强调的是云边端的数据闭环的建立，才是数据大化的佳途径。我们不仅仅是采集数据和数据的监控，数据的可视化，数据业务价值需要在采集的数据上面进行数据分析，分析之后的数据再反向控制终端，达成数据闭环。

时序数据库时序数据的需求

在上述场景中，特别在IoT物联网以及OPS运维监控领域，存在海量的监控数据需要存储管理。以华为云Cloud Eye Service(CES)服务为例，单个Region需要监控7000多万个监控指标，每秒需要处理90万个上报的监控指标项，假设每个指标50个字节，一年的监控数据有1PB；自动驾驶的车辆一天各种传感器监测数据就80G。

传统关系型数据库很难支撑这么大的数据量以及这么大的写入压力，Hadoop大数据解决方案以及现有的时序数据库也会面临非常大的挑战。大规模IoT物联网，以及公有云规模的运维监控场景，对时序数据库的需求主要包括：

持续高性能写入：监控指标往往以固定的频率采集，部分工业物联网场景传感器的采集频率非常高，有的已经达到100ns，公有云运维监控场景基本也是秒级采集。时序数据库需要支持7*24小时不中断的持续高压力写入。高性能查询：时序数据库的价值在于数据分析，而且有较高的实时性要求，典型分析任务如异常检测及预测性维护，这类时序分析任务需要频繁的从数据库中获取大量时序数据，为了保证分析的实时性，时序数据库需要能快速响应海量数据查询请求。低存储成本：IoT物联网及运维监控场景的数据量呈现指数级增长，数据量是典型的OLTP数据库场景的千倍以上，并且对成本非常敏感，需要提供低成本的存储方案。支持海量时间线：在大规模IoT物联网及公有云规模的运维场景，需要监控的指标通常在甚至亿级，时序数据库要能支持亿级时间线的管理能力；弹性：监控场景也存在业务突发增长的场景，例如：华为Welink服务的运维监控数据在疫情期间暴增100倍，时序数据库需要提供足够灵敏的弹性伸缩能力，能够快速扩容以应对突发的业务增长。

时序数据库趋势的相关介绍

数据会更多在边缘端，尤其是消费的边缘端产生。未来智能可穿戴设备、智能硬件、工厂智能设备、物联网设备、汽车电池及传感器等将是未来数据的主要来源。这些数据将在边缘端被采集，向中心做传送，在中心做整合、存储、计算、监控，这将是未来发展空间很大的场景，也是时序数据库***针对的场景。