什么是时序数据
所谓时序数据，非常通俗的角度来讲，就是一些随着时间变化而变化的值 (Value），同时这些值上面附带有一些 Key=Value 组成的 标签。
一般包括下列三个属性（来自 Wikipedia）：
时间线（Time series）
一个名称（通常称为指标，metric）和一系列 Key=Value 标签( Label，或者一般称之为 Tag）组成的唯一标识。
键值对（Timestamp, Value）
时间戳和值组成的键值对，并且按照时间戳自然排序，这些键值对一般称为采样（Sample）。
数值（Value）
第 2 点中的 Value 一般是数值，比如气温、湿度、CPU、内存占用等，但是也可能是任意的数据结构（结构化，非结构化都有可能）。
时序数据的特点
- 数据是相对高频、稳定地产生，并且频率一般较为稳定，不随人们的昼夜活动周期而变化。传感器的种类众多，叠加上行业、地理位置的大量标签，数据和时间线的规模膨胀都极其庞大。并且这样的数据规模随着智能设备（可穿戴设备、智能汽车、智能制造）的普及以及人们对这些数据应用提出的更精细的需求而迅速增长。
- 数据的变更特征上是更类似 Append-Only 的方式，数据源源不断地添加上去， 更新的场景较少（但是仍然有，特别是弱网环境下的数据延迟），数据的删除通常是以过期时间为周期批量地删除。
- 数据应用上，最常见的还是日常和异常监控，基于这些数据搭建可视化监控报表和告警系统，其次是未来趋势的预测，也就是时序预测，特别是在金融领域
什么是时序数据库
时序数据库(Time Series Database）如果按照 Wikipedia 的定义就是专门面向时序数据处理优化的数据库，它是领域数据库的一种，都是为了特定业务领域的数据处理服务，比如图数据库处理图的存储和检索，文档数据库用于半结构化的文档的存储和检索，搜索引擎专门用于非结构化文本的检索等。
时序数据库的特点
为了应对上述时序数据的特点和所涉及的挑战，TSDB 采用了一些技术。其中一些典型特征包括：
-
Log-Structured Merge-tree（LSM-tree）
LSM-tree 是一种基于磁盘的数据结构，为写入量较大的工作负载进行了优化，通过在一系列层次中合并和压缩数据，实现了高效的数据摄取和存储。与传统的 B-tree 相比，这减少了写入放大率，提供了更好的写入性能。 -
基于时间的分区
时序数据库通常基于时间间隔对数据进行分区，使查询更快速、更高效，也更容易保留和管理数据。这种方法有助于将最近的、经常访问的数据与较早的、不常访问的数据区隔开来，优化了存储和查询性能。 -
数据压缩
时序数据库采用各种压缩技术，如 delta 编码、Gorilla 压缩或字典编码，以减少存储空间需求。这些技术利用了时序数据中的时间和基于价值的模式，实现高效存储，同时又不丢失数据的保真度。 -
内置基于时间的函数和聚合
时序数据库对基于时间的函数的提供了本地支持，如移动平均数、百分比和基于时间的聚合。与传统数据库相比，这些内置功能使用户能够更有效地执行复杂的时间序列分析，并减少计算开销。
常见的tsdb
-
influxdb 老牌TSDB，但是我还没用过。
-
timescaleDB pg的一个插件式，也没有用过，但也很有名。
-
Promdb 这个用得比较多， 它的promql某些方面来说还是挺好用的。
-
VictoriaMetrics 据称可以轻松组成集群，适合大数据量场景， 另外VictoriaLogs是对应的日志存储方案
-
GreptimeDB 研究HertzBeat时了解到的一个新DB， 用rust编写，似乎是国内开源，据称可以同时存储ts数据与日志数据，这一点很有吸引力，但是它的知名度还不太高
-
Elasticsearch 实际上这个应该是以文档型数据库开始的，但是它也有tsdb的一些使用方式 。 不过ES总的来说消耗资源，存储成本都比较高，不太喜欢用它。
-
clickhouse 在研究ES替代方案时曾经了解过，应该说比ES的存储性价比要高不少，不过我们用得不好， 在存大量数据时的性能并不理想，因为不是我主导的项目，一直没有去深入研究找到解决办法。
