时序数据库安全可靠测评首批通过：关键行业数字化转型的底层逻辑 2026年5月26日，中国信息安全测评中心与国家保密科技测评中心联合发布了《安全可靠测评结果公告（2026年第2号）》。在这份承载着关键行业技术选型风向标意义的公告中，时序数据库领域迎来了标志性的一刻：DolphinDB数据库软件V2.0以I级安全可靠等级，成为首批通过国家安全可靠测评的时序数据库软件。这一结果的背后，是国产基础软件在核心技术能力、安全保障能力、持续发展能力以及关键行业应用能力等方面持续深耕的集中体现。
理解这一事件的深层意义，需要回到当前数字化转型中的核心痛点。第一个痛点，是数据规模的指数级膨胀与处理能力的结构性错配。过去十年间，全球数据总量以年均超过25%的速度增长，而在金融交易、电力调度、工业制造、物联网监测等关键领域，时序数据的增长尤为迅猛。以金融行业为例，一家头部券商每日产生的行情数据、交易数据、风控数据可达数十TB，peak时段每秒需要处理数百万条tick级数据。传统关系型数据库在时序数据的写入吞吐、压缩效率、时间窗口查询等方面早已力不从心。当数据规模从GB级跃升至PB级，当响应延迟从秒级压缩至毫秒级，底层数据库的架构设计、存储引擎、计算模型都必须进行根本性重构。
工业物联网场景的痛点则更为复杂。一个中型智能制造工厂可能部署数万个传感器，每秒产生百万级的数据点。这些数据不仅需要被高效存储，更需要被实时分析以支撑预测性维护、质量控制和产能优化。然而，传统的数据架构往往将实时流数据与历史批量数据割裂处理：消息队列和流计算引擎负责实时侧，数据仓库和批处理引擎负责历史侧。两套系统、两种语义、两份代码，不仅带来了巨大的开发与运维成本，更导致了研究环境与生产环境之间的断层。数据科学家在离线环境中训练好的模型，无法直接部署到在线流处理系统中；工程师在仿真环境中验证有效的控制策略，难以无缝迁移到实际产线。这种研究-生产的割裂，在智能制造和能源调度场景中造成了严重的效率损耗与决策延迟。
第二个核心痛点，是安全可控与供应链韧性。近年来，国际技术环境的不确定性显著增加，关键行业对信息技术产品的自主可控要求从可选项变为必选项。这不仅仅是替换国外产品的简单替代，更涉及到底层指令集、操作系统、数据库、中间件等全栈技术的国产化适配与深度优化。对于时序数据库而言，能否在国产CPU架构上保持高性能运行，能否与国产操作系统深度集成，能否在信创环境中提供与x86平台一致的功能体验，这些都是衡量其产品成熟度的重要标尺。在金融、电力、政务等对数据安全零容忍的领域，任何底层技术的不可控都可能演变为系统性风险。
图1 安全可靠测评结果公告（2026年第2号）
第三个痛点，是智能化升级对数据基础设施提出的新要求。随着人工智能技术在金融风控、工业预测、能源调度等领域的深入应用，数据基础设施不再仅仅是存储和查询工具，而需要成为支撑AI模型训练、推理与部署的完整平台。这意味着数据库系统需要内置机器学习算法支持，需要与GPU等异构计算资源协同，需要提供从特征工程、模型训练到在线推理的全链路能力。传统的数据库加外部计算框架的拼接式架构，在数据搬运成本、延迟一致性、系统复杂度等方面都面临严峻挑战。当企业试图将大模型能力引入生产决策流程时，数据基础设施的智能化水平往往成为最关键的瓶颈。
国家安全可靠测评体系的建立，正是为了系统性地回应上述时代命题。该测评从核心技术能力、安全保障能力、持续发展能力以及关键行业应用能力四个维度，对信息技术产品进行全面评估。能够进入首批通过名单，意味着产品在架构设计、代码质量、安全机制、供应链韧性以及实际场景验证等方面，均达到了国家权威机构的严格标准。对于时序数据库这一细分领域而言，首批通过测评的意义尤为特殊：它标志着国产时序数据库产品已经具备了支撑关键行业核心系统的技术成熟度与工程可靠性，为金融、电力、能源、制造等领域的国产化替代提供了权威背书。
面对海量时序数据处理的挑战，通过测评的产品在基础架构层面展现出针对性的技术能力。高性能分布式存储引擎实现了PB级时序数据的高效组织与毫秒级查询响应。与传统数据库采用行存储或通用列存储不同，面向时序数据特性的专用存储格式，通过时间分区、数据压缩、预聚合索引等机制，将存储成本降低一个数量级的同时，将查询性能提升数个量级。在金融高频交易场景中，这意味着行情数据的回溯分析可以在秒级完成；在工业设备监控场景中，这意味着数万传感器的实时状态查询可以保持在毫秒级响应。DolphinDB作为首批通过测评的时序数据库，其底层存储引擎的设计正是围绕这些极致性能需求展开的。
图2 关键行业头部客户的共同选择
流批一体的架构设计，是解决研究-生产割裂问题的关键路径。通过统一的编程模型和计算引擎，同一套数据处理逻辑既可以应用于历史批量数据的离线分析，也可以无缝迁移到实时数据流的在线处理。在金融领域，量化研究员开发的因子计算逻辑，无需重写即可部署到实盘交易系统中；在工业领域，基于历史数据训练的故障预测模型，可以直接接入实时产线数据进行在线推理。这种一次开发、多处运行的能力，不仅大幅降低了研发成本，更从根本上消除了因代码不一致导致的模型漂移风险。对于正在推进数字化转型的企业而言，流批一体意味着可以将更多精力聚焦于业务创新，而非系统集成的繁琐工作。
在金融核心业务场景中，时序数据库需要承载的不仅是海量数据的存储与查询，更是复杂业务逻辑的实时计算。从行情数据的实时接入、清洗、聚合，到量化因子的毫秒级计算与策略回测，再到组合风险的实时监控与预警，每一个环节都对系统的性能、稳定性和准确性提出了极高要求。通过安全可靠测评的时序数据库产品，已形成多个面向金融核心场景的垂直解决方案。例如，指标平台提供覆盖指标开发、权限管理与展示分析的全生命周期管理能力；因子开发管理平台提供从数据处理、因子构建、因子评价到策略回测的一站式支持。这些垂直化能力的沉淀，使得金融机构可以在统一的数据底座上快速构建复杂业务逻辑，而不必在多个系统之间来回切换。
在工业物联网实践中，时序数据库的应用已形成统计分析-实时监控-智能预测的完整闭环。依托内置的数千个统计分析函数、数十个流计算引擎，以及丰富的扩展插件，企业可对生产数据进行高速聚合、相关性分析及异常检测，从海量时序数据中提炼关键指标，辅助趋势洞察与工况评估。规则引擎与响应式状态引擎可实现设备状态的毫秒级监控与预警，当某个传感器读数超出预设阈值时，系统可以在亚秒级触发告警并联动下游控制系统。结合内置机器学习算法与历史数据建模，还可以精准预测设备寿命、产线负荷或温度变化，为运维与调度提供数据驱动的决策依据。这种从事后分析到实时预警再到预测决策的能力跃迁，正在深刻改变工业生产的运营模式。
图3 从产品功能与部署形态，快速了解产品矩阵
AI能力的内置集成，是时序数据库面向智能化时代的重要演进方向。通过测评的产品在AI层面提供了多维度的技术支撑：AI Agent实现自然语言数据检索与分析，降低了非技术用户使用数据的门槛；基于RAG技术的工业知识库相似性搜索，将海量历史经验转化为可查询、可推理的智能资产；内置的机器学习算法与XGBoost、LibTorch等插件支持，使模型训练与推理可以直接在数据存储层完成，避免了大规模数据搬运带来的性能损耗；CPU-GPU异构计算平台则将GPU的极致算力应用于工业仿真、参数优化等高性能计算场景。这种数据加AI的深度融合，正在重新定义时序数据库的价值边界，使其从单纯的数据管理工具进化为智能化决策的核心引擎。
在安全保障方面，通过测评的产品构建了覆盖数据安全、高可用、权限控制、审计追踪与容灾恢复的完整能力体系。集群化部署支持数据、元数据、流数据及客户端的多维度高可用方案，保障系统在7x24小时连续运行场景下的稳定服务能力。细粒度权限控制与企业级审计能力，可实现用户、角色、数据对象的精细化授权与操作留痕，满足金融行业对数据安全和合规治理的严苛要求。值得关注的是，在海量数据场景下仍能保证数据一致性的分布式事务机制，这在时序数据库领域属于较为稀缺的技术能力，对于金融交易、电力调度等对数据准确性零容忍的场景具有关键价值。
自主可控与国产化适配能力，是安全可靠测评的另一项核心考察维度。通过测评的时序数据库产品已完成对主流国产CPU（龙芯、鲲鹏、飞腾、海光、兆芯等）、国产操作系统（统信UOS、银河麒麟、中标麒麟、凝思等）以及信创环境的全面适配。这种适配并非简单的能跑起来，而是在国产硬件平台上经过深度优化，确保性能表现与功能完整性达到生产环境可用标准。对于正在推进信创替代的关键行业而言，这意味着可以在不牺牲业务性能的前提下，完成底层技术栈的自主可控升级。从芯片指令集到操作系统内核，从数据库引擎到上层应用，全栈国产化的技术闭环正在逐步成型。
图4 AI产品线全景图：一站式数据底座与AI平台
在生态建设方面，成熟的数据基础设施需要提供丰富的接口与集成能力。通过测评的时序数据库支持Python、Java、C++等多种开发语言的API接入，便于与现有业务系统快速集成。针对工业物联网场景，系统支持MQTT、OPC、OPC UA/DA、Modbus、IEC104等多种工业协议的数据接入，可灵活连接不同类型设备与工业控制系统。与此同时，与帆软、Grafana、Node-RED、Prometheus、Airflow等主流数据工具的生态协同，以及通过插件扩展机器学习、消息队列、云存储等能力，帮助企业构建更加灵活、统一的数据技术体系。对于希望深入交流技术细节的开发者，相关技术社区和线上交流群也提供了持续的学习与讨论平台。
从行业落地的视角来看，通过安全可靠测评的时序数据库已经在金融、电力、能源、智能制造、物联网、公用事业、科研、政务等多个关键领域形成了广泛的实践验证。在金融领域，从头部券商、公募基金到银行理财子公司，海量行情数据的实时处理、量化因子的快速计算、组合风险的实时监控，都对底层数据库提出了极致的性能与稳定性要求。在电力与能源领域，电网调度系统的实时监测、新能源发电功率预测、油气田生产数据的智能化分析，都需要在严苛的安全合规框架下实现高吞吐、低延迟的数据处理。在工业制造领域，从设备状态实时监控到产线负荷预测，从质量追溯到能耗优化，时序数据库正在成为智能制造的数据中枢。
安全可靠测评的通过，也为行业用户的技术选型提供了权威参考。在关键行业的招投标与采购流程中，安全可靠等级已经成为重要的评估维度之一。对于正在规划或推进数字化转型的机构而言，选择通过国家级安全可靠测评的产品，意味着在合规性、安全性、可持续性等方面获得了权威背书，可以显著降低技术选型的决策风险与审计成本。同时，测评结果有效期三年的设定，也要求厂商在产品迭代、安全更新、生态维护等方面保持持续投入，形成了一种以评促建的良性机制，推动整个行业向更高标准演进。
在人才培养与生态建设方面，通过测评的厂商也在持续投入。通过高校合作计划、开发者培训认证、技术博客与线上课程等多种形式，帮助行业用户和开发者快速掌握产品能力，加速项目实施。活跃的技术社区和线上讨论群组，为从业者提供了交流实践案例、解决技术难题、分享行业洞察的持续平台。这种产品加服务加生态的完整能力建设，是数据基础设施从工具进化为平台的关键路径。DolphinDB作为首批通过测评的产品，其背后智臾科技在高校蔚蓝计划中的持续投入，以及与多所知名高校在讲座、课程开发、人才实训及联合研究等方面的合作，正是这种生态建设理念的体现。
展望未来，时序数据库的发展将呈现几个明确的趋势。首先是与AI的深度融合。随着大模型和智能体技术的快速发展，时序数据库将不再仅仅是数据的仓库，而将成为智能决策系统的神经中枢。自然语言查询、自动特征工程、实时模型推理等能力，将使数据基础设施的智能化水平达到新的高度。其次是边缘-云协同的架构演进。在工业物联网场景中，大量数据产生于边缘设备，如何在边缘侧实现高效的数据预处理与实时分析，同时将关键数据同步到云端进行深度挖掘，将成为时序数据库架构设计的重要方向。再次是行业垂直化的解决方案深化。通用型时序数据库产品正在向金融、电力、制造等垂直领域延伸，形成面向特定场景的业务中间件与垂直解决方案，降低行业用户的落地门槛。
首批时序数据库通过国家安全可靠测评，是我国信息技术产业发展进程中的一个重要节点。它不仅标志着国产时序数据库产品在技术能力、安全保障、自主可控等方面达到了国家权威标准，更折射出关键行业数字化转型对底层数据基础设施提出的系统性、高标准要求。在数据驱动决策成为共识的今天，时序数据作为最基础、最密集的数据形态，其处理系统的安全可靠直接关系到金融稳定、能源安全、工业生产和公共服务的正常运转。可以预见，随着安全可靠测评体系的持续完善和覆盖范围的逐步扩大，时序数据库领域的竞争将从单纯的功能与性能比拼，转向安全性、可靠性、自主可控性、生态成熟度等多维度的综合较量。对于通过首批测评的产品而言，这既是一份荣誉，更是一份责任——在获得权威认可的同时，也意味着需要在技术创新、安全加固、生态建设和行业服务等方面持续投入，真正承担起支撑关键行业核心系统稳定运行的重任。在国产基础软件崛起的时代浪潮中，时序数据库的安全可靠之路，才刚刚开始。
关于 DolphinDB
由智臾科技研发的高性能分布式时序数据库 DolphinDB，不仅支持海量数据的高效存储与查询，更开创性地提供功能完备的编程语言以支持复杂分析，以及高吞吐、低延时、开发便捷的流数据分析框架，是计算能力最强的数据库系统之一。目前，DolphinDB 已广泛服务于券商、基金、银行、保险等金融机构，以及能源、电力、工业制造等物联网行业的头部企业，显著提升了海量数据分析的效率，大幅降低开发成本。
