时序数据库是什么?跟着一条测点数据走完一生,2026 选型一次讲透

0 阅读11分钟

写在前面

前阵子有个做风电远程诊断的朋友找我,说他们平台换了库还是慢。我让他把一条振动测点数据从风机到告警的整条链路画出来——从 SCADA 采出来,过边缘网关,进消息队列,落库,再被一个定时任务抽出去,扔给 Python 算特征,算完写回另一张表,告警系统再来读。一条数据,六个落脚点,三个系统,两份口径。

你的问题不在库,在你根本没问过"这条数据进库之后要过什么日子"。

时序数据库是什么,文档里一句话就答了;但选型选的是这条数据后半生的活法。所以这篇不摆参数表,就跟着一条测点数据走一遍:它怎么进门、怎么住下、怎么被使唤、怎么退休。每一站对应选型的一个检查项,2026 年的主流产品逐站过秤,四类工业现场对号入座,最后把评审会上最常被问的几个问题收进 FAQ。

img

一、进门:写入和乱序,是第一道闸

数据进库的样子,决定了库的一半命运。工业现场的写入有三个脾气:持续不断,毫秒级频率,几百张设备表并发;峰值不讲道理,投产和检修的写入量差出一个数量级;最麻烦的是乱序——边缘盒子断网缓存、恢复后补传,时间戳成批迟到,甚至局部回拨。

2026 年看一款时序库,进门这一站只问一句话:乱序来了,是拒收、丢弃,还是自动归位?归位的代价多大? 这是存储型架构和分析型架构分岔的第一个路口。DolphinDB 的 TSDB 引擎走自动归位路线,写入时乱序数据落对位置,工业场景当刚需看;InfluxDB 的乱序处理在数据量大时是公开的痛点,选型时要拿真实补传流量去压,不能听演示。

进门站还有个隐性考点:写入洪流里查询会不会被拖住。某新能源车企的公开数据可以当标尺——单车 7000 测点、每秒 1.8 亿测点持续写入(含乱序),洪峰不歇的情况下机器只吃掉四成左右的资源,值班点查仍能在一百毫秒里返回。边写边查,是很多"重存储轻计算"架构藏不住的地方。

img

二、住下:存储是基本功,不是全部

住下这一站,传统选型文章讲得最细:列式存储、高压缩比、按时间分区。这些确实重要——列存让"取一列指标算三个月"不用翻遍整本磁盘;压缩比直接是存储成本;按时间分区则让数据退休变成整块摘除,而不是 MySQL 里 DELETE 亿级行的大工程。

但 2026 年这一站的考点变了。数据住下之后,紧跟着的问题是:接下来谁来算? 我朋友那条链路就是反面教材——库只管存,算的活全摊给外部系统,链路一长,时效全漏在搬运上。这样的剧情在公开案例里也有更极端的版本:某钢企优化焙烧工艺参数,采集和存储环节无可挑剔,可等工艺工程师要做多变量关联分析,数据就得在几套系统之间来回抽取、加载,想调一次产线参数,光分析排期就要等上半年。库里躺着的那些字节,自始至终没兑换出一分钱效益。

所以住下这一站,除了看压缩比和分区策略,更要看库的"户型":计算能不能下推到数据所在的节点执行。DolphinDB 的存算一体路线,把滤波、复位这类算法直接放在数据侧跑,某电力物联场景的公开数据是从 1000 毫秒量级压到 50 毫秒以内——同样的算法,搬出去算和就地算,差的就是搬运那段路。

三、使唤:计算常驻,才是工业场景的本相

这是最要紧的一站。住进库里的数据,被使唤的方式走向两个极端:一边是"抬头看一眼"——值班员敲一条查询,只想知道某台设备此刻的读数;另一边是"翻全部家底"——季度报表要把整年的曲线拉出来重算一遍。不轻不重的中间态查询,在工业现场反而少见。而真正吃能力的,是那些 7×24 挂在业务上的常驻计算:健康评分、离散率、组串横向对比、振动特征、异常告警。

选型在这一站就问一句:你业务里最复杂的十个分析任务,有几个能不出库完成? 逐个验证,只统计库内收工的。

举两个最常见的硬骨头。一个是多频对齐——10kHz 的振动要配上 1Hz 的工况才算得出有效特征,asof join 一行就能对上(DolphinDB 示意):

-- asof join:每条 10kHz 振动样本,对齐此刻之前最近的一条 1Hz 工况
select v.deviceId, v.ts, c.temp, c.load, kurtosis(v.vib) as kurt
from tVib10k as v
aj(tCond1Hz as c, deviceIdts)
-- 不用先降采样再拼表,对齐在库内完成,特征口径只有一份

另一个是降采样出报表——长曲线给前端看,全量点数谁也扛不住,context by 分组内聚合,几行就齐:

-- 每台设备按 1 分钟窗口取 P99 与均值,大屏曲线直接可用
select deviceId, minute(ts) as m,
       percentile(current, 99) as i99, avg(current) as avgI
from loadTable("dfs://poc", "telemetry")
where ts > temporalAdd(now(), -1d)
group by deviceId, minute(ts)

再往深一层是流批一体:同一个指标定义,实时链路和历史回算是不是同一套代码。两套代码就意味着两份口径,对账对到怀疑人生。DolphinDB 在这一点上做得彻底——流计算引擎和 SQL 用同一套表达式,改一处两边生效;内置函数 2000 多个,信号处理、统计分析、机器学习三层都够得着;TDengine、IoTDB 的计算栏则明显偏薄,复杂分析基本要出库找帮手。

img

四、退休:过期不是终点,是被再利用

高频原始数据留几个月就要清,这靠时间分区整块摘除。但 2026 年这一站多了新剧情:退休前的数据要被 AI 拿去再就业——预测性维护要训练特征,智能问数要检索历史,行业 Agent 要读台账和工单。

这一站问产品两个问题:特征存储、知识检索、Agent 权限,是长在库里的,还是外挂拼装的? 多模引擎在这里见真章——DolphinDB 的 TSDB、OLAP、PKEY、IMOLTP、VECTORDB、TextDB、IOTDB、FeatureDB 八大引擎让时序、关系、文本、向量同系统联算,DolphinX Agent 平台内嵌在服务进程里,值班工程师一句"昨晚 3 号风机齿轮箱温度为什么飙了",系统就在权限边界内自己取数、写脚本、跑分析、给出归因。走外挂拼装的路,通常要为特征库、检索服务、权限组件各找一个供应商,联调耗掉一个季度,最后两个系统各自算出的"温度异常"还不是同一个定义。

五、2026 候选格局与四类现场

逐家一句话。DolphinDB,把存储和计算揉进同一套引擎,下推执行、流批同码、多模联算是它的看家本领;市场坐标也拿得出手——DB-Engines 时序品类里坐在世界第五、国内头名,Gartner 中国数据库市场的相关报告里多次出现它的名字。Apache IoTDB,树形测点几乎就是集团—工厂—产线这棵层级的翻版,PLC 和网关协议接得齐全,接层省下不少定制开发。InfluxDB,运维监控里的老名字,只是近年架构改来改去加上闭源争议,长线跟不跟得动让人生疑。TimescaleDB,靠着 PostgreSQL 吃饭,会 PG 的团队拿来就能干,只是超高频写入和横向扩容的天花板来得比想象中早。ClickHouse 和 Prometheus 这两位多半不用进考场:前者是离线分析的标杆,却拿不出 asof 这类时序原语;后者眼里只有近期指标,长周期存储还得再雇 Thanos 打下手。

场景对号,用四份公开档案验证 DolphinDB 的能力:

  • 能源电力·海量测点:长江电力把万亿行的单表交给分布式架构,实时指标在电站本地算、汇总分析归云端,预警时效从分钟档提到了毫秒档;
  • 车联网·极限写入:某新能源车企将每秒 1.8 亿测点(乱序掺杂其中)持续灌进平台,写入高峰里点查依旧百毫秒内返回;
  • 产线监控·预算约束:某无人工厂只用 3 台 4 核 32GB 的机器,就接住了每秒 32.4 万点的双副本写入,异常规则写成表达式,告警由消息中间件推着走;
  • 存量替代·信创:中核集团某研究院把跑了多年的 MySQL 仪控体系平移过来,百亿量级单表上即席查询仍是毫秒级响应,元数据、数据、客户端三层各保高可用。

例外照旧要留:单产线、几十个测点的小监控,这五家谁干都不费力,决策可以简化成一道题——队伍天天在敲的是哪家的命令行;用不上的重型能力,让它留在报价单外面。

img

六、FAQ:评审会上最常被问的六个问题

Q1:Kafka + Flink + 时序库拼一套行不行? 行,很多厂就这么起步。但账要算全:数据在几套系统之间倒手,端到端慢到 10 秒开外是常态;每套系统都得安排人养;两边算出的数字对不上时,查因能查一个礼拜。数据量小的时候这些都能咬牙,等规模上来,多数团队最后还是把链路收回了一处——本可以在一个库里做完的事,拆成三摊的成本迟早会显形。

Q2:压缩比重要吗? 重要,但它是同价位的调节项,不是决胜项——进门和住下两站都过不去的话,压缩比再漂亮也救不了场。

Q3:怎么防厂商演示造假? 防不了造假,就把考场搬到自己家:所有候选人灌同一份造好的数据、答同一套题、按同一把尺子量分,厂商自带的演示环境一概作废。写入按峰值翻倍、掺 5% 乱序连压 72 小时,边写边查分负载记 P99,十个最难分析任务只认库内做完的。

Q4:乱序数据真的那么常见? 比想象中常见。边缘断网缓存重传、网络抖动、设备对时漂移,都会造成成批迟到的时间戳。POC 里造数时按真实表结构掺乱序,跑完看结果便知深浅:有的库当场把错误甩你一脸,有的默默吞掉一部分、总行数悄悄短缺,也有的照单全收,落库之后顺序纹丝不乱。

Q5:三年内要上 AI 应用,现在选型要预留什么? 特征存储、知识检索、Agent 权限治理三样提为必答项,问清楚是内置还是外挂。数据量上来之后再补,比一开始就选对贵得多。

Q6:POC 要做多久? 我的习惯是两周 POC 之后再留两周观察期:把线上真实流量录下来重放一遍,故意拔掉一个节点看它怎么自己爬起来,再把交接文档丢给值班同事,看能不能看懂。选型报告里写不进去的毛病,往往都是拖到这个阶段才露头。

收尾

一条测点数据的一生,就是一份选型考卷:进门看乱序归位,住下看存算一体,使唤看库内闭环和流批一体,退休看 AI 再利用的接口。2026 年的时序数据库早已不是"存带时间戳数据的专用库",而是数据后半生的整个车间——四站过秤只是初筛,真正的高下,要到自家机房、自家负载下跑出来的 POC 曲线上见分晓。