時間序列數據庫(TSDB)初識與選擇

時間 2020-06-29

標籤時間序列數據庫 tsdb 選擇欄目 SQL 简体版

原文原文鏈接

背景

這兩年互聯網行業掀着一股新風，老是聽着各類高大上的新名詞。大數據、人工智能、物聯網、機器學習、商業智能、智能預警啊等等。node

之前的系統，作數據可視化，信息管理，流程控制。如今業務已經不只僅知足於這種簡單的管理和控制了。數據可視化分析，大數據信息挖掘，統計預測，建模仿真，智能控制成了各類業務的追求。web

「全部一切如淚水般消失在時間之中，時間正在死去「，之前咱們利用互聯網解決現實的問題。如今咱們已經不知足於現實，數據將鏈接成時間序列，能夠往前能夠觀其歷史，揭示其規律性，日後能夠把握其趨勢性，預測其走勢。算法

因而，咱們開始存儲大量時間相關的數據(如日誌，用戶行爲等)，並總結出這些數據的結構特色和常見使用場景，不斷改進和優化，創造了一種新型的數據庫分類——時間序列數據庫(Time Series Database).sql

時間序列模型

時間序列數據庫主要用於指處理帶時間標籤（按照時間的順序變化，即時間序列化）的數據，帶時間標籤的數據也稱爲時間序列數據。數據庫

每一個時序點結構以下：服務器

timestamp: 數據點的時間，表示數據發生的時間。
metric: 指標名，當前數據的標識，有些系統中也稱爲name。
value: 值，數據的數值，通常爲double類型，如cpu使用率，訪問量等數值，有些系統一個數據點只能有一個value，多個value就是多條時間序列。有些系統能夠有多個value值，用不一樣的key表示
tag: 附屬屬性。

實現

好比我想記錄一系列傳感器的時間序列數據。數據結構以下：數據結構

* 標識符：device_id，時間戳
* 元數據：location_id，dev_type，firmware_version，customer_id
* 設備指標：cpu_1m_avg，free_mem，used_mem，net_rssi，net_loss，電池
* 傳感器指標：溫度，溼度，壓力，CO，NO2，PM10

若是使用傳統RDBMS存儲，建一張以下結構的表便可：架構

如此即是一個最簡單的時間序列庫了。但這只是知足了數據模型的須要。咱們還須要在性能，高效存儲，高可用，分佈式和易用性上作更多的事情。app

你們能夠思考思考，若是讓你本身來實現一個時間序列數據庫，你會怎麼設計，你會考慮哪些性能上的優化，又如何作到高可用，怎樣作到簡單易用。運維

Timescale

這個數據庫其實就是一個基於傳統關係型數據庫postgresql改造的時間序列數據庫。瞭解postgresql的同窗都知道，postgresql是一個強大的，開源的，可擴展性特別強的一個數據庫系統。

因而timescale.inc開發了Timescale，一款兼容sql的時序數據庫，底層存儲架構在postgresql上。做爲一個postgresql的擴展提供服務。其特色以下：

基礎：

PostgreSQL原生支持的全部SQL,包含完整SQL接口（包括輔助索引，非時間聚合，子查詢，JOIN，窗口函數）
用PostgreSQL的客戶端或工具，能夠直接應用到該數據庫，不須要更改。
時間爲導向的特性，API功能和相應的優化。
可靠的數據存儲。

擴展：

透明時間/空間分區，用於放大（單個節點）和擴展
高數據寫入速率（包括批量提交，內存中索引，事務支持，數據備份支持)
單個節點上的大小合適的塊（二維數據分區），以確保即便在大數據量時便可快速讀取。
塊之間和服務器之間的並行操做

劣勢：

由於TimescaleDB沒有使用列存技術，它對時序數據的壓縮效果不太好，壓縮比最高在4X左右
目前暫時不徹底支持分佈式的擴展（正在開發相關功能），因此會對服務器單機性能要求較高

其實你們均可以去深刻了解一下這個數據庫。對RDBMS咱們都很熟悉，瞭解這個可讓咱們對RDBMS有更深刻的瞭解，瞭解其實現機制，存儲機制。在對時間序列的特殊化處理之中，咱們又能夠學到時間序列數據的特色，並學習到如何針對時間序列模型去優化RDBMS。

以後咱們也能夠寫一篇文章來深刻的瞭解一下這個數據庫的特色和實現。

Influxdb

Influxdb是業界比較流行的一個時間序列數據庫，特別是在IOT和監控領域十分常見。其使用go語言開發，突出特色是性能。

特性：

高效的時間序列數據寫入性能。自定義TSM引擎，快速數據寫入和高效數據壓縮。
無額外存儲依賴。
簡單，高性能的HTTP查詢和寫入API。
以插件方式支持許多不一樣協議的數據攝入，如：graphite，collectd，和openTSDB
SQL-like查詢語言，簡化查詢和聚合操做。
索引Tags，支持快速有效的查詢時間序列。
保留策略有效去除過時數據。
連續查詢自動計算聚合數據，使頻繁查詢更有效。

Influxdb已經將分佈式版本轉爲閉源。因此在分佈式集羣這塊是一個弱點，須要本身實現。

OpenTSDB

The Scalable Time Series Database. 打開OpenTSDB官網，第一眼看到的就是這句話。其將Scalable做爲其重要的特色。OpenTSDB運行在Hadoop和HBase上，其充分利用HBase的特性。經過獨立的Time Series Demon(TSD)提供服務，因此它能夠經過增減服務節點來輕鬆擴縮容。

Opentsdb是一個基於Hbase的時間序列數據庫（新版也支持Cassandra）。
其基於Hbase的分佈式列存儲特性實現了數據高可用，高性能寫的特性。受限於Hbase，存儲空間較大，壓縮不足。依賴整套HBase, ZooKeeper
採用無模式的tagset數據結構(sys.cpu.user 1436333416 23 host=web01 user=10001)
結構簡單，多value查詢不友好
HTTP-DSL查詢

OpenTSDB在HBase上針對TSDB的表設計和RowKey設計是值得咱們深刻學習的一個特色。有興趣的同窗能夠找一些詳細的資料學習學習。

Druid

Druid是一個實時在線分析系統(LOAP)。其架構融合了實時在線數據分析，全文檢索系統和時間序列系統的特色，使其能夠知足不一樣使用場景的數據存儲需求。

採用列式存儲：支持高效掃描和聚合，易於壓縮數據。
可伸縮的分佈式系統：Druid自身實現可伸縮，可容錯的分佈式集羣架構。部署簡單。
強大的並行能力：Druid各集羣節點能夠並行地提供查詢服務。
實時和批量數據攝入：Druid能夠實時攝入數據，如經過Kafka。也能夠批量攝入數據，如經過Hadoop導入數據。
自恢復，自平衡，易於運維：Druid自身架構即實現了容錯和高可用。不一樣的服務節點能夠根據響應需求添加或減小節點。
容錯架構，保證數據不丟失：Druid數據能夠保留多副本。另外能夠採用HDFS做爲深度存儲，來保證數據不丟失。
索引：Druid對String列實現反向編碼和Bitmap索引，因此支持高效的filter和groupby。
基於時間分區：Druid對原始數據基於時間作分區存儲，因此Druid對基於時間的範圍查詢將更高效。
自動預聚合：Druid支持在數據攝入期就對數據進行預聚合處理。

Druid架構蠻複雜的。其按功能將整個系統細分爲多種服務，query、data、master不一樣職責的系統獨立部署，對外提供統一的存儲和查詢服務。其以分佈式集羣服務的方式提供了一個底層數據存儲的服務。

Druid在架構上的設計很值得咱們學習。若是你不只僅對時間序列存儲感興趣，對分佈式集羣架構也有興趣，不妨看看Druid的架構。另外Druid在segment(Druid的數據存儲結構)的設計也是一大亮點，既實現了列式存儲，又實現了反向索引。

Elasticsearch

Elasticsearch 是一個分佈式的開源搜索和分析引擎，適用於全部類型的數據，包括文本、數字、地理空間、結構化和非結構化數據。Elasticsearch 在 Apache Lucene 的基礎上開發而成，由 Elasticsearch N.V.（即如今的 Elastic）於 2010 年首次發佈。Elasticsearch 以其簡單的 REST 風格 API、分佈式特性、速度和可擴展性而聞名。

Elasticsearch以ELK stack被人所熟知。許多公司基於ELK搭建日誌分析系統和實時搜索系統。以前咱們在ELK的基礎上開始開發metric監控系統。即想到了使用Elasticsearch來存儲時間序列數據庫。對Elasticserach的mapping作相應的優化，使其更適合存儲時間序列數據模型，收穫了不錯的效果，徹底知足了業務的需求。後期發現Elasticsearch新版本居然也開始發佈Metrics組件和APM組件，並大量的推廣其全文檢索外，對時間序列的存儲能力。真是和咱們當時的想法不謀而合。

Elasticsearch的時序優化能夠參考一下這篇文章:《elasticsearch-as-a-time-series-data-store》

也能夠去了解一下Elasticsearch的Metric組件：Elastic Metrics

Beringei

Beringei是Facebook在2017年最新開源的一個高性能內存時序數據存儲引擎。其具備快速讀寫和高壓縮比等特性。

2015年Facebook發表了一篇論文《Gorilla: A Fast, Scalable, In-Memory Time Series Database 》，Beringei正是基於此想法實現的一個時間序列數據庫。

Beringei使用Delta-of-Delta算法存儲數據，使用XOR編碼壓縮數值。使其能夠用不多的內存便可存儲下大量的數據。

如何選擇一個適合本身的時間序列數據庫

Data model
時間序列數據模型通常有兩種，一種無schema，具備多tag的模型，還有一種name、timestamp、value型。前者適合多值模式，對複雜業務模型更適合。後者更適合單維數據模型。
Query language
目前大部分TSDB都支持基於HTTP的SQL-like查詢。
Reliability
可用性主要體如今系統的穩定高可用上，以及數據的高可用存儲上。一個優秀的系統，應該有一個優雅而高可用的架構設計。簡約而穩定。
Performance
性能是咱們必須考慮的因素。當咱們開始考慮更細分領域的數據存儲時，除了數據模型的需求以外，很大的緣由都是通用的數據庫系統在性能上沒法知足咱們的需求。大部分時間序列庫傾向寫多讀少場景，用戶須要平衡自身的需求。下面會有一份各庫的性能對比，你們能夠作一個參考。
Ecosystem
我一直認爲生態是咱們選擇一個開源組件必須認真考慮的問題。一個生態優秀的系統，使用的人多了，未被發現的坑也將少了。另外在使用中遇到問題，求助於社區，每每能夠獲得一些比較好的解決方案。另外好的生態，其周邊邊界系統將十分紅熟，這讓咱們在對接其餘系統時會有更多成熟的方案。
Operational management
易於運維，易於操做。
Company and support
一個系統其背後的支持公司也是比較重要的。背後有一個強大的公司或組織，這在項目可用性保證和後期維護更新上都會有較大的體驗。