时间序列数据库(TSDB)初识与选择

背景
这两年互联网行业掀着一股新风，总是听着各种高大上的新名词。大数据、人工智能、物联网、机器学习、商业智能、智能预警啊等等。

以前的系统，做数据可视化，信息管理，流程控制。现在业务已经不仅仅满足于这种简单的管理和控制了。数据可视化分析，大数据信息挖掘，统计预测，建模仿真，智能控制成了各种业务的追求。

“所有一切如泪水般消失在时间之中，时间正在死去“，以前我们利用互联网解决现实的问题。现在我们已经不满足于现实，数据将连接成时间序列，往前可以观其历史，揭示其规律性，往后可以把握其趋势性，预测其走势。

我们开始存储大量的数据，并总结出这些数据的结构特点和常见使用场景，不断改进和优化，创造了一种新型的数据库分类——时间序列数据库(time series database).

 

时间序列模型
时间序列数据库主要用于处理带时间标签（按照时间的顺序变化，即时间序列化）的数据，带时间标签的数据也称为时间序列数据。

每个时序点结构如下：

 ◆ timestamp: 数据点的时间，表示数据发生的时间。
 ◆ metric: 指标名，当前数据的标识，有些系统中也称为name。
 ◆ value: 值，数据的数值，一般为double类型，如cpu使用率，访问量等数值，有些系统一个数据点只能有一个value，多个value就是多条时间序列。有些系统可以有多个value值，用不同的key表示
 ◆ tag: 附属属性。

tsdb

实现
假如我想记录一系列传感器的时间序列数据。数据结构如下：

* 标识符：device_id，时间戳
* 元数据：location_id，dev_type，firmware_version，customer_id
* 设备指标：cpu_1m_avg，free_mem，used_mem，net_rssi，net_loss，电池
* 传感器指标：温度，湿度，压力，CO，NO2，PM10

如果使用传统RDBMS存储，建一张如下结构的表即可：

如此便是一个最简单的时间序列库了。但这只是满足了时间序列数据模型的需要。我们还需要在性能，高效存储，高可用，分布式和易用性上做更多的事情。

大家可以思考思考，如果让我们自己来实现一个时间序列数据库，你会怎么设计，你会考虑哪些性能上的优化，又如何做到高可用，怎样做到简单易用。

 

Timescale
这个数据库其实就是一个基于传统关系型数据库postgresql改造的时间序列数据库。了解postgresql的同学都知道，postgresql是一个强大的，开源的，可扩展性特别强的一个数据库系统。

于是timescale.inc在postgresql架构上开发了Timescale，一款兼容sql的时序数据库。作为一个postgresql的扩展提供服务。其特点如下：

基础：

 ◆ 支持所有PostgreSQL原生SQL，包含完整SQL接口（包括辅助索引，非时间聚合，子查询，JOIN，窗口函数）。
 ◆ 用PostgreSQL的客户端或工具，可以直接应用到该数据库，不需要更改。
 ◆ 时间为导向的特性，API功能和相应的优化。
 ◆ 可靠的数据存储。

扩展：

 ◆ 透明时间/空间分区，用于放大（单个节点）和扩展。
 ◆ 高数据写入速率（包括批量提交，内存中索引，事务支持，数据备份支持)。
 ◆ 单个节点上的大小合适的块（二维数据分区），以确保即使在大数据量时也可快速读取。
 ◆ 块之间和服务器之间的并行操作。

劣势：

 ◆ 因为TimescaleDB没有使用列存技术，它对时序数据的压缩效果不太好，压缩比最高在4X左右
 ◆ 目前暂时不完全支持分布式的扩展（正在开发相关功能），所以会对服务器单机性能要求较高
其实大家都可以去深入了解一下这个数据库。对RDBMS我们都很熟悉，了解这个可以让我们对RDBMS有更深入的见解，了解其实现机制，存储机制。在对时间序列的特殊化处理之中，我们又可以学到时间序列数据的特点，并学习到如何针对时间序列模型去优化RDBMS。

之后我们也可以写一篇文章来深入的了解一下这个数据库的特点。

 

Influxdb
Influxdb是业界比较流行的一个时间序列数据库，特别是在IOT和监控领域十分常见。其使用go语言开发，突出特点是性能。特性：

 ◆ 高效的时间序列数据写入性能。自定义TSM引擎，快速数据写入和高效数据压缩。
 ◆ 无额外存储依赖。
 ◆ 简单，高性能的HTTP查询和写入API。
 ◆ 以插件方式支持许多不同协议的数据摄入，如：graphite，collectd，和openTSDB
 ◆ SQL-like查询语言，简化查询和聚合操作。
 ◆ 索引Tags，支持快速有效的查询时间序列。
 ◆ 保留策略有效去除过期数据。
 ◆ 连续查询自动计算聚合数据，使频繁查询更有效。
Influxdb已经将分布式版本转为闭源。所以在分布式集群这块是一个弱点，需要自己实现。

 

OpenTSDB
The Scalable Time Series Database. 打开OpenTSDB官网，第一眼看到的就是这句话。可见其将Scalable作为自己重要的”卖点“。OpenTSDB运行在Hadoop和HBase上，其充分利用HBase的特性。通过独立的Time Series Demon(TSD)提供服务，所以它可以通过增减服务节点来轻松扩缩容。

tsdb-architecture

 ◆ Opentsdb是一个基于Hbase的时间序列数据库（新版也支持Cassandra）。

其基于Hbase的分布式列存储特性实现了数据高可用，高性能写的特性。受限于Hbase，存储空间较大，压缩不足。依赖整套HBase, ZooKeeper
 ◆ 采用无模式的tagset数据结构(sys.cpu.user 1436333416 23 host=web01 user=10001)

结构简单，多value查询不友好
 ◆ HTTP-DSL查询
OpenTSDB在HBase上针对TSDB的表设计和RowKey设计值得我们深入学习的一个特点。有兴趣的同学可以找一些详细的资料学习学习。

 

Druid
Druid是一个实时在线分析系统(LOAP)。其架构融合了实时在线数据分析，全文检索系统和时间序列系统的特点，使其可以满足不同使用场景的数据存储。

 ◆ 采用列式存储：支持高效扫描和聚合，易于压缩数据。
 ◆ 可伸缩的分布式系统：Druid自身实现可伸缩，可容错的分布式集群架构。部署简单。
 ◆ 强大的并行能力：Druid各集群节点可以并行地提供查询服务。
 ◆ 实时和批量数据摄入：Druid可以实时摄入数据，如通过Kafka。也可以批量摄入数据，如通过Hadoop导入数据。
 ◆ 自恢复，自平衡，易于运维：Druid自身架构即实现了容错和高可用。不同的服务节点可以根据负载需求添加或减少节点。
 ◆ 容错架构，保证数据不丢失：Druid数据可以保留多副本。另外可以采用HDFS作为深度存储，来保证数据不丢失。
 ◆ 索引：Druid对String列实现反向编码和Bitmap索引，所以支持高效的filter和groupby。
 ◆ 基于时间分区：Druid对原始数据基于时间做分区存储，所以Druid对基于时间的范围查询将更高效。
 ◆ 自动预聚合：Druid支持在数据摄入期就对数据进行预聚合处理。
Druid架构蛮复杂的。其按功能将整个系统细分为多种服务，query、data、master不同职责的系统独立部署，对外提供统一的存储和查询服务。其以分布式集群服务的方式提供了一个底层数据存储的服务。

druid-architecture

Druid在架构上的设计很值得我们学习。如果你不仅仅对时间序列存储感兴趣，对分布式集群架构也有兴趣，不妨看看Druid的架构。另外Druid在segment(Druid的数据存储结构)的设计上也是一大亮点，即实现了列式存储，又实现了反向索引。

 

Elasticsearch
Elasticsearch 是一个分布式的开源搜索和分析引擎，适用于所有类型的数据，包括文本、数字、地理空间、结构化和非结构化数据。Elasticsearch 在 Apache Lucene 的基础上开发而成，由 Elasticsearch N.V.（即现在的 Elastic）于 2010 年首次发布。Elasticsearch 以其简单的 REST 风格 API、分布式特性、速度和可扩展性而闻名。

Elasticsearch以ELK stack被人所熟知。许多公司基于ELK搭建日志分析系统和实时搜索系统。之前我所在团队在ELK的基础上开始开发metric监控系统。即想到了使用Elasticsearch来存储时间序列数据库。对Elasticserach的mapping做相应的优化，使其更适合存储时间序列数据模型，收获了不错的效果，完全满足了业务的需求。后期发现Elasticsearch新版本竟然也开始发布Metrics组件和APM组件，并大量的推广其全文检索外，对时间序列的存储能力。真是和我们当时的想法不谋而合。

Elasticsearch的时序优化可以参考一下这篇文章:《elasticsearch-as-a-time-series-data-store》

也可以去了解一下Elasticsearch的Metric组件Elastic Metrics

 

Beringei
Beringei是Facebook在2017年最新开源的一个高性能内存时序数据存储引擎。其具有快速读写和高压缩比等特性。

2015年Facebook发表了一篇论文《Gorilla: A Fast, Scalable, In-Memory Time Series Database 》，Beringei正是基于此想法实现的一个时间序列数据库。

Beringei使用Delta-of-Delta算法存储数据，使用XOR编码压缩数值。使其可以用很少的内存即可存储下大量的数据。

 

如何选择一个适合自己的时间序列数据库

 ◆ Data model

时间序列数据模型一般有两种，一种无schema，具有多tag的模型，还有一种name、timestamp、value型。前者适合多值模式，对复杂业务模型更适合。后者更适合单维数据模型。
 ◆ Query language

目前大部分TSDB都支持基于HTTP的SQL-like查询。
 ◆ Reliability

可用性主要体现在系统的稳定高可用上，以及数据的高可用存储上。一个优秀的系统，应该有一个优雅而高可用的架构设计。简约而稳定。
 ◆ Performance

性能是我们必须考虑的因素。当我们开始考虑更细分领域的数据存储时，除了数据模型的需求之外，很大的原因都是通用的数据库系统在性能上无法满足我们的需求。大部分时间序列库倾向写多读少场景，用户需要平衡自身的需求。下面会有一份各库的性能对比，大家可以做一个参考。
 ◆ Ecosystem

我一直认为生态是我们选择一个开源组件必须认真考虑的一个问题。一个生态优秀的系统，使用的人多了，未被发现的坑也将少了。另外在使用中遇到问题，求助于社区，往往可以得到一些比较好的解决方案。另外好的生态，其周边边界系统将十分成熟，这让我们在对接其他系统时会有更多成熟的方案。
 ◆ Operational management

易于运维，易于操作。
 ◆ Company and support

一个系统其背后的支持公司也是比较重要的。背后有一个强大的公司或组织，这在项目可用性保证和后期维护更新上都会有较大的体验。

性能对比

总结
最后总结一下：

 ◆ 如果你想要一个极限性能的系统可以考虑Beringei和InfluxDB，在数据高可用方面，可以采用客户端双写模式来对数据做一个副本，保证数据的可用性。
 ◆ 如果你数据量不大，性能要求也不是特别高，却又点查询，删除和关联查询等需求，不妨考虑一下Timescale。
 ◆ 如果你间距索引和时间序列的需求。那么Druid和Elasticsearch是最好的选择。其性能都不差，并且都是高可用容错架构。

最后
之后我们可以来深入了解一两个TSDB，比如Influxdb，Druid，Elasticsearch等。并可以学习一下行存储与列存储的不同，LSM的实现原理，数值数据的压缩，MMap提升读写性能的知识等。

 

 

 

文章转载自公众号：码哥字节