开源时序数据选型

什么是时序数据库 TSDB(Time Series Database) 时序数据库,时序数据库全称为时间序列数据库。 阅读详情

一、
1.apache的IoTDB
https://iotdb.apache.org/
2.InfluxDB
https://www.influxdata.com/
3.timescale:TimescaleDB基于PostgreSQL的时序数据库插件,完全继承了PostgreSQL的功能
https://www.timescale.com/
4.TDengine
https://www.taosdata.com/cn/

二、时序数据库比对
https://www.cnblogs.com/dhcn/p/10370032.html

三、时序数据库排行
在这里插入图片描述
四时序数据库排行介绍

1.InfluxDB
2013
DBMS for storing time series, events and metrics
www.influxdata.com

InfluxDB empowers developers to build IoT, analytics and monitoring software. It is purpose-built to handle the massive volumes and countless sources of time-stamped data produced by sensors, applications and infrastructure.

2.KDb+
2000
High performance Time Series DBMS
kx.com

3.Prometheus
2015
Open-source TimeSeries DBMS and monitoring system
prometheus.io/

Prometheus is an open-source systems monitoring and alerting toolkit originally built at SoundCloud. Since its inception in 2012, many companies and organizations have adopted Prometheus, and the project has a very active developer and user community. It is now a standalone open source project and maintained independently of any company. To emphasize this, and to clarify the project’s governance structure, Prometheus joined the Cloud Native Computing Foundation in 2016 as the second hosted project, after Kubernetes.

4.Graphite
2006
Data logging and graphing tool for time series data
github.com/­graphite-project/­graphite-web

5.RRDtool
1999
Industry standard data logging and graphing tool for time series data. RRD is an acronym for round-robin database.
oss.oetiker.ch/­rrdtool
RRDtool is the OpenSource industry standard, high performance data logging and graphing system for time series data. RRDtool can be easily integrated in shell scripts, perl, python, ruby, lua or tcl applications.

6.TimescaleDB
2017
A time series DBMS optimized for fast ingest and complex queries, based on PostgreSQL
www.timescale.com

7.Apache Druid
2012
Open-source analytics data store designed for sub-second OLAP queries on high dimensionality and high cardinality data
druid.apache.org

8.Fauna
2014
Fauna (previously named FaunaDB) provides a web-native interface, with support for GraphQL and custom business logic that integrates seamlessly with the rest of the serverless ecosystem. The underlying globally distributed storage and compute platform is fast, consistent, and reliable, with a modern security infrastructure.
fauna.com

9.OpenTSDB
2011
Scalable Time Series DBMS based on HBase
opentsdb.net

10.GridDB
2013
Scalable in-memory time series database optimized for IoT and Big Data
griddb.net

GridDB is an innovative solution to solve these complex problems. The foundation of GridDB’s principles is based upon offering a versatile data store that is optimized for IoT, provides high scalability, is tuned for high performance, and ensures high reliability.

11.DolphinDB
2018
Time Series DBMS for big data, integrated with a lightweight distributed computing framework and a vector programming language
www.dolphindb.com

DolphinDB is a high performance time-series database. It is integrated with an easy-to-use fully featured programming language and a high-volume high-velocity streaming analytics system. DolphinDB offers operational simplicity, scalability, fault tolerance, and concurrency.

12.KairosDB
2013
Distributed Time Series DBMS based on Cassandra or H2
github.com/­kairosdb/­kairosdb

原文链接:https://blog.youkuaiyun.com/weixin_43700866/article/details/114914866

安装:
1.InfluxDB
文档:https://docs.influxdata.com/influxdb/v2.0/install/?t=Linux
wget https://dl.influxdata.com/influxdb/releases/influxdb2-2.0.8.x86_64.rpm
sudo yum localinstall influxdb2-2.0.8.x86_64.rpm

三种常用时序数据库对比调研-InfluxDB、Prometheus、IotDB 针对三种常见的时序数据库进行了对比,主要从网络上的资料进行了对比,也有一点自己进行的实际读写性能的测试。 阅读详情

相关推荐

时序数据库选型、对比IotDB与InfluxDB

为什么要用时序数据库、iotDDB与influxDB对比、选型参考结论

weixin_44096325的博客 4397

主流时序数据库分析及选型

对比了当前主流的时序数据库的优缺点,以供选型时参考。

谬也的博客 2万+

开源物联网平台:从选型到实战的全面指南

物联网技术通过将物理设备连接到互联网,实现了设备间的智能交互与数据共享。其核心原理在于利用MQTT、CoAP等轻量级协议实现高效通信,结合时序数据库处理海量传感器数据。开源物联网平台如ThingsBoard、EMQX等提供了企业级解决方案,大幅降低了物联网系统的开发门槛和成本。这些平台支持从设备管理到数据分析的全流程,在智慧城市、工业4.0等领域有广泛应用。特别是EMQX基于Erlang/OTP的架构,可轻松处理每秒20万条MQTT消息;而Mainflux则擅长边缘计算场景,能将延迟降低到80毫秒。开源方案

weixin_28273593的博客 274

时序数据库

时序数据是随时间不断产生的一系列数据,简单来说,就是带时间戳的数据。虽然其他数据库也可以在数据规模较小时一定程度上处理时间序列数据,但 TSDB可以更有效地处理随时间推移的数据摄取、压缩和聚合。以车联网场景为例,20000辆车,每个车60个指标,假设每秒采集一次,那么每秒将上报20000 * 60 = 1200000指标值,即120W数据指标值每秒,每个指标值为16字节(假设仅包括8字节时间戳和8字节的浮点数),则每小时将产生64G左右的数据。而实际上每个指标值还会附带标签等额外数据,实际需要存储空间会更大

棉花泡泡糖的博客 2万+

开源物联网平台私有化部署选型指南:四大项目与实战经验

物联网平台作为设备接入与数据管理的核心基础设施,在数据安全、长期成本与业务定制需求驱动下,私有化部署成为越来越多企业的必然选择。然而,自建平台并非简单的软件安装,而是对团队技术能力的真实考验。本文从物联网平台的基本架构出发,梳理私有化部署的核心理念与技术价值,并针对ThingsBoard、JetLinks、IoTSharp、DG-IoT等主流开源项目,对比其技术栈、部署方式与适用场景。同时,结合实际工程经验,剖析内存资源配置、消息链路压力、规则引擎性能等常见踩坑点,并给出选型时需重点关注的五个维度:协议开放

weixin_29174013的博客 179

开源物联网平台搭建实战:设备接入、时序数据存储与可视化大屏方案

物联网平台的核心并不只在硬件接入,更在于设备如何被高效管理、数据如何稳定流转并最终呈现为可用信息。从设备注册、鉴权到在线状态维护,从MQTT消息通信到规则引擎处理,再到时序数据库存储与Grafana可视化展示,一条完整的数据链路是构建可扩展IoT系统的关键。理解MQTT的发布订阅模型、QoS等级与遗嘱消息机制,能帮助开发者解决弱网环境下的连接可靠性问题;选择EMQX、ThingsBoard、TDengine等开源组件组合,则能以极低成本支撑数千台设备的连接与数据采集。这类技术方案广泛适用于毕业设计、产品原型

weixin_34007906的博客 441

Java开源物联网平台选型与部署实战:从网关到数据上云

物联网平台是设备接入与数据流转的核心底座,在Java技术栈下选型需兼顾协议接入、高并发吞吐和部署成本。Netty作为高性能通信框架,为设备长连接提供有力支撑;MQTT作为轻量消息协议,则是设备上云的主流选择。开源平台的价值在于可裁剪的架构和二次开发能力,边缘网关与云端平台协同,才能完成从数据采集到告警通知的完整链路。本文从平台选型维度出发,对比四类常见Java物联网平台的取舍,并以一套可单机运行、支持水平扩展的开源平台为例,演示从环境部署、模拟设备接入到时序存储和告警配置的完整流程,帮助Java开发者结合业

weixin_31815843的博客 319

GE Proficy Historian8.0历史数据库部署与配置全攻略

本文提供了GE Proficy Historian 8.0历史数据库的详细部署与配置指南。内容涵盖安装前的系统环境、权限与依赖检查,服务器安装的关键步骤与类型选择,采集器的安装配置与数据接入,以及客户端工具的使用与数据分析实战。旨在帮助用户规避常见陷阱,实现一次部署成功,构建稳定高效的工业数据归档平台。

silver的专栏 769

【IoTDB】时序数据库选型指南:国产自研技术如何应对数据洪流

本文讲解Apache IoTDB选型指南。其原生树形模型完美匹配工业设备层级,凭借端边云协同架构与高压缩TsFile格式,在边缘计算与存储敏感场景优势显著,是推动国产化替代、挖掘物联网数据价值的关键技术选择。

Morse_Chen的博客 2241

我的AI学习 ai维护工具之langfuse

as_type: Optional[Literal[‘generation’]] = None, # 将记录定义为 Observation (LLM 调用)transform_to_string: Optional[Callable[[Iterable], str]] = None # 将输出转为 string。要用LangFuse的云服务,首先要在LangFuse官网上注册,注册完后将页面拉倒最后,点免费的SignUp,API文档:https://api.reference.langfuse.com/

liubaobin的博客 4096

stata:stata软件教程(人大十八讲)(1) 第一章 stata入门

第一章 stata入门1.1 安装1.2 启用和退出1.3 打开和查看数据1.4 寻求帮助与网络资源1.5 命令示例1.6 几个环境设置1.7 复习与练习1.8 附录 注:教材为:Stata 统计分析教程 stata软件教程(人大十八讲) 中国人民大学出版社 陈传波 1.1 安装 1.2 启用和退出 1.3 打开和查看数据 1.4 寻求帮助与网络资源 1.5 命令示例 1.6 几个环境设置 1.7 复习与练习 1.8 附录 ...

qq_47805483的博客 1万+

开源时间序列预测模型怎么选?五大维度同场评测与选型指南

时间序列预测是数据分析与人工智能落地中的核心课题,其任务类型从单变量到多变量、从短周期到长序列预测,技术路线也覆盖传统统计模型、机器学习特征工程与深度学习LTSF架构。在实际工程中,面对众多开源时间序列模型,如何科学地进行模型选型往往比算法本身更耗时,也直接影响业务效果与部署成本。本文从时间序列预测的基本概念和原理出发,梳理了统计基线、机器学习特征、注意力机制、周期分解与线性映射等主流技术路线,提出精度、效率、数据量、稳定性与工程成本五大对比维度,并通过统一评测框架对代表性开源模型进行同场对比,结合边缘设备

weixin_32767591的博客 201

Opencv实战:答题卡自动识别与评分系统(附完整代码解析)

本文详细介绍了如何使用OpenCV实现答题卡自动识别与评分系统,包含完整的代码解析。通过图像预处理、边缘检测、透视变换和答案识别等关键技术,系统能够快速准确地完成阅卷工作,适用于学校考试、资格认证等多种场景,大幅提升工作效率。

weixin_33737134的博客 418

基于MyEMS的能源管理平台微服务与时序数据架构重构实践

在能源数字化系统中,数据具有高频、连续、强时间关联的特征,如同一条不断延伸的心电图,每一秒的读数都承载着能耗趋势与设备状态。传统单体架构面对这类时序数据时,往往陷入采集阻塞、报表超时、服务互相拖垮的困境。解决这一问题的核心思路,是以时序数据库为底座,用微服务解耦业务边界,让数据从采集、存储到分析形成独立闭环。时序数据驱动能够支持异常检测、负荷预测与告警联动,微服务化则赋予系统独立扩展与故障隔离的能力,从而满足智慧园区、工厂能效监控等场景下的高并发与高可用需求。基于开源能源管理系统MyEMS的演进式重构,可以

weixin_33416697的博客 264

Spyglass实战指南:跨时钟域同步方案深度解析

本文深度解析了Spyglass在跨时钟域同步方案验证中的实战应用。通过真实案例阐述了亚稳态的危害,并详细介绍了从基础的两级同步器到复杂的异步FIFO与握手协议等八大同步方案,以及如何利用Spyglass进行有效配置、检查与问题排查,为提升芯片设计可靠性提供系统性的避坑指南。

weixin_29219189的博客 841

【ACP】2025-最新-疑难题解析- 练习二汇总

全球加速是优化公网访问的,负载均衡是分发流量的,公网 NAT 网关是处理公网 IP 的,高速通道是建私网连接但不直接提供固定私网地址功能。C 是客户端加密方式,D 是 ECS 云盘加密,都不属于 OSS 服务器端加密。某企业想使用云服务器 ECS + 负载均衡 SLB + 弹性伸缩 (Auto Scaling) 的架构搭建一个企业级门户网站,技术负责人对于负载均衡和弹性伸缩配合使用没有经验,于是将他理解的两种产品配合使用的一些技术细节列成了一个表单,并请作为架构师的您帮他做一下鉴别,以下哪些项是正确的?

jundao1997的专栏 297

2026年数据库选型:KWDB多模型数据库如何扛住时序数据写入高峰

在物联网与工业监测场景中,海量设备高频上报的时序数据往往让传统关系型数据库陷入写入瓶颈与存储膨胀的困境。面对这类以时间戳为轴、只追加少修改的数据,时序数据库虽在写入与压缩上表现优异,却常因缺乏对设备台账、告警规则等关系型数据的支持,导致系统架构被迫拆分为两套存储,徒增运维负担。多模型数据库应运而生,它允许同一集群内同时管理关系表与时序表,通过标准SQL统一访问,兼顾事务一致性与时间范围聚合查询效率。本文从一个实际设备状态监测项目出发,详细描述了如何利用KWDB的开源多模型能力完成从MySQL迁移至统一存储的

weixin_31421613的博客 249

AI应用架构师:用RAG解决大模型“幻觉”问题的客服架构设计

在当今的智能客服领域,大语言模型(LLM)凭借流畅的对话能力和强大的理解能力,逐渐取代传统规则式机器人,成为客服系统的核心。但随之而来的“幻觉”问题(即模型编造不存在的信息)却成了致命伤:比如客户问“你们的产品保修期多久”,AI客服可能会自信地回答“3年”,而实际保修期只有1年——这种错误不仅会误导客户,还可能引发投诉、退货甚至法律风险。

AI天才研究院 915

为什么IoTDB成为物联网场景的技术优选?

随着工业4.0进程加速,企业每天需要处理海量传感器数据已成为常态。面对时序数据特有的高并发写入、低延迟查询和高效压缩需求,传统数据库架构面临严峻挑战。本文将深入探讨时序数据库选型的关键考量因素,并以Apache IoTDB在工业物联网场景的实际应用为例,解析其技术架构与落地价值。

byte轻骑兵的技术小窝 1万+

6S大气校正模型说明

title: 6S大气校正 date: 2018-04-13 categories: 遥感图像处理 tags: 大气校正 6S辐射传输模型 6S(Second Simulation of Satellite Signal in the Solar Spectrum)辐射传输模型是由vermote E 和 Tanre D 等人用FORTRAN编写的适用于太阳反射波段(0.25~4um)的大...

qq_40974572的博客 9785

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

大数据时代数据库选型指南:Apache IoTDB技术解析与实践建议

本文探讨了大数据时代时序数据库选型的关键维度,重点解析了Apache IoTDB的技术优势。针对时序数据高写入、高压缩、多设备等特性,提出六大选型标准:写入性能、存储效率、查询能力、云边协同、开源生态和工业友好性。通过对比国内外产品差异,指出国外产品在乱序写入、本土化适配等方面的不足。文章详细介绍了Apache IoTDB的核心技术,包括千万级点/秒的写入性能、自研TsFile格式实现10倍压缩比、原生支持云边端协同等特性,为企业在物联网、工业互联网等场景的时序数据库选型提供了实践参考。

user340的博客 1万+

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

TimechoDB 与 IoTDB 有什么区别?适合哪些企业级时序数据场景

本文介绍了 TimechoDB 与 Apache IoTDB 的定位差异,并从产品目标、企业级能力、运维支持和典型行业场景等角度进行对比。IoTDB 更适合开源学习、技术验证和研发实践,TimechoDB 则更关注企业生产环境中的稳定性、安全性、运维管理和技术服务。文章还分析了工业互联网、能源电力、服务器监控、智慧城市和车联网等适合使用 TimechoDB 的时序数据场景。

cfjbcg的博客 515

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Java开源物联网平台选型与二次开发实战指南

物联网平台是连接设备与业务系统的核心基础设施,其价值在于将设备接入、数据流转、规则引擎与可视化展示整合为完整链路。Java技术栈凭借Spring Boot、Netty等成熟生态,在多协议接入、高并发长连接和二次开发可控性方面具备天然优势。开源方案降低了选型门槛,但部署实施中仍需关注数据库分表、消息队列压力、时区配置等工程细节。从智能家居到工业网关,用Docker快速搭建环境,配合模拟设备联调,即可验证平台闭环能力;通过扩展协议解码器和自定义告警规则,可将通用平台改造为贴合自身业务的系统,这正是Java系开源

weixin_42519733的博客 330

Nightingale数据存储方案选型:ClickHouse vs InfluxDB

在现代监控系统中,时序数据(Time Series Data)的高效存储与查询是核心挑战。夜莺(Nightingale)作为企业级开源监控系统,需要对接多种时序数据库以满足不同场景需求。本文将深入对比ClickHouse与InfluxDB两种主流时序存储方案,分析其在夜莺架构中的适配性、性能表现及最佳实践,帮助运维团队做出合理选型。 ## 夜莺数据存储架构概览 夜莺采用**数据采集与存储分离*...

gitblog_00832的博客 845

VoltAgent开源项目实战:从硬件选型到部署的电压监控智能代理

在物联网和嵌入式系统监控领域,数据采集代理(Agent)是实现设备状态感知的核心组件。其工作原理是通过部署在边缘侧的轻量级程序,周期性地从传感器采集数据,经过滤波、校准等预处理后,将指标数据上报至中心化的监控平台。这种架构的技术价值在于实现了监控逻辑与业务逻辑的解耦,降低了资源开销,并提升了系统的可维护性与可扩展性。典型的应用场景包括机房动力环境监控、工业设备状态监测以及智能家居传感网络。本文聚焦于电压这一关键物理量的监控,深入剖析了如何利用VoltAgent这一开源智能代理,结合高精度ADC模块(如ADS

weixin_34064233的博客 603

JAVA开源物联网平台选型与架构实战:从设备接入到二次开发

物联网平台是连接物理设备与业务系统的核心基础设施,它解决设备接入、数据存储、规则计算和开放集成四大问题。在技术原理层面,基于Netty的高并发网络通信层负责多协议解析,消息队列实现削峰填谷,时序数据库保障海量数据高效写入与查询,规则引擎则完成事件驱动的联动控制。对Java团队而言,选择成熟的开源物联网平台,既能借助Spring Boot生态降低开发成本,又能通过开放源码规避商业锁定风险。无论是智能硬件、工业数据采集还是冷链监测场景,都可以利用开源平台快速搭建从设备上报到可视化展示的完整链路。本文深度拆解了J

weixin_32520095的博客 191
上一篇: Java8 流操作
下一篇: TimescaleDB数据库建立在PostgreSQL基础上
小小白兔兔
博客等级 码龄7年 46粉丝 207原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值