apache druid vs influxdb

1.背景

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，可以往前可以观其历史，揭示其规律性，往后可以把握其趋势性，预测其走势。

于是，我们开始存储大量时间相关的数据(如日志，用户行为等)，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=TSDB).

2.时间序列模型

时间序列数据库主要用于指处理带时间标签（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。

数据样例：

如此便是一个最简单的时间序列库了。但这只是满足了数据模型的需要。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，如果让你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。

3.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。

influxdb 最开始是使用LSM(Log-Structured Merge Tree) Tree存储引擎（LevelDb数据库）：

缺点：

• 1.LevelDB不支持Range delete也不支持TTL(time to live)
• 2.在LSM这种数据结构下，真正的物理删除不是即时的，在compaction时才会生效

各类TSDB实现数据删除的做法大致分为两类：

• 数据分区
• TTL

TSM 存储引擎主要由几个部分组成： cache、wal、tsm file、compactor。

4.apache druid

待补充