TDengine(老段）专注时序数据库领域

TDengine 连接器负载

先学习什么是正常，然后发现任何不符合"正常模式"的东西。**Autoencoder（自编码器）**是 TDgpt 内置的深度学习模型。学习阶段：模型学习如何"压缩"正常数据，然后再"还原"它检测阶段：如果一个数据点能被很好地压缩和还原，说明它符合正常模式；如果还原误差很大，说明它是异常的想象一下，你让一个艺术家临摹各种人脸照片。对于正常的人脸，他能画得很像；但如果给他一张外星人的脸，他就画不像了——因为这不符合他学到的"正常人脸"模式。-- 使用预训练的自编码器模型进行异常检测。

TDengine 在金融领域的应用

TDengine 在制造领域的应用实例

论坛用户的高频提问问题

油田中的应用

TDengine 时序数据库

手把手教你在新能够领域应用 TDengine

TDengine 在车联网上的最佳实践

taosgen 工具

TDengine 地理信息使用说明

网络延时总网络延时 = 传输延时 + 传播延时 + 处理延时 + 排队延时实际用网络时，常关注三种延时，它们对应不同场景：1. 单向延时（One-Way Latency）定义：数据从发出到对方收到的 “单程” 时间。适用场景：对时间特别敏感的情况，如实时通信、卫星通信。测量难点：需要让发数据和收数据的设备时间完全一致，不平时很少用这种方式测。2. 往返延时（Round-Trip Time, RTT）定义：数据从发出到对方收到并回复的 “来回” 总时间，。适用场景。

TDengine 复合主键功能全面介绍

MySQL/PG/TDengine 时间范围 SQL 表达式

TDengine Cluster Setup Tool 是一个独立的 Python 脚本，用于在一台机器上快速创建多节点 TDengine 集群的示例工具，方便使用者快速搭建出多节点集群虚拟环境。

服务器断电对 TDengine 的影响

比如在“公共事业”示例数据下，在元素“北京”下创建饼图，想分析北京下各区县的用电量占比，但是按照地址去聚合时，则得到以下结果，不是我们期望的。时序数据可能采集频率为秒级，如果想看每小时的统计数据，可以开启窗口并设置指标的聚合函数。如下图，设置聚合每个小时的电压采集数据，计算平均值。如下图，如果要对昨日的指标进行同比分析，则可以设置[-1d]的时间偏移。在设置边界值时，我们需要先选择一个参考指标，选择参考指标时，会将该属性对应的限制配置带到此边界值配置中。两个指标，将这两个指标设置到指标坐标系的两个轴上。

STATE_WINDOW + EVENT_WINDOW：TDengine 如何简化批次分析

本文档对比了 TDengine TSDB 中 taosd（服务端）和 taosc（客户端）的配置参数，明确标识每个参数的作用范围。

在高并发、长周期的时序数据场景中，查询性能、安全性与生态兼容性，始终是系统演进的关键。近日，TDengine3.3.8.0 版本正式上线，本次更新带来了 Rollup SMA 多层级预计算、TimeRange-Wise SMA 时间范围预计算、TLS 加密传输、数据补全、MySQL 函数增强、taosX 逻辑备份与 ORC 数据源接入等多项功能升级，全面提升系统的性能、可扩展性与数据安全。本文为你整理了该版本九大核心更新亮点，来看看哪些能力能帮你把系统跑得更快、用得更稳、管得更省心。

其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。近期各语言连接器已统一 Websocket 时区配置方式，支持在连接层面设置时区，影响 SQL 时间字符串、查询结果集和订阅数据中的时间类型数据。

批量写入：尽量使用批量写入，减少网络往返次数时间有序：确保写入的时间戳是有序的预先建表：对于已知的设备，预先创建子表参数化查询：大批量数据写入时使用 Prepared Statement错误处理：妥善处理各种错误情况性能监控：监控写入性能，适时调整参数数据压缩：利用 TDengine 的自动压缩特性，无需额外处理通过合理选择写入方式和优化配置，可以充分发挥 TDengine 在时序数据写入方面的高性能优势。

TDengine 的基本概念和架构安装和配置 TDengine 环境创建数据库、超级表和子表数据的插入、查询和分析高级功能如流计算和数据订阅编程接口的使用性能优化和运维技巧TDengine 作为专业的时序数据库，特别适合处理大量的时间序列数据。随着您对 TDengine 理解的深入，可以进一步探索其分布式部署、高可用配置等高级特性。

taosgen 是时序数据领域产品的性能基准测试工具，支持数据生成、写入性能测试等功能。taosgen 以“作业”为基础单元，作业是由用户定义，用于完成特定任务的一组操作集合。每个作业包含一个或多个步骤，并可通过依赖关系与其他作业连接，形成有向无环图（DAG）式的执行流程，实现灵活高效的任务编排。taosgen 目前仅支持 Linux 系统。

基于高性能、分布式的时序数据库，辅以数据业务语义和上下文，TDengine 不仅能高效地存储采集的海量数据，而且能智能感知应用场景，自动生成面板、报表、监测异常，让您拥有一个强大的工业智能体，实时洞察系统的运营。

TDengine 新增窗口支持指定数据列计数。用户可通过窗口语法，按某一时序数据列的非空值数量进行窗口划分，实现更灵活的数据分析。

INSERT INTO 超级表功能为 TDengine 提供了强大的数据导入能力，特别适合批量数据处理场景。使用时需要注意tbname字段的正确使用、主键列的完整性，以及标签列的处理逻辑。合理使用这个功能可以大大简化数据导入和迁移工作。

- BLOB数据类型定义 BLOB -- 最大长度4MB的二进制数据类型TDengine 的 BLOB 数据类型为处理大容量二进制数据提供了强大的支持，特别适用于车联网、航空、工业物联网等场景。通过独立的 BSE 存储引擎，BLOB 类型在保证数据完整性的同时显著提升了写入性能。

计算精确的百分位数值expr: 数值表达式或列名p: 百分位数，取值范围 [0, 100]双精度浮点数TDengine 的 PERCENTILE 和 APERCENTILE 函数为时序数据分析提供了强大的统计计算能力。根据具体的业务需求和性能要求，选择合适的函数可以有效提升数据分析的效率和准确性。在实际应用中，建议结合业务场景和数据特点，灵活运用这两个函数来构建完整的监控和分析体系。

不满足上述条件的表数据被写入.last文件后，继续等待新数据的写入，直到该表满足了行数minrows的大小后，.last文件中该表的数据会被读入到内存，之后一起写入到.data文件中。只有当.last文件大于32k的时候，才能看到符合我们心理预期的效果——.last文件把数据移到.data文件，.last文件变小，.data文件变大。.data类文件存储的是真正的时序数据，为多个数据块构成。.last文件与.data文件一样，也是存储时序数据的，只不过.last文件存储的块中的数据条数小于minRows。

细心的读者可能会问，假如我写入3日的数据，我是如何知道这个数据会落在345这个区间，还是123，或是234呢。此外，由于给定了可写入数据的时间范围（now-keep到now+days），给定了数据切分的时间范围（days），所以只要vnode目录下面的数据文件组数量小于等于keep/days向上取余+1，就可以认为自动删除机制是在正常工作的。随着时间的推移，数据的时间戳会与系统时间做计算，一旦超过keep天数，就会被识别为过期数据，等到这个数据文件内的所有数据都过期后，这个数据文件才会被从计算机上清除。

还在用命令行运维数据库？你真的了解 taosExplorer 吗？过去，TDengine 的管理和运维操作大多需要通过命令行执行。虽然 CLI 足够灵活，但对不熟悉 SQL 的用户来说，并不友好。更重要的是，很多企业用户并不希望把数据库操作的“主动权”只交给 DBA 或开发人员。taosExplorer 的设计目标，就是打破这种门槛。

在获取测量值（measure）的架构元数据（schema meta）之后，系统会对该测量值下的每一条数据执行以下操作：遍历其标签（tag）和列（col），并检查现有架构是否需要更新，更新操作可能包含 create stable, add col, add tag, modify col, modify tag。在处理数据时，系统会遍历每条记录，提取出测量值（measure）、标签（tag）以及列（col）的键值对，并将这些信息存储于定制的结构体中。在每个分组内，只需对标签进行一次解析，减少重复解析的操作。

初始化配置结构体，用于创建 STMT2 实例时指定各种选项。// 请求ID// 单超级表插入模式// 单表单次绑定模式// 异步执行回调函数// 用户数据指针reqid：请求ID，用于标识和跟踪特定的请求：是否向单个超级表插入数据：每个表执行前是否只绑定一次：异步执行回调函数，异步模式下必须设置userdata：传递给回调函数的用户数据userdata：用户传入的数据指针res：执行结果集，不可使用释放code：执行返回码，0 表示成功。

相较于其他众多时序数据库和实时数据库，TDengine 的一个独特优势在于，自其首个版本发布之初便支持标准的 SQL 查询功能。这一特性极大地降低了用户在使用过程中的学习难度。本章将以智能电表的数据模型为例介绍如何在 TDengine 中运用 SQL 查询来处理时序数据。如果需要进一步了解 SQL 语法的细节和功能，建议参阅 TDengine 的官方文档。通过本章的学习，你将能够熟练掌握 TDengine 的 SQL 查询技巧，进而高效地对时序数据进行操作和分析。

本章以智能电表的数据模型为例介绍如何在 TDengine 中使用 SQL 来写入、更新、删除时序数据。

通过上述四步简单的配置过程，现在你可以轻松地享受到由 TDengine Cloud 私有连接带来的诸多好处，包括但不限于更高的安全性、更低的成本以及更好的性能表现。立即采取行动吧！访问TDengine Cloud官网，注册并创建免费实例。按照TDengine Cloud 私网连接配置文档完成私有连接设置，体验前所未有的数据传输效率与安全性。

为了清晰地阐述时序数据的基本概念，并为示例程序的编写提供便利，整个文档都将以智能电表为例，探讨时序数据的典型应用场景。设想有一种型号的智能电表，它能够采集电流、电压和相位这 3 个模拟量。此外，每块智能电表还具有位置和分组等静态属性。这些智能电表采集的数据示例如下表所示。

TDengine 可以通过安装包、Docker 镜像及云服务三种渠道快速体验 TDengine 的功能。TDengine Cloud 作为一个全托管的时序大数据云服务平台，致力于让用户迅速领略 TDengine 的强大功能。该平台不仅继承了 TDengine Enterprise 的核心功能特性，还充分发挥了 TDengine 的云原生优势。

TDengine 可以通过安装包、Docker 镜像 及云服务快速体验 TDengine 的功能，本节首先介绍如何通过 Docker 快速体验 TDengine，然后介绍如何在 Docker 环境下体验 TDengine 的写入和查询功能。如果你不熟悉 Docker，请使用安装包的方式快速体验。如果您希望为 TDengine 贡献代码或对内部技术实现感兴趣，请参考TDengine GitHub 主页下载源码构建和安装。