|
时间序列数据库的高级概述，以比力特性、功能、成熟度和性能
黄一泰-11分钟阅读
照片：Tech Daily on Unsplash
我们正生活在数据库的黄金时代，因为资金正以汗青性的速度流入该行业（例如，Snowflake、MongoDB、Cockroach Labs、Neo4j）。如果说关系型与非关系型或在线分析处置惩罚（OLAP）与在线交易处置惩罚（OLTP）之间的争论统治了过去十年，那么一种新类型的数据库不停在稳步增长。根据DB-Engines（一个收集和展示数据库管理体系信息的倡议），自2020年以来，时间序列数据库是增长最快的范畴。
时间序列数据库（TSDB）是为摄取、处置惩罚和存储有时间戳的数据而优化的数据库。这些数据可能包罗来自服务器和应用程序的指标，来自物联网传感器的读数，用户在网站或应用程序上的互动，或金融市场的交易活动。时间序列工作负载通常具有以下特点。
- 每个数据点都包罗一个时间戳，可用于索引、聚合和采样。这种数据也可以是多维的和相关的。
- 高写入速度（摄取）是首选，以便在高频率下捕获数据。
- 数据的汇总视图（例如，下采样或汇总视图，趋势线）可能比单一数据点提供更多的洞察力。例如，思量到网络的不可靠或传感器读数的异常值，我们可以在一段时间内某些平均值凌驾阈值时设置警报，而不是在单个数据点上这样做。
- 分析数据通常必要在某个时间窗口内访问它（例如，给我过去一周的点击率数据）。
虽然其他数据库也能在肯定程度上处置惩罚时间序列数据，但TSDB的设计思量到了上述特性，以更有效地处置惩罚数据的摄入、压缩和按时间聚合。那么，随着云计算、物联网和机器学习的发展，对时间序列数据的需求不断爆发，架构师应该怎样选择TSDB？在这篇文章中，我们将比力一些流行的TSDB以及市场上的新玩家，以帮助你做出决定。
InfluxDB
InfluxDB于2013年首次发布，如今是TSDB范畴当之无愧的市场领导者，凌驾了之前的Graphite和OpenTSDB。与许多开放源码数据库公司一样，InfluxDB以MIT许可的方式授权给单节点，InfluxDB云和InfluxDB企业的付费计划则提供了集群和其他生产就绪的功能。
图片来源：influxdata, (MIT)
在2019年InfluxDB 2.x发布之前，InfluxDB平台由TICK栈组成。Telegraf（收集和报告指标的代理）、InfluxDB、Chronograf（从InfluxDB查询数据的接口）和Kapacitor（实时流数据处置惩罚引擎）。如下图所示，InfluxDB 1.x主要专注于来自服务器和网络应用的时间序列数据。在Prometheus出现并抢占这一范畴的市场份额之前，InfluxDB拥有最大的社区和集成，可以收集、存储和查看应用程序的指标。
图片来源：influxdata, (MIT)
InfluxDB 2.x在很大程度上简化了架构，将TICK堆栈捆绑到一个单一的二进制文件中，并引入了新的功能，使收集（如本地Prometheus插件）、组织（如组织和桶）和可视化（如数据浏览器）数据与它的Flux语言。
为了明白InfluxDB的工作原理，我们必要掌握以下关键概念。
- 数据模型（标签集模型）。除了时间戳字段外，每个数据元素由各种标签（可选、可索引的元数据字段）、字段（键和值）和测量（标签、字段和时间戳的容器）组成。下面的例子采取了蜜蜂和蚂蚁的普查数据，由科学家Anderson和Mullen在Klamath和Portland收集。这里位置和科学家是标签，属于蜜蜂和蚂蚁的普查测量，有字段/值对。
图片来源：influxdata, (MIT)
- 数据模式（TSM和TSI）：数据元素存储在时间结构的合并树（TSM）和时间序列索引（TSI）文件中。TSM可以被以为是一个LSM树，有写头日记（WAL）和类似于SSTables的只读文件，这些文件是经过排序和压缩的。TSI是InfluxDB内存映射在磁盘上的文件的索引，以利用操作体系的最小最近利用（LRU）内存。这是为了帮助处置惩罚具有高cardinality（即聚集中的大元素）的数据集。
- Flux脚本语言：由InfluxDB开发的特定范畴语言，帮助查询数据。Flux有一个sql包，也可以帮助从SQL数据源查询。
最值得注意的是，InfluxDB在输入数据之前不逼迫执行模式。相反，模式是由输入数据自动创建的，从标签和字段中推断出来。这种类似NoSQL的体验既是InfluxDB的上风，也是它的劣势。对于天然适合这种标签集模型的相对较低的数据集（例如，大多数基础设施和应用指标，一些物联网数据，一些金融数据），InfluxDB非常容易上手，而不必担心设计模式或索引的问题。在目的是创建物理资产的数字模型的用例中，它也大放异彩。例如，在物联网中，人们可能必要创建一个数字孪生体来表示传感器的聚集，并以一种有组织的方式摄取数据。
图片来源：TimescaleDB, (Apache)
另一方面，当数据集必要对连续字段进行索引（即InfluxDB不支持数字，因为标签必须是字符串）或数据验证时，"无模式 "可能是一个倒霉因素。另外，由于标签是有索引的，如果标签常常变化（例如，元数据在最初摄入后可能发生变化的用例），依赖InfluxDB来推断模式可能是昂贵的。
末了，InfluxDB决定创建自己的自定义功能数据脚本语言（Flux），为掌握这个生态体系带来了另一层复杂性。InfluxDB的团队指出，从类似SQL的InfluxQL转向Flux有两个动机。
- 时间序列数据符合基于流程的功能处置惩罚模型，其中数据流从一个输出转化到下一个。SQL支持的关系代数模型并不能很好地处置惩罚这种操作和函数的连锁关系。
- InfluxDB渴望对时间序列数据的常见操作（如指数移动平均）提供一流的支持，而这并不是SQL标准的一部分。
Flux的语法肯定必要一些努力来顺应，特别是如果你正在寻找简朴的SQL查询或不渴望学习另一种新的语言。但思量到InfluxDB的大型社区和集成，Flux的一些上风开始显现，特别是当与内置的仪表盘相结合时。
图片来源：influxdata, (MIT)
总的来说，如果时间序列数据与标签集模型非常吻合，InfluxDB是一个不错的选择。主要的用例似乎是面向基础设施/应用监控，但作为这一范畴显着的市场领导者，InfluxDB也与流行的数据源无缝集成。
- 优点：无模式的摄取，巨大的社区，与流行工具的集成。
- 缺点：高基数的数据集，自定义查询/处置惩罚语言
TimeScale数据库
InfluxDB选择了从头开始建立一个新的数据库和自定义语言，而另一端是TimescaleDB。TimescaleDB建立在PostgreSQL之上，并增加了一个称为hypertable的中心层，将数据分块到多个底层表格，同时将其抽象为一个单一的大表格，以便与数据进行交互。
图片来源：TimescaleDB, (Apache)
PostgreSQL的兼容性是TimescaleDB的最大卖点。TimescaleDB完全支持所有的SQL功能（如毗连，二级和部分索引），以及流行的扩展，如PostGIS。更重要的是，TimescaleDB继承了几十年来运行SQL查询的开发人员以及大规模运行PostgreSQL的数据库和体系管理员的知识。由于TimescaleDB可以被视为PostgreSQL的扩展，除了TimescaleDB自己的管理产物外，云管理选项（如Azure Database for PostgreSQL，Aiven）也是现成的，更不用说虚拟机或容器上的无数自我管理选项。
图片来源：2020年Stack Overflow开发者观察，（ODbL）。
因为TimescaleDB一开始是作为一个物联网平台，他们一开始实际上是用InfluxDB来存储他们的传感器数据，它的功能对物联网时间序列数据来说是个好兆头，这些数据往往是突发的，由于网络不可靠而常常失序，并且具有高基数的特点。
- 超量表。TimescaleDB根据时间列以及其他"空间 "值（如设备UID、位置标识符或股票符号）将其超量表划分为若干块。"空间 "值（如这些块可以被配置为在内存中保存最新的数据，按时间列异步压缩和重新排序数据到磁盘（而不是摄取时间），并在节点间进行复制或迁移。
- 连续聚合。TimescaleDB还支持数据的连续聚合，以使计算关键指标，如每小时的平均值、最小值和最大值变得快速。物联网数据通常在聚合时更有效（例如，给我下午3点和4点之间的平均温度与下午3点的确切温度），所以不必要在每个聚合查询中扫描大量数据，可以帮助创建高性能的仪表板或分析。
- 数据保存。在传统的关系型数据库中，大量的删除是一个昂贵的操作。然而，由于TimescaleDB将数据存储在块中，它提供了 drop_chunks 功能来快速删除旧数据，而没有同样的开销。由于旧数据的相关性随着时间的推移而减少，TimescaleDB可以与恒久存储（如OLAP或blob存储）一起利用，移动旧数据以节省磁盘空间，并保持新数据的高性能。
至于性能，TimescaleDB有一个全面的帖子，详细介绍了利用时间序列基准套件（TSBS）比力TimescaleDB 1.7.1版本和InfluxDB 1.8.0（都是OSS版本）的插入和读取延迟指标。这两个数据库如今都有2.x版本，所以这个分析可能有点过期了，但结果显示，随着数据cardinality的增长，TimescaleDB的性能更优越（约3.5倍的性能）。
图片来源：TimescaleDB, (Apache)
TimescaleDB团队指出，InfluxDB的基于日记结构的合并树体系（TSI）与TimescaleDB的B树索引方法相比，是根本原因。然而，这里的启示不肯定是TimescaleDB在性能上优于InfluxDB。性能基准是故意见的，而且受数据模型、硬件和配置的影响很大。相反，这个结果表明，TimescaleDB可能更适合于物联网的利用案例，在那边数据基数很高（例如，给我1000万台设备中的X设备的平均用电量）。
总的来说，TimescaleDB非常适合那些正在寻找一个巨大的性能提升而不必要重构的团队，以迁移出他们现有的SQL数据库。尽管TimescaleDB仍然相对较新（2017年首次发布），但在PostgreSQL基础上构建的决定已经提升了其采用数量，达到了前5名的TSDB。从轶事来看，我之前的物联网创业公司也利用TimescaleDB作为中心数据存储，以快速提取跨越几个月的聚合指标，并将旧数据转移到恒久存储。由于我们已经在Kubernetes集群上运行PostgreSQL，安装TimescaleDB和迁移我们的工作负载，是一个简朴的使命。
- 优点。与PostgreSQL兼容，能很好地扩展数据量，有多种部署模式可供选择。
- 缺点：固定的模式（增加了一点复杂性，而且在摄入前必要进行数据转换）。
QuestDB
对于那些渴望利用InfluxDB线路协议的灵活性和PostgreSQL的熟悉性的人来说，一个较新的时间序列数据库可能会满意这两个要求而不牺牲性能。QuestDB（YC S20）是一个用Java和C++编写的开源TSDB，虽然它推出不到一年，但如今已经排名前15位。在引擎下，QuestDB利用内存映射文件，在数据提交到磁盘之前支持快速读写。
图片来源。QuestDB, (Apache)
通过用Java和C++从头开始建立数据库，QuestDB团队专注于三件事。
- 性能。解决摄取的瓶颈，特别是在高cardinality数据集四周。它还支持快速数据检索，方法是始终按顺序存储时间分区数据（通过在内存中洗牌），并且只分析所请求的列/分区而不是整个表。末了，QuestDB应用SIMD指令来并行化操作。
- 兼容性。QuestDB支持InfluxDB线协议、PostgreSQL线、REST API和CSV上传，以摄入数据。习惯于利用其他TSDB的用户可以很容易地移植他们现有的应用程序，而不必要大幅重写。
- 通过SQL进行查询。尽管支持多种摄取机制，QuestDB利用SQL作为查询语言，因此不必要学习像Flux这样的特定范畴语言。
在性能方面，QuestDB最近发布了一篇博文，显示了基准测试结果，实现了每秒140万行的写入速度。QuestDB团队利用TSBS基准，在AWS的m5.8xlarge实例上利用多达14个工程的cpu-only用例（注意：140万的数字来自利用AMD Ryzen5处置惩罚器）。
图片来源。QuestDB, (Apache)
对于具有高基数（>1000万）的数据集，QuestDB的表现也优于其他TSDB，其峰值摄取吞吐量为904k行/秒，在利用英特尔至强CPU的m5.8xlarge实例上利用4个线程，在1000万设备上维持约640k行/秒。当在AMD Ryzen 3970X上运行相同的基准时，QuestDB显示出凌驾一百万行/秒的摄取吞吐量。
图片来源。QuestDB, (Apache)
基于数据模型和数据库的调整，性能基准可以是主观的，但它还是为QuestDB刻画了一个引人注目的比力点。由于InfluxDB和TimescaleDB都支持TSBS开箱即用的这些用例，看看结果怎样，将会很有趣。
QuestDB的另一个有趣的组成部分是支持InfluxDB内联协议和PostgreSQL线程的摄取。对于现有的InfluxDB用户，你可以简朴地配置Telegraf以指向QuestDB’的地址和端口。同样，对于PostgreSQL用户，利用现有的客户端库或JDBC将数据写入QuestDB中。无论采用哪种摄取方法，都可以利用标准SQL进行数据查询，但API参考页上列出了一些显着的例外。
作为这个范畴的新进入者，QuestDB最显着的缺点是缺乏对基础设施功能的支持（如复制、自动备份/恢复）。它确实已经与一些最流行的工具（如PostgreSQL、Grafana、Kafka、Telegraf、Tableau）集成，但它必要一些时间才能达到上述其他TSDB的程度。
尽管如此，QuestDB仍是一个很有前程的项目，可以均衡InfluxDB和TimescaleDB的积极因素。
- 优点：快速摄取（特别是对于高cardinality的数据集），支持InfluxDB协议和PostgreSQL线，通过标准SQL进行查询
- 缺点：社区规模较小，可用的集成，生产准备就绪。
总结
随着对时间序列数据的需求不断增长，专门处置惩罚这些数据的TSDB将被大量采用，同时也将面临激烈的竞争。除了本文涉及的三个开源TSDB，另有来自AWS（AWS Timestream）和Azure（Azure Series Insights）的公共云产物。
与所有数据库一样，选择 "完美 "的TSDB主要取决于你的业务需求、数据模型和利用环境。如果你的数据符合taget模型，InfluxDB就能很好地工作，并且有一个丰富的集成生态体系可以利用。TimescaleDB是现有PostgreSQL用户的天然选择。末了，如果性能是主要关注点，QuestDB是一个有前程的项目，正在快速增长。 | 
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡
