TDengine:专为物联网而生的大数据平台

下载 7

搬砖工

发布于

3087

人观看

#信息技术

通用大数据方案的挑战：低效、复杂、高成本，而物联网、工业4.0数据特征：时序空间数据，其典型特征包括：

所有采集的数据都是时序的
数据都是结构化的
一个采集点的数据源是唯一的
数据很少有更新或删除操作
数据一般是按到期日期来删除的
数据以写操作为主，读操作为辅
数据流量平稳，可以较为准确的计算
数据都有统计、聚合等实时计算操作
数据一定是指定时间段和指定区域查找的
数据量巨大，一天的数据量就超过100亿条

TDengine提供的主要功能

实时数据库，历史数据库，操作合一透明
缓存，所有设备最新记录实时返回
流式计算，对一个或多个数据流实时聚合计算
数据订阅，最新的数据可实时推送到应用

TDengine定位于：物联网数据的全栈解决方案

展开查看详情

3 .4 通常将开源的 Kafka, Redis, Hbase , MongoDB, Cassandra, ES, Hadoop, Spark ， Zookeeper 等大数据软件拼装起来，利用集群来处理海量数据。开发效率低因牵涉到多种系统，每种系统有自己的开发语言和工具，开发精力花在了系统联调上，而且数据的一致性难以保证运维复杂每个系统都有自己的运维后台，带来更高的运维代价，出问题后难以跟踪解决，系统的不稳定性大幅上升运行效率差非结构化数据技术来处理结构化数据，整体性能不够，系统资源消耗大。因为多套系统，数据需要在各系统之间传输，造成额外的运行代价应用推向市场慢集成复杂，得不到专业服务，项目实施周期长，导致人力攀升，利润缩水通用大数据方案的挑战：低效、复杂、高成本

4 .所有采集的数据都是时序的数据都是结构化的一个采集点的数据源是唯一的数据很少有更新或删除操作数据一般是按到期日期来删除的物联网、工业 4.0 数据特征：时序空间数据采集的数据量巨大，但有典型特征 : 数据以写操作为主，读操作为辅数据流量平稳，可以较为准确的计算数据都有统计、聚合等实时计算操作数据一定是指定时间段和指定区域查找的数据量巨大，一天的数据量就超过 100 亿条 1 2 3 4 6 7 8 9 © TAOS Data, Inc. All rights reserved. 5 10

7 .© TAOS Data, Inc. All rights reserved. TDengine 生态图 Shell: Command Line Interface Visualization Tool Grafana Time-series Data Processing Engine TDengine Analytics, ML Applications Python/Matlab/R Java/C/C++/Restful IoT Application Telegraf Kafka OPC Data Hub MQTT Server Web Based Management Tool Clustered

8 .9 定义了创新的时序数据存储结构，通过采用无锁设计和多核技术，TDengine 让数据插入和读出的速度比现有通用数据库高了 10倍以上。单核一秒就可处理 2 万以上插入请求，插入数百万数据点，可从硬盘读出一千万以上数据点。数据都有预聚合处理，多表聚合查询保证只扫描一次数据文件，查询速度数量级的提升。 8 核服务器， 100 亿条记录的平均值计算不到 2 秒。完整对比测试报告，请参阅： www.tdengine.com 10 倍以上的性能提升 TDengine 的产品竞争力

9 .10 由于超强性能，计算资源不到通用大数据方案的 1/5 ；通过列式存储和先进的压缩算法，存储空间不到通用数据库的 1/10 。不用再集成 Kafka, Redis, Spark, HBase 等系列软件，系统架构大幅简化，产品研发成本大幅下降。零管理，不用分库分表、不分历史库、实时库，数据实时备份，运维成本大幅下降。总拥有成本大幅下降 TDengine 的产品竞争力完整对比测试报告，请参阅： www.tdengine.com

10 .11 零学习成本安装包仅仅 1.5M ，不依赖任何其他软件。从下载、安装到成功运行几秒搞定使用标准的 SQL 语法，并支持 C/C++, JAVA, GO, Python, RESTful 接口，应用 API 与 MySQL 高度相似，让学习成本几乎为零无论是十年前还是一秒钟前的数据，指定时间范围即可查询。数据可在时间轴或多个设备上进行聚合。临时查询可通过 Shell/Python/R/ Matlab 随时进行与第三方工具 Telegraf , Grafana, Matlab , R 等无缝链接 create database demo; use demo; create table t1( ts timestamp, degree float); insert into t1 values(now, 28.5); insert into t1 values(now, 29.0); select * from t1; select avg (degree), count( * ) from t1; TDengine 的产品竞争力

14 .TDengine 系统结构 © TAOS Data, Inc. All rights reserved. V0 V1 V3 dnode 7 V0 V1 V3 M0 V0 V1 V3 V2 V0 V1 V3 V2 dnode 0 V0 V1 V3 V2 dnode1 dnode 2 dnode 3 V0 V1 V2 dnode 4 V0 V1 M1 V2 dnode 5 V0 V2 V3 V1 dnode 6 M2 V3

15 .使用 KV 或关系型 DB ，在多个数据采集点存在的情况下难以保证一个采集点的数据在内存或硬盘上的连续性 TDengine ，一个采集点的数据在一个块里是连续存放的，块的大小可配置采取 Block Range Index, 可快速定位要查找的数据所处的块 0 1 2 3 4 5 0 1 2 3 4 5 数据模型：一台设备一张表 © TAOS Data, Inc. All rights reserved.

18 .TDengine 单个采集点数据插入、查询示例 © TAOS Data, Inc. All rights reserved. 与传统关系型数据库一样，采用 SQL 语法，应用需先创建库，然后建表，就可以插入、查询 create database demo; use demo; create table t1 ( ts timestamp, degree float); insert into t1 values(now, 28.5); select * from t1; 上述 SQL 为一个温度传感器创建一张表，并插入一条记录、然后查询

19 .TDengine 超级表：多个采集点的数据聚合 © TAOS Data, Inc. All rights reserved. STable ( 超级表）是表的集合，包含多张表，而且每张表的 schema 是一样的。同一类型的采集设备可以是一个 STable ，除定义 Schema 外 , 还可定义多个标签。标签定义表的静态属性，如设备型号、颜色等。具体创建表时，指定使用哪个 STable （采集点的类型），并指定标签值。应用可以象查询表一样查询 STable , 但可以通过标签过滤条件查询部分或全部数据采集点的记录，并且可以做各种聚合、计算等，方便支持复杂查询，应对业务需求。实际场景中，经常需要将多个采集点数据进行聚合处理，比如所有温度传感器采集的温度的平均值。因为一个传感器就是一张表，这样需要将多张表聚合。为减少应用的复杂性， TDengine 引入 STable 概念。每个表（采集点）都有对应一行的标签数据，保存在 Meta 节点，而且存放在内存并建有索引。标签数据可以任意增加、删除、修改。标签数据与采集数据完全分离，大大节省存储空间，并提高访问效率。而且对于已经采集的历史数据，事后可以打上新的标签。

20 .TDengine 超级表实例 © TAOS Data, Inc. All rights reserved. create table thermometer ( ts timestamp, degree float ) tags ( loc binary(20), type int ) ; 为温度传感器建立一个 STable , 有两个标签：位置和类型 create table t1 using thermometer tags (‘ beijing ’, 1); create table t2 using thermometer tags (‘ beijing ’, 2); create table t3 using thermometer tags (‘ tianjin ’, 1); create table t4 using thermometer tags (‘ tianjin ’, 2); create table t5 using thermometer tags (‘shanghai’,1); 用 STable 创建 4 张表 , 对应 4 个温度传感器，地理位置标签为北京、天津、上海等 select max(degree), min(degree) from thermometer where loc =‘ beijing ’ or loc =‘ tianjin ’; 查询北京和天津所有温度传感器记录的最高值和最小值

22 .TDengine 时间轴上的数据聚合 © TAOS Data, Inc. All rights reserved. 实际场景中，经常需要将一段时间的数据进行聚合，比如 downsampling , 采样频率为一秒一次，但最终只记录一分钟的平均值。 TDengine 引入关键词 interval, 以进行时间轴上的聚合操作。时间轴的聚合既可以针对单独一张表，也可以针对符合标签过滤条件的一组表进行。 select avg (degree) from t1 interval (5m); 查询温度传感器 t1 记录的温度每五分钟的平均值 select avg (degree) from thermometer where loc =‘ beijing ’ interval (5m); 查询北京所有温度传感器记录的温度每五分钟的平均值

23 .TDengine 实时 Stream 计算 © TAOS Data, Inc. All rights reserved. 目前支持 Avg, Max, Min, Percentile, Sum, Count, Dev, First, Last, Diff, Scale, WAvg , Spread 等操作。计算是针对时间段，同时可针对一张表或符合过滤条件的一组表进行聚合。实时计算的衍生数据可以实时写入新的表，方便后续的查询操作。衍生数据还可以与其他原始数据或其他衍生数据进行各种聚合计算，生成新的数据。 select avg (degree) from thermometer where loc =‘ beijing ’ interval (5m) sliding (1m); 每隔一分钟计算北京刚刚过去的五分钟的温度平均值 create table d1 as select avg (degree) from thermometer where loc =‘ beijing ’ interval (5m) sliding (1m); 每分钟计算一次北京刚过去的 5 分钟的温度平均值，并写入新的表 d1

0点赞

1收藏

7下载