时序数据库（Time Series Database，简称TSDB）是专门用于存储、查询和分析时间序列数据的数据库。这类数据的特点是数据点带有时间戳，并且随时间连续产生。
一、核心特点
写多读少：数据写入量极大（每秒百万级），但更新操作极少（通常为追加）。
数据量大：依赖高效的数据压缩算法（如差值、位压缩）来节省存储成本。
时效性强：最近的数据被高频查询，较旧的数据访问频率低，支持数据生命周期管理（自动过期删除）。
按时间排序：数据天然按时间有序，查询通常涉及时间范围、聚合（如求平均值、最大值）和降采样。
二、常见应用场景
IT运维监控：服务器CPU、内存、网络流量等指标监控。
物联网（IoT）：智能设备、传感器、工厂生产线数据采集。
金融交易：股票价格、交易量、汇率波动等实时数据分析。
用户行为分析：网站PV/UV、App日活、广告点击流分析。
工业制造业：设备状态监测、故障预测与健康管理。
三、主流时序数据库对比
| 数据库 | 简介 | 适用场景 |
|---|---|---|
| InfluxDB | 最流行的TSDB之一，类SQL查询语言InfluxQL，生态完善。 | 中小规模监控、物联网、实时分析。 |
| Prometheus | CNCF毕业项目，自带Pull模型采集，结合Grafana可视化极佳。 | 云原生、Kubernetes监控（必备）。 |
| TimescaleDB | 基于PostgreSQL的扩展，完全支持SQL和事务。 | 需要复杂关联查询的时序场景。 |
| TDengine | 国产开源，高性能，集成缓存、流式计算，降低总拥有成本。 | 物联网、车联网、工业大数据（对性能要求极高）。 |
| DolphinDB | 国产高性能分布式，内置强大的向量化编程语言。 | 量化金融、高频交易、复杂分析计算。 |
| QuestDB | 使用SIMD指令集优化，性能极佳，支持PostgreSQL线协议。 | 金融数据、高吞吐低延迟分析。 |
| IoTDB | Apache顶级项目，专为物联网设计，支持从边缘到云端。 | 工业物联网、智慧城市、能源管理。 |
四、关键技术点
数据模型：通常由时间戳 + 标签（维度） + 指标值（度量）构成。例如，
cpu_usage{host=server1, region=us-west} 72.5 1650000000。存储引擎：使用LSM树结构，顺序写入磁盘，避免随机写性能瓶颈。
压缩算法：同一时间戳下多指标组合压缩、差值编码、游程编码等，压缩率可达90%以上。
降采样：对历史数据进行聚合（如将秒级数据降为分钟级），节省存储并加速查询。
连续查询：自动定期执行预计算，实现增量聚合视图。
工作原理
一、写入流程：如何扛住海量数据？
时序数据写入的最大挑战是高频、海量、顺序追加。传统数据库（如MySQL）的B+树随机写入会成为瓶颈，而时序数据库采用以下策略：
先写内存（WAL + MemTable）
数据到达时，先顺序写入磁盘日志（WAL，预写日志），保证宕机不丢数据。
同时将数据写入内存中的有序结构（如跳表、红黑树），称为MemTable。内存写入极快，能轻松应对百万级QPS。
批量合并与刷盘
当内存数据积累到一定阈值，会批量写入磁盘，形成不可变的文件（如LSM树的SSTable）。
这个过程利用了磁盘的顺序写性能（远快于随机写），并且多个小批次会合并成一个大文件，减少IO次数。
异步落盘与Compaction（合并）
后台持续进行文件合并（Compaction），将多个小文件合并成大文件，同时清理已删除或过期的数据，保持查询效率。
二、存储引擎：数据在磁盘上怎么组织？
这是时序数据库最核心的奥秘，主要基于LSM树及其变种，但针对时序特征做了深度优化：
| 关键技术 | 原理 | 效果 |
|---|---|---|
| 时间分片 | 按时间范围（如一天/一小时）将数据切分成独立文件块。 | 查询某时间范围时，只扫描对应分片，大幅减少IO。 |
| 标签索引（倒排索引） | 对标签（如host=server1）建立类似搜索引擎的倒排索引。 | 能毫秒级定位符合标签条件的所有时间序列。 |
| 列式存储 | 同一列（如所有CPU值）连续存储，不同列分开存放。 | 查询只读所需列；同列数据类型相同，压缩率极高。 |
| 专用压缩算法 | -差值编码：存相邻值的差值（如时间戳差1秒）。 -游程编码：连续相同的值只存一次。 -位压缩（Gorilla）：对浮点数做异或压缩。 | 压缩率通常达90%~95%，10GB原始数据最终可能只占1GB。 |
三、查询流程：如何快速响应？
查询性能不仅靠存储，还靠提前算好（用空间换时间）：
索引过滤
根据查询中的标签条件，利用倒排索引快速找到所有相关的时间序列ID列表。时间范围裁剪
根据查询的时间范围，只扫描对应的磁盘文件分片，跳过不相关的数据块。向量化计算
查询聚合（如avg(cpu)）时，读取压缩后的列数据，直接在内存中批量计算（如SIMD指令加速），避免逐行处理。降采样与预聚合
对历史高频数据，系统后台会自动生成分钟级/小时级的汇总数据。查询大时间范围时，直接读汇总结果，秒级返回。下推优化
将过滤、聚合计算尽量推送到存储节点完成，只返回最终结果给客户端，减少网络传输。
四、生命周期管理：数据自动“消失”
时序数据往往有时效性——7天前的秒级数据很少被查。
数据库支持数据保留策略（Retention Policy），比如“只保留最近30天的原始数据”。
后台会按时间分片，定期自动删除过期的文件块，释放存储空间。
五、一句话总结工作原理
先快速写内存并记日志，后台批量转成压缩的列式文件；查询时靠倒排索引快速定位，靠预聚合和列式计算快速响应；过期数据自动回收，保持存储轻量。
