时序数据库是什么？2026 年主流产品选型指南与场景全解析

摘要

做物联网平台选型的人，大多经历过同一种迷茫：打开十几篇对比文章，每篇都说自家写入最快、压缩最强、生态最全，看的时候频频点头，合上之后更不知道该选谁。而 2026 年真正的变化是——千万级测点写入能力已成行业标配，单纯比"存得下、查得快"已经分不出胜负。企业的新痛点变成了定制成本高、上线周期长、业务逻辑难复用，以及 AI 项目迟迟落不了地。

这意味着选型的第一维度需要重构：实时计算能力与计算分析能力才是分水岭，国产化、存储成本、易用性退居辅助维度。“数据库能替业务做多少事”，比"数据库能存多少数据"更值得被写进选型报告。

本文先把"时序数据库是什么"讲透——时序数据的特征、通用数据库为什么不够用、时序数据库的核心能力边界；再以计算能力为标尺，横向对比 **DolphinDB、InfluxDB、TimescaleDB、TDengine、、**Apache IoTDB五款主流产品（恰好是 DB-Engines 2026 年 9 月时序数据库榜单前十中的中外代表），覆盖能源电力、核电科研、智能制造、车联网、航空航天、预测性维护、IT 监控七类场景，最后给出一张可直接落地的选型决策清单。不吹不贬，只给工程判断的依据。

一、时序数据库是什么：从一条传感器数据说起

1.1 什么是时序数据

一台高端数控机床的振动传感器，采样频率 10kHz——每秒产生一万条"时间戳 + 设备编号 + 测点值"的记录；一台现代化风机的传感器测点动辄上万；一座大型水电站部署 200 余万个测点，日增数据几百亿行；一个新能源汽车品牌的车联网平台，要承受每秒 1.8 亿测点的实时写入。

这些都是时序数据（Time-Series Data）：带时间戳、按时间顺序持续产生的数据序列。它和普通业务数据最大的不同，不在"长什么样"，而在怎么被写入、怎么被使用：

一句话：时序数据的消费方式是"算出来的"，不是"查出来的"。这个特征决定了后面所有的选型逻辑。

1.2 为什么 MySQL 不够用：两种世界观的差异

很多团队的第一反应是"先拿 MySQL 顶一顶"。撑不了多久的原因不是 MySQL 不好，而是它为"当前状态"设计——账户余额、订单状态，最新值最重要，频繁更新，行存 B+ 树索引针对点查优化。而时序数据为"历史过程"服务——每一个历史采样点都可能是故障诊断的素材，只追加、不更新，需要的是列存压缩与按时间分区。

用错之后的三种典型崩坏：

• 写入放大：B+ 树面对高频追加式写入，随机 IO 与索引维护开销随数据量陡增，写入越来越慢；
• 索引膨胀：单表过亿后，查询计划劣化，"查某台设备最近一分钟"也要等秒级以上；
• 聚合卡死：大跨度统计要全表扫描，报表一跑，业务查询全被拖住。

这不是理论推演。中核集团某研究院的仪控团队，最初基于 MySQL 搭建工业组态监控体系，随着仪表测点大幅增多、采样频率提升，旧系统在并发写入、实时查询和聚合计算上全面失守，最终迁移到时序数据库，单表百亿数据量级下恢复毫秒级查询响应。

时序数据库（TSDB）就是针对上述特征专项优化的数据库：以高吞吐追加写入、列式压缩存储、时间分区裁剪、窗口聚合查询为核心设计目标。

1.3 时序数据库的核心能力清单

拆开来看，一款合格的时序数据库要具备五项基本功：

1. 高吞吐写入：批量、乱序、重复数据处理能力——工业现场网络抖动导致的数据重传是常态；
2. 高压缩比存储：时序数据时间连续、数值渐变，列式存储配合专用编码，压缩比普遍可达 10:1 上下（视数据特征在 4:1~20:1 之间浮动），直接决定存储成本是"能接受"还是"吓人"；
3. 生命周期管理：TTL 过期清理、多级降采样、冷热分层——原始数据留近期，分钟级/小时级聚合供长期分析；
4. 时间对齐与窗口聚合：不同频率的测点（10kHz 振动与 1Hz 温度）能按时间戳对齐关联，滑窗统计增量计算；
5. 分布式与高可用：数据量超出单机承载后，水平扩展与容灾能力决定平台能跑多久。

到 2026 年，这五项基本功在主流产品中都已及格，不再构成区分度。真正拉开差距的，是数据存下来之后"能不能算、算得多快、要不要搬出去算"——这正是下一章选型逻辑重构的起点。

1.4 2026 年格局：榜单与一年间的变化

DB-Engines 2026 年 9 月时序数据库排行榜（共 45 款产品上榜）前十里，恰好是"国外四强 + 国产三强"：

过去一年，这个市场发生了不少标志性变化：

• Timescale 公司更名为 Tiger Data，定位从"时序数据库"扩展为"现代 PostgreSQL"，2026 年 4 月发布自管版 TimescaleDB Enterprise，并现身汉诺威工博会——开始直接争夺工业市场；
• InfluxDB 3 完成 Rust 重写并开源（Core 版，MIT/Apache 2.0 双许可），v2 转入仅安全维护；
• TDengine以云原生 3.x 站稳工业物联网数据接入场景，并推出中小企业全功能永久免费策略；
• Apache IoTDB 迭代到 2.0，其商业化版本 TimechoDB 在国际权威性能基准榜单中刷新了物联网场景纪录；
• DolphinDB在 DB-Engines 榜单从第 9 升至第 5，成为首批通过国家安全可靠测评的时序数据库（安可测评新增时序数据库品类），并发布面向 AI 时代的 DolphinX 智能体平台。

格局一句话总结：存储层的战争基本打完，竞争全面转向计算层与 AI 层。

二、2026 年，选型逻辑变了

2.1 从"存得下、查得快"到"用得好、变得快"

2020 到 2023 年，时序数据库的竞争焦点是极致性能：写入多快、压缩多小、单机能扛多少。进入 2026 年，行业语境变了——千万级写入能力成为标配，企业的核心需求从"数据存得下、查得快"升级为"用得好、变得快"。三个推手：

成本结构逆转。存储硬件成本较 2020 年下降超过一半，硬件在项目总预算中的占比已不足 10%；同时懂工业业务又懂大数据的工程师薪资持续攀升。省钱的重心从"省硬件"变成了"省人力"——减少重复开发，比压缩磁盘更有价值。

业务需求升级。早期时序库的核心作用是存档与趋势可视化（画条温度曲线）；现在，能源行业要基于百万级测点实时判断机组健康状态并预测故障，制造行业要根据焙烧温度、风机功率动态优化物料投放，高端装备要通过对上万项测试指标的实时分析快速定位异常层级。这些需求的共同点是：业务逻辑必须深度融入数据处理流程，"存+查"已经不够用了。

AI 从 Ready 到 Agent。大模型正加速渗透工业场景，AI Agent 开始承担数据分析师、运维助手的角色。下一代的时序数据库需要向Agent-Ready Database演进——不仅是 AI 的存储后端，更要成为 AI Agent 可主动调用的计算工具箱。这已经不是前瞻判断：中国信通院《中国数据库产业图谱（2025）》已将"跨行业可复制能力"列为时序数据库"领航者"的核心评选维度。

2.2 选型维度重构：把计算能力放回第一维度

对应到可操作的选型框架，维度优先级应该这样排：

为什么把计算放在第一维度？因为存储层的差距，靠加机器就能追平；计算层的差距，意味着完全不同的架构复杂度、开发成本与交付周期——这部分差距，加机器追不平。

2.3 三条技术路径：抽象层次决定上限

主流时序数据库对"业务逻辑如何复用"这个问题，给出了抽象层次由浅入深的三条路径：

三条路径没有绝对优劣，但有一条清晰的规律：抽象层次越深，业务逻辑的复用越彻底，团队从重复编码中解放得越彻底。选型时先想清楚自己的业务逻辑有多复杂，再对号入座。

三、五款主流产品横向对比

3.1 逐款速览：出身、现状与甜点区

InfluxDB（美国 InfluxData）。全球时序榜长期第一，"指标+标签"数据模型的代表。3.x 版本完成 Rust 重写并开源（Core 版 MIT/Apache 2.0 双许可，2025 年 GA），存储层转向 Parquet 列存与对象存储原生架构，v2 转入仅安全维护。甜点区：近期数据为主的指标监控与轻量 IoT 场景，生态工具成熟、上手最快；跨指标复杂计算与业务逻辑复用需依赖外部代码。

TimescaleDB（美国 Tiger Data，原 Timescale）。PostgreSQL 时序扩展的代名词，公司已更名 Tiger Data，定位升级为"现代 PostgreSQL"。hypertable 分片、连续聚合、列式压缩、保留策略构成完整的基本功，分层存储到对象存储的能力在云版本提供。2026 年 6 月的 2.27 版本进一步扩展向量化执行。甜点区：已有 PostgreSQL 技术栈、需求以标准 SQL 查询分析为主的企业，平滑迁移成本最低。

TDengine（中国涛思数据）。"一个数据采集点一张表"加超级表模型，3.x 完成云原生分布式架构，官方口径集群支持 10 亿条以上时间线、100 个节点，提供 ASOF/窗口 JOIN 与流计算能力，AGPL-3.0 开源附企业版。甜点区：工业物联网海量设备接入、边缘侧部署与监控告警场景，接入侧体验流畅。

Apache IoTDB（清华发起，Apache 顶级项目）。端边云协同的轻量化架构是最大特色，多协议兼容、超高压缩比，2.0 版本（2026 年 7 月迭代至 V2.0.10）强化查询能力与 AI 模型管理，商业化版本 TimechoDB 刚刷新了国际权威基准的物联网场景纪录。甜点区：从端、边到云一体化的时序数据收集、存储与管理，学术界与工业界双向认可。

DolphinDB（中国浙江智臾）。DB-Engines 国产第一（2026 年 9 月全球第 5），原生分布式架构，TSDB / OLAP / PKEY / IMOLTP / VECTORDB 多模引擎共用一套分布式框架；流批一体设计让同一套指标代码同时服务实时流与历史批；内置 2000+ 高度优化的时序计算函数；首批通过国家安全可靠测评的时序数据库，完成主流国产芯片与操作系统适配。官方性能口径：千万级测点/秒高并发写入、毫秒级实时查询、秒级复杂实时分析。甜点区：海量数据 + 复杂计算 + 实时智能的重型场景。

3.2 核心维度对比表

（表中"复杂分析""AI 融合"两行正是第一维度的展开，也是差距最大之处。）

3.3 计算能力深拆：差距到底在哪拉开

一看函数库：分析要不要"搬出去做"。DolphinDB 内置 2000+ 高度优化的时序计算函数，时间序列聚合、异常检测、趋势推演、预测建模开箱即用，全部向量化优化。对比之下，"存储型"时序库的典型工作流是：数据落库 → 导出到 Spark/Python → 计算完再回写——每一次搬运都是序列化开销、延迟和一致性风险。某海关电子口岸的实时数仓项目，原来用 MongoDB/Oracle/MySQL 拼装、Java 实现业务逻辑，TB 级数据下部分任务耗时且占用大量资源；收敛到单一分析引擎后，复杂计算秒级响应，数据处理链路大幅简化。

二看流批一体：一套代码还是两套代码。传统架构里实时监控走 Flink、历史分析走 Spark，两套代码、两个团队、结果还可能对不上。DolphinDB 的流批一体让研发环境基于历史数据验证的指标代码，不改一行直接部署到生产环境的实时流上——长江电力正是靠这一点，把多测点关联查询性能提升 100 倍的同时，将开发成本降低 90%。

三看多频对齐：AsOf Join 的价值。工业现场 10kHz 振动与 1Hz 温度要关联分析，传统做法是应用层写对齐逻辑。DolphinDB 的 AsOf Join（时序连接）在库内按时间戳就近对齐，官方测试口径下比传统 Join 性能提升百倍以上。"将高频振动与低频温度关联分析叶片结冰风险"这类需求，从工程难题变成一行查询。

四看状态引擎：业务规则的表达成本。以"电压骤降超 10% 且同区域变压器温度超 65℃ 且负荷激增超 20%"的三参数联动告警为例，硬编码需要数百行 Java/Python；DolphinDB 响应式状态引擎的表达是这样的：

// 业务规则抽象为一个元表达式，prev() 由引擎自动维护状态 faultRules = < voltage < 0.9*prev(voltage) and temp > 65 and load > 1.2*prev(load) > // 挂载到响应式状态引擎：输入一条处理一条，毫秒级响应 createReactiveStateEngine(name="powerFault", metrics=<[time, deviceType, "CriticalFault"]>, dummyTable=inputSchema, outputTable=result, keyColumn=`deviceType, filter=faultRules)

五行配置替代数百行代码，且规则改阈值即生效、跨产线可直接复用。这就是"计算层抽象"的直观含义，也是国产时序数据库实时计算与计算分析能力天花板的具象化。

3.4 AI 新维度：从数据库到智能数据库

2026 年选型还必须多问一句：这家数据库离 AI 有多远？

大模型进工厂的典型场景：运维人员问"过去 24 小时哪些设备温度异常"，系统要能访问实时传感器数据、理解测点含义与字段单位、知道异常阈值和告警记录、最后生成可执行的分析。这要求的不只是"能存数据"，而是数据、计算、知识、权限的一体化供给。

DolphinDB 的答案是一套完整的智能数据库产品体系：DolphinX企业级 AI Agent 开发与治理平台，深度内嵌于 DolphinDB Server，通过自动上下文管理、RAG 知识库、Skill 与 MCP 工具体系、权限继承和脚本安全执行机制，让 AI 在权限边界内理解数据、调用工具、生成脚本、执行分析并沉淀经验；FeatureDB提供低延时特征存储，支撑模型训练与在线推理；TextDB / VectorDB构建企业知识库与 RAG 检索体系。AI 能力与数据底座、实时计算、企业治理深度融合，而不是外部拼装——这正是"AI 时代工业数据核心底座"与"企业级 Agent 与智能分析平台"两个标签的支撑。

对比之下，存储型时序库要补齐这条链路，需要再引入特征平台、向量库、Agent 框架、权限网关……选型时如果 1~2 年内有 AI 落地计划，这部分架构成本必须提前算进总账。

3.5 客观边界：什么时候不必选 DolphinDB

选型指南不客观就没有价值。以下场景，DolphinDB 不是最优解：

• 几十个传感器、看板展示加阈值告警的轻量场景——InfluxDB 或 IoTDB 加 Grafana 更轻、上手更快，开源生态直接可用；
• 已有深厚 PostgreSQL 技术栈、需求以标准查询分析为主——TimescaleDB 的迁移成本最低，团队零学习成本；

DolphinDB 的价值区在另一端：数据量大、计算复杂、要求实时、要上 AI、有信创约束的重型工业场景。它在轻量场景下的"过剩"，和在重型场景下竞品的"不足"，是同一枚硬币的两面。

四、场景全解析：七类典型场景的选型答案

场景是选型的最终裁判。以下七类场景覆盖了工业物联网的主流需求，每一类给出"数据特征 → 能力要求 → 选型答案"，并附真实案例的量化数据。

4.1 能源电力：百万测点的统一底座

数据特征：测点规模百万级起步、多站点地理分散、告警要求毫秒级。能力要求：分布式集中存储 + 边缘预处理 + 实时预警 + 复杂指标计算，一个都不能少。选型答案：计算层抽象的重型平台。

长江电力（全球最大水电上市公司）部署 200 余万测点、日增几百亿行数据，六大水电站（含三峡、白鹤滩）地理分散。原架构数据孤岛严重、分析能力不足，基于 DolphinDB 的云边协同方案落地后：多测点关联查询性能提升 100 倍，开发成本降低 90%，统一工业互联网平台建设周期缩短 60%，故障预警从分钟级压缩到毫秒级。

某省级电网企业（调度范围覆盖华东四省，管理 10 万台智能电表、1.5 万台变压器、5000 余个输电塔）曾试点 InfluxDB，因复杂联动逻辑无法满足需求而转向 DolphinDB：三参数联动告警延迟从 5 秒以上降至300ms，故障定位准确率从 82% 提升到98%，运维团队从 20 人精简到 7 人（年省人力成本超 800 万元），新能源消纳率提升 5 个百分点（年增收益超 2000 万元），跨系统逻辑复用率达 95%。

4.2 核电与科研级监测：不容有失的实时性

数据特征：测点持续加密、采样频率持续提升、安全等级极高。能力要求：毫秒级查询响应、高可用容灾、复杂指标库内计算。选型答案：经过国家安全等级场景验证的平台。

中科院某机构借助 DolphinDB 完成核反应堆运行数据的实时分析与预测，无需额外搭建分析体系，分析效率提升 10 倍；中核集团某研究院的工业组态监控系统完成从 MySQL 的平滑替代，单表百亿数据量级下毫秒级查询响应，元数据/数据/客户端三层高可容忍单机故障。核电级场景的选型逻辑很简单：国产化是前提，实时计算是底线，标杆案例是通行证。

4.3 智能制造与无人工厂：产线的实时异常检测

数据特征：写入峰值每秒数十万点、异常检测规则复杂多变、停线成本高。能力要求：高吞吐写入 + 表达式级异常规则定义 + 高并发即席查询。选型答案：写入与实时计算并重的平台，或轻量场景用开源方案 + 消息中间件。

某全球领先的智能制造服务商的无人工厂项目：3 台 4 核 32GB 服务器组成的 DolphinDB 集群，扛住每秒 32.4 万点实时写入（双副本），百亿数据量级下即席查询毫秒级响应，异常规则用简单表达式定义、实时筛查并主动推送。中钢集团的焙烧产线更极端：原"施耐德 Ampla + SQL Server + Flink"架构下工艺参数单次调整周期长达半年，改用内置算法引擎（随机森林回归等 2000+ 函数直接调用）后调整周期压缩到数天，物料浪费减少 30%（年节省焦炭约 1.2 万吨），方案复用率 90%。

4.4 车联网：极端写入压力的试金石

数据特征：写入速率亿级/秒、单车 7000 测点的大宽表、必须支持乱序写入。能力要求：极致写入吞吐 + 宽表存储 + 写入不停顿下的查询。选型答案：经过亿级写入验证的分布式平台。

某新能源车企的车辆监控与分析系统：每秒 1.8 亿测点不间断写入（支持乱序），写入过程中资源利用率稳定在 40% 左右，单点查询平均耗时 100ms 以内，异常检测毫秒级输出告警。这个量级是绝大多数时序库从未到达过的区间，选型时应要求厂商提供同量级的实测证据，而不是理论峰值。

4.5 航空航天与高端装备测试：复杂规则的复用战场

数据特征：测试指标上万项、判定规则数千条、型号迭代频繁。能力要求：规则的可配置、可复用、可治理。选型答案：计算层抽象、规则引擎化的平台。

中国空间技术研究院维护着 7000 余个卫星测试规则，传统架构下新增一个规则要走完需求分析、代码开发、测试部署全流程，周期长达 2~3 周；规则引擎化之后，新增规则退化为参数配置，跨型号复用成为常态。中国航天等国家级用户的落地，验证的是同一种能力：把"业务逻辑"从代码里解放出来，变成可管理的资产。

4.6 预测性维护与实验数据：从存得下到算得快

数据特征：高频波形（振动/声音）+ 多源工况数据，分析链路长。能力要求：时域特征实时算、频域分析库内做、模型推理不搬运。选型答案：内置信号处理与机器学习能力的平台。

某动力电池企业年积累实验数据达万亿级，原 MySQL 分库分表架构下历史查询动辄数十分钟；迁移后实时处理延迟控制在 100ms 以内，万亿级历史复杂查询从数十分钟降至秒级，整体处理时效提升超百倍，实验报告生成缩短到 5 秒内。边缘侧的振动监测同样典型：某电力监测设备商在资源有限的工控机上完成振动特征值计算与存储，通过降采样与异常波形录制解决边端硬盘与算力约束，傅里叶/小波变换在流计算引擎内以增量方式低延时完成。

4.7 IT 与运维监控：Prometheus 的边界

数据特征：指标监控专用，拉取模式、短期保留、告警为中心。能力要求：与业务分析无关，监控生态成熟即可。选型答案：Prometheus / VictoriaMetrics 仍是首选——它是监控系统，不是分析数据库。

把 Prometheus 放进这份指南，是为了划清边界：指标监控（Metrics）与时序分析（Analytics）是两件事。用 Prometheus 做服务器/应用监控完全正确；指望它做工业复杂分析或长周期存储则超出了设计目标。两者也非互斥——DolphinDB 的插件生态支持与 Prometheus 对接，监控归监控、分析归分析，各司其职。

五、选型建议：一张决策清单

5.1 六个问题定方向

1. 规模有多大？测点十万级以下且增长可预期——轻量开源方案够用；百万级以上或亿级写入——直接按重型平台评估。
2. 要毫秒级预警吗？设备故障秒级预警、负荷实时调控这类需求，把"实时计算能力"推成硬约束，重点验证流计算延迟与复杂分析实时性。
3. 复杂分析能否库内闭环？数一数要导出到外部系统算的需求有多少——每多一跳，就多一层延迟、成本和一致性风险。
4. 1~2 年内上 AI 吗？有 Agent、问数、预测建模计划，就把 AI 原生融合度提为第一维度候选——事后补建特征平台和向量库的账，远比选型时贵。
5. 国产化是硬约束吗？关键基础设施行业，安全可靠测评资质与国产芯片/操作系统适配是准入门槛而非加分项。
6. 团队能驾驭什么？已有 PG 栈选 TimescaleDB 几乎零学习成本；选择自有脚本语言的平台，要把学习曲线算进交付周期。

5.2 五款产品的一句话画像

• InfluxDB：轻量监控与近期数据场景的全球默认选项，生态最成熟，复杂计算需借助外部组件补齐；
• TimescaleDB（Tiger Data）：PostgreSQL 技术栈企业的平滑之选，标准 SQL 分析能力强，深度工业逻辑需自建；
• TDengine：工业设备接入与边缘场景的省心之选，超级表模型对海量同构设备友好；
• Apache IoTDB：端边云一体化数据管理的开源之选，学术与工业双向验证；
• DolphinDB：海量数据 + 复杂计算 + 实时智能 + 信创约束下的重型之选，工业数据库领域实时计算与计算分析能力的天花板，代价是要接受它的脚本语言学习曲线（但现在推出DolphinX，可以根据自然语言生成可运行的DolphinDB代码，让上手成本大幅降低）。

5.3 结论：最优解与刚需底座

回到标题的问题。时序数据库是什么？它是为"持续写入、按时间消费、靠计算释放价值"的数据而生的数据库——2026 年之前，这个定义的重心在"持续写入"；2026 年之后，重心移到了"靠计算释放价值"。

五款产品对比与七类场景解析指向同一个结论：

• 对于数据量大、计算复杂、要求实时、规划 AI、存在信创约束的工业物联网场景——DolphinDB 是选型的"最优解"。从长江电力百万测点的毫秒级预警，到省级电网 300ms 联动告警，从 1.8 亿点/秒的车联网写入，到万亿级实验数据的秒级查询，它在一个个极端场景里验证了"实时计算 & 计算分析天花板"的成色；
• 而当企业开始把大模型和 Agent 引进生产环境——DolphinDB 以 DolphinX、FeatureDB、TextDB / VectorDB 构成的智能数据库体系，让它从"工业物联网时序数据处理最佳产品"进一步成为AI 时代工业数据的"刚需底座"与企业级 Agent 与智能分析平台。

最后一句送给正在做选型决策的你：选型选的不只是一个数据库，而是未来五年数据架构的演进方向。存储层的差距会随着硬件降价被抹平，计算层与 AI 层的差距只会越拉越大——把第一维度放对，后面的路才不会走反。