时间序列数据库(TSDB)初识与选择

本文作者由 MageByte 团队的「借来方向」编写，关注公众号给你更多硬核技术

背景

这两年互联网行业掀着一股新风，总是听着各种高大上的新名词。大数据、人工智能、物联网、机器学习、商业智能、智能预警啊等等。

以前的系统，做数据可视化，信息管理，流程控制。现在业务已经不仅仅满足于这种简单的管理和控制了。数据可视化分析，大数据信息挖掘，统计预测，建模仿真，智能控制成了各种业务的追求。

“所有一切如泪水般消失在时间之中，时间正在死去“，以前我们利用互联网解决现实的问题。现在我们已经不满足于现实，数据将连接成时间序列，往前可以观其历史，揭示其规律性，往后可以把握其趋势性，预测其走势。

我们开始存储大量的数据，并总结出这些数据的结构特点和常见使用场景，不断改进和优化，创造了一种新型的数据库分类——时间序列数据库(time series database).

时间序列模型

时间序列数据库主要用于处理带时间标签（按照时间的顺序变化，即时间序列化）的数据，带时间标签的数据也称为时间序列数据。

每个时序点结构如下：

timestamp: 数据点的时间，表示数据发生的时间。
metric: 指标名，当前数据的标识，有些系统中也称为 name。
value: 值，数据的数值，一般为 double 类型，如 cpu 使用率，访问量等数值，有些系统一个数据点只能有一个 value，多个 value 就是多条时间序列。有些系统可以有多个 value 值，用不同的 key 表示
tag: 附属属性。

实现

假如我想记录一系列传感器的时间序列数据。数据结构如下：

* 标识符：device_id，时间戳

* 元数据：location_id，dev_type，firmware_version，customer_id

* 设备指标：cpu_1m_avg，free_mem，used_mem，net_rssi，net_loss，电池

* 传感器指标：温度，湿度，压力，CO，NO2，PM10

如果使用传统 RDBMS 存储，建一张如下结构的表即可：

如此便是一个最简单的时间序列库了。但这只是满足了时间序列数据模型的需要。我们还需要在性能，高效存储，高可用，分布式和易用性上做更多的事情。

大家可以思考思考，如果让我们自己来实现一个时间序列数据库，你会怎么设计，你会考虑哪些性能上的优化，又如何做到高可用，怎样做到简单易用。

Timescale

这个数据库其实就是一个基于传统关系型数据库 postgresql 改造的时间序列数据库。了解 postgresql 的同学都知道，postgresql 是一个强大的，开源的，可扩展性特别强的一个数据库系统。

于是 timescale.inc 在 postgresql 架构上开发了 Timescale，一款兼容 sql 的时序数据库。作为一个 postgresql 的扩展提供服务。其特点如下：

基础：

支持所有 PostgreSQL 原生 SQL，包含完整 SQL 接口（包括辅助索引，非时间聚合，子查询，JOIN，窗口函数）。
用 PostgreSQL 的客户端或工具，可以直接应用到该数据库，不需要更改。
时间为导向的特性，API 功能和相应的优化。
可靠的数据存储。

扩展：

透明时间/空间分区，用于放大（单个节点）和扩展。
高数据写入速率（包括批量提交，内存中索引，事务支持，数据备份支持)。
单个节点上的大小合适的块（二维数据分区），以确保即使在大数据量时也可快速读取。
块之间和服务器之间的并行操作。

劣势：

因为 TimescaleDB 没有使用列存技术，它对时序数据的压缩效果不太好，压缩比最高在 4X 左右
目前暂时不完全支持分布式的扩展（正在开发相关功能），所以会对服务器单机性能要求较高

其实大家都可以去深入了解一下这个数据库。对 RDBMS 我们都很熟悉，了解这个可以让我们对 RDBMS 有更深入的见解，了解其实现机制，存储机制。在对时间序列的特殊化处理之中，我们又可以学到时间序列数据的特点，并学习到如何针对时间序列模型去优化 RDBMS。

之后我们也可以写一篇文章来深入的了解一下这个数据库的特点。

Influxdb

Influxdb 是业界比较流行的一个时间序列数据库，特别是在 IOT 和监控领域十分常见。其使用 go 语言开发，突出特点是性能。
特性：

高效的时间序列数据写入性能。自定义 TSM 引擎，快速数据写入和高效数据压缩。
无额外存储依赖。
简单，高性能的 HTTP 查询和写入 API。
以插件方式支持许多不同协议的数据摄入，如：graphite，collectd，和 openTSDB
SQL-like 查询语言，简化查询和聚合操作。
索引 Tags，支持快速有效的查询时间序列。
保留策略有效去除过期数据。
连续查询自动计算聚合数据，使频繁查询更有效。

Influxdb 已经将分布式版本转为闭源。所以在分布式集群这块是一个弱点，需要自己实现。

OpenTSDB

The Scalable Time Series Database. 打开 OpenTSDB 官网，第一眼看到的就是这句话。可见其将 Scalable 作为自己重要的”卖点“。OpenTSDB 运行在 Hadoop 和 HBase 上，其充分利用 HBase 的特性。通过独立的 Time Series Demon(TSD)提供服务，所以它可以通过增减服务节点来轻松扩缩容。

Opentsdb 是一个基于 Hbase 的时间序列数据库（新版也支持 Cassandra）。

其基于 Hbase 的分布式列存储特性实现了数据高可用，高性能写的特性。受限于 Hbase，存储空间较大，压缩不足。依赖整套 HBase, ZooKeeper
采用无模式的 tagset 数据结构(sys.cpu.user 1436333416 23 host=web01 user=10001)

结构简单，多 value 查询不友好
HTTP-DSL 查询

OpenTSDB 在 HBase 上针对 TSDB 的表设计和 RowKey 设计值得我们深入学习的一个特点。有兴趣的同学可以找一些详细的资料学习学习。

Druid

Druid 是一个实时在线分析系统(LOAP)。其架构融合了实时在线数据分析，全文检索系统和时间序列系统的特点，使其可以满足不同使用场景的数据存储。

采用列式存储：支持高效扫描和聚合，易于压缩数据。
可伸缩的分布式系统：Druid 自身实现可伸缩，可容错的分布式集群架构。部署简单。
强大的并行能力：Druid 各集群节点可以并行地提供查询服务。
实时和批量数据摄入：Druid 可以实时摄入数据，如通过 Kafka。也可以批量摄入数据，如通过 Hadoop 导入数据。
自恢复，自平衡，易于运维：Druid 自身架构即实现了容错和高可用。不同的服务节点可以根据负载需求添加或减少节点。
容错架构，保证数据不丢失：Druid 数据可以保留多副本。另外可以采用 HDFS 作为深度存储，来保证数据不丢失。
索引：Druid 对 String 列实现反向编码和 Bitmap 索引，所以支持高效的 filter 和 groupby。
基于时间分区：Druid 对原始数据基于时间做分区存储，所以 Druid 对基于时间的范围查询将更高效。
自动预聚合：Druid 支持在数据摄入期就对数据进行预聚合处理。

Druid 架构蛮复杂的。其按功能将整个系统细分为多种服务，query、data、master 不同职责的系统独立部署，对外提供统一的存储和查询服务。其以分布式集群服务的方式提供了一个底层数据存储的服务。

Druid 在架构上的设计很值得我们学习。如果你不仅仅对时间序列存储感兴趣，对分布式集群架构也有兴趣，不妨看看 Druid 的架构。另外 Druid 在 segment(Druid 的数据存储结构)的设计上也是一大亮点，即实现了列式存储，又实现了反向索引。

Elasticsearch

Elasticsearch 是一个分布式的开源搜索和分析引擎，适用于所有类型的数据，包括文本、数字、地理空间、结构化和非结构化数据。Elasticsearch 在 Apache Lucene 的基础上开发而成，由 Elasticsearch N.V.（即现在的 Elastic）于 2010 年首次发布。Elasticsearch 以其简单的 REST 风格 API、分布式特性、速度和可扩展性而闻名。

Elasticsearch 以 ELK stack 被人所熟知。许多公司基于 ELK 搭建日志分析系统和实时搜索系统。之前我所在团队在 ELK 的基础上开始开发 metric 监控系统。即想到了使用 Elasticsearch 来存储时间序列数据库。对 Elasticserach 的 mapping 做相应的优化，使其更适合存储时间序列数据模型，收获了不错的效果，完全满足了业务的需求。后期发现 Elasticsearch 新版本竟然也开始发布 Metrics 组件和 APM 组件，并大量的推广其全文检索外，对时间序列的存储能力。真是和我们当时的想法不谋而合。

Elasticsearch 的时序优化可以参考一下这篇文章:《elasticsearch-as-a-time-series-data-store》

也可以去了解一下 Elasticsearch 的 Metric 组件Elastic Metrics

Beringei

Beringei 是 Facebook 在 2017 年最新开源的一个高性能内存时序数据存储引擎。其具有快速读写和高压缩比等特性。

2015 年 Facebook 发表了一篇论文《Gorilla: A Fast, Scalable, In-Memory Time Series Database 》，Beringei 正是基于此想法实现的一个时间序列数据库。

Beringei 使用 Delta-of-Delta 算法存储数据，使用 XOR 编码压缩数值。使其可以用很少的内存即可存储下大量的数据。

如何选择一个适合自己的时间序列数据库

Data model

时间序列数据模型一般有两种，一种无 schema，具有多 tag 的模型，还有一种 name、timestamp、value 型。前者适合多值模式，对复杂业务模型更适合。后者更适合单维数据模型。
Query language

目前大部分 TSDB 都支持基于 HTTP 的 SQL-like 查询。
Reliability

可用性主要体现在系统的稳定高可用上，以及数据的高可用存储上。一个优秀的系统，应该有一个优雅而高可用的架构设计。简约而稳定。
Performance

性能是我们必须考虑的因素。当我们开始考虑更细分领域的数据存储时，除了数据模型的需求之外，很大的原因都是通用的数据库系统在性能上无法满足我们的需求。大部分时间序列库倾向写多读少场景，用户需要平衡自身的需求。下面会有一份各库的性能对比，大家可以做一个参考。
Ecosystem

我一直认为生态是我们选择一个开源组件必须认真考虑的一个问题。一个生态优秀的系统，使用的人多了，未被发现的坑也将少了。另外在使用中遇到问题，求助于社区，往往可以得到一些比较好的解决方案。另外好的生态，其周边边界系统将十分成熟，这让我们在对接其他系统时会有更多成熟的方案。
Operational management

易于运维，易于操作。
Company and support

一个系统其背后的支持公司也是比较重要的。背后有一个强大的公司或组织，这在项目可用性保证和后期维护更新上都会有较大的体验。

性能对比

	Timescale	InfluxDB	OpenTSDB	Druid	Elasticsearch	Beringei
write(single node)	15K/sec	470k/sec	32k/sec	25k/sec	30k/sec	10m/sec
write(5 node)			128k/sec	100k/sec	120k/sec

总结

最后总结一下：

如果你想要一个极限性能的系统可以考虑 Beringei 和 InfluxDB，在数据高可用方面，可以采用客户端双写模式来对数据做一个副本，保证数据的可用性。
如果你数据量不大，性能要求也不是特别高，却又点查询，删除和关联查询等需求，不妨考虑一下 Timescale。
如果你间距索引和时间序列的需求。那么 Druid 和 Elasticsearch 是最好的选择。其性能都不差，并且都是高可用容错架构。

最后

之后我们可以来深入了解一两个 TSDB，比如 Influxdb，Druid，Elasticsearch 等。并可以学习一下行存储与列存储的不同，LSM 的实现原理，数值数据的压缩，MMap 提升读写性能的知识等。

关注公众号，掌握更多硬核技术