1. 时序数据库引言
在物联网和工业物联网（IIoT）场景中，海量传感器数据持续产生，传统关系型数据库或通用 NoSQL 往往难以应对高并发写入、海量存储及复杂查询的需求。时序数据库专为时间序列数据设计，通过特定的存储结构和索引机制，显著提升了处理效率。
（一）IoTDB 是什么
Apache IoTDB 是一个开源的物联网原生分布式时序数据库。它由清华大学研发，2020 年晋升为 Apache 顶级项目。IoTDB 将'设备 - 测点 - 时间'抽象为树形路径（如 root.factory.line1.sensor1.temperature），底层采用 TsFile 列式存储格式，支持 SQL 查询、流计算及 AI 推理节点。无论是树莓派等边缘设备还是千节点集群，都能灵活部署。
（二）为什么使用 IoTDB
IoT 场景的典型痛点包括：
- 写入压力：百万级设备、kHz 采样率，峰值每秒数十亿数据点。
- 存储成本：原始数据 PB 级增长，长期存储需求大。
- 查询延迟：既要秒级获取最新值，又要分析历史趋势。
传统数据库容易写爆、查慢且成本高。IoTDB 通过'时间分区 + 列式编码 + 双层索引'节省 90% 磁盘空间；利用'乱序数据合并 + 内存表 + 异步刷盘'支撑千万点/秒写入；借助'时间索引 + 布隆过滤器'将点查降至毫秒级。
2. 选型前的自我审视：明确你的需求
不同的业务场景对时序数据库的要求差异巨大，选型前需厘清以下关键指标。
（一）业务场景剖析
- 物联网监控：智能工厂的设备状态监测、智能家居环境参数采集。重点在于高并发写入和设备管理。
- 金融交易：股票价格、汇率数据。重点在于实时性、准确性及复杂指标计算。
- 系统运维：服务器 CPU、内存、网络流量监控。重点在于长期存储和历史数据分析能力。
（二）关键指标考量
- 数据写入频率：高频场景（如传感器）要求数据库具备批量写入、异步处理机制，避免数据丢失或积压。
- 存储规模：需支持水平扩展架构，配合高效压缩算法应对 TB 至 PB 级数据增长。
- 查询复杂度：评估是否支持多序列关联分析、聚合计算及降采样操作。
- 实时性要求：实时监控类应用需低延迟查询和即时数据处理能力。
3. 核心功能大揭秘：衡量数据库的硬实力
（一）写入性能
高吞吐量是时序数据库的基石。IoTDB 针对时序数据特点优化了写入路径，支持批量插入和异步落盘。例如，在电力监控场景中，可通过以下 SQL 语句快速写入电压电流数据：
CREATE DATABASE power;
INSERT INTO root.power.Station001.Battery01(timestamp, voltage, current) VALUES(now(), 3.67, 120.5);
相比 InfluxDB 的时间序列索引分组，IoTDB 的 TsFile 格式进一步减少了磁盘 I/O 次数，适合大规模监控场景。
（二）数据压缩
时序数据具有高度冗余性，压缩算法直接决定存储成本。常见算法包括差分编码、霍夫曼编码和游程编码。IoTDB 内置多种压缩策略，可根据数据类型自动选择，在保证读取速度的同时最大化压缩比。
Python 客户端插入示例如下：
from iotdb.Session Session
iotdb.utils.IoTDBConstants TSDataType
iotdb.utils.Tablet Tablet
ip =
port =
username =
password =
session = Session(ip, port, username, password)
session.()
measurements = [, , ]
data_types = [
TSDataType.BOOLEAN,
TSDataType.INT32,
TSDataType.FLOAT
]
values = [
[, , ],
[, , ]
]
timestamps = [, ]
tablet = Tablet(, measurements, data_types, values, timestamps)
session.insert_tablet(tablet)
session.execute_statement() session_data_set:
session_data_set.has_next():
(session_data_set.())
session.close()
