面向工业物联网时代，以 IoTDB 为代表的数据库>时序数据库加速发展。
时序数据的主要产生来源之一是设备与传感器，具有监测点多、采样频率高、存储数据量大等多类不同于其他数据类型的特性，从而导致数据库在实现高通量写入、存储成本、实时查询等多个维度存在管理难点。针对这些特性与难点，专门针对时序数据管理构建的数据库>时序数据库也在逐步成熟。
以 IoTDB 为代表的国产数据库>时序数据库面向工业物联网时代，时序数据的主要应用场景与痛点，正在逐步建立稳定、高效、协同、完善的时序数据管理解决方案，希望打破技术垄断，解决基础软件“卡脖子”难题。
01
时序数据管理的早期方案
数据库>时序数据库的起源可以追溯到 20 世纪 70 年代，随着工业控制和 SCADA 系统的兴起，大量的时序数据产生，于是需要一套完整的存储与处理方案。而 1999 年出现的 RRDtool（Round Robin Database Tool）最早提出了专门面向时序数据存储、处理的方法。
RRDtool 命名中提到的 Round Robin 其实是一种存储数据的方式，使用固定大小的存储空间，并有一个指针指向数据库中最新数据的位置。如果将这个固定的存储空间想象为一个类似时钟的圆盘，上面有很多代表数据存储位置的刻度，指针就可以看做像时针/分针一样，是一条从圆盘中心指向刻度的直线。
就像时钟可以不停转动一样，RRDtool 中的指针也可以一直移动，在存储空间足够的情况下，不存在无法存储新数据的问题；而因为数据存储空间是固定的，当所有的空间都存满了数据，就会覆盖最老的数据。
（2）RRDtool 的创新与不足
从这样的设计就可以看出，RRDtool 的存储方式具有明确的时间属性，所以它适合存储时序数据，它绘制出的图类型也非常契合时序数据的属性，即以时间为横轴，以数值为纵轴的折线演变，强化了时序数据“以时间为第一概念”的数据特性。
同时，因为 RRDtool 的存储空间大小是已经被定义好的，当空间存储满后，它将从指针的开头开始重新存储，数据集不会增大，所以存储空间大小不需维护。
然而，这类数据库也能够很明显的看到它的问题。首先，因为存储空间的手动设定，RRDtool 的存储能力难以扩展，在数据量逐渐增多的情况下，很难覆盖历史数据，实现时序数据的“应存尽存”。其次，RRDtool 的数据读取功能较弱，缺乏针对时间维度的查询优化，处理的数据模型也较为单一，通常是内嵌在监控系统中。最后，RRDtool 仅支持单机模式，未覆盖分布式管理的需求。
02
针对特征，优化性能
（1）从 OpenTSDB 到 InfluxDB
随着大数据的发展，时序数据爆发式增长，已有方案逐渐不能满足需求，在 2010 年之后，出现了第二类产品，首先是以 OpenTSDB 为代表的基于分布式存储的数据库>时序数据库。
这类数据库>时序数据库在继承通用分布式存储的基础上，扩展了时序数据的语义，并针对时序数据的进行了查询、处理等优化。如 OpenTSDB 底层依赖于 HBase 集群存储，根据时序的特征对数据进行压缩，节省存储空间；对时序数据的常用查询进行封装，提供数据聚合、过滤等操作。
而 OpenTSDB 存在的部署复杂和维护成本高等问题，促进了低成本的垂直型数据库>时序数据库的诞生，也就是以 InfluxDB 为首的数据库>时序数据库。
这类数据库>时序数据库的目标场景是互联网的服务监控、运维等场景，拥有更灵活的数据模型，以标签模型对监控项进行管理。相对于 OpenTSDB 需要配置 Java 环境和 HBase 环境，InfluxDB 没有依赖，大大减少了开发与运维成本，易于部署和维护。
同时，Influxdb 针对时序数据特性进行了存储引擎、查询引擎的重新设计，使得读写性能、易用性相比 OpenTSDB 获得了明显提升，如 InfluxDB 的采用类似 LSM Tree 的 TSM Tree存储结构，引入了 series-key 的概念，根据时间特征对数据实现了很好的分类，减少冗余存储，提高数据压缩率。
上面提到的以 InfluxDB 为代表的数据库>时序数据库产品，在监控场景时序数据的多个管理痛点，如读写性能、存储成本、特性查询、部署运维等多个方向均实现了性能突破，并结合云服务、微服务等其他发展趋势，正在进一步拓宽其集成链路与适用场景。
然而，InfluxDB 主要面向云端服务监控，并且重点面向近期几个月的数据。但在时序数据大规模产生的工业物联网场景中，数据往往需要需要管理数年、甚至数十年之久，且需要分布式部署。Influxdb 目前仅单机版开源，难以管理如此大的数据量，且随着存储时长的增加，查询性能会大幅下降。
在工业场景中，时序数据的管理还具有一些行业特点，数据大多是从端侧设备产生出来的，这些数据首先会服务于工厂的应用管理，所以它们会首先传到工厂内部的边缘网关，再传输到中心侧的数据库去支持监控、告警等服务。边缘侧网络资源、环境配置往往有限，此类数据库>时序数据库产品部署的带宽成本较高，对于数据库多终端之间同步传输的运维压力也较大。
03
实现工业物联网场景的“端-边-云”协同
（1）工业物联网场景的端边云协同解决方案
面向工业物联网时代，国产自研的数据库>时序数据库产品也开始发展、成熟，试图打破垄断。以 IoTDB 为代表的新的国产数据库>时序数据库旨在将 OT 和 IT 结合起来，提供完整的工业物联网时序数据解决方案，实现“端-边-云协同”，即需要数据库>时序数据库在端侧、边侧、云侧等不同资源下都能够适配，并且运行良好，可以进行数据管理和分析，同时在数据流转的过程中支持稳定、高效、低运维成本的数据传输方案。
这一类数据库>时序数据库不但可以实现千万级数据写入、高压缩比数据存储、集群部署高可用等性能，同时通过独特的时序数据存储文件格式，实现了数据一次处理，即可端边云共用的新形态。
以 IoTDB 为例，它在发送端可将数据持久化为文件格式，利用边缘端的计算能力，将数据进行深度编码压缩。当文件在端侧形成时，即可将其直接传输到接收端，而无需将原始数据传输。而在接收端，可将收到的文件直接加载至系统中，无需将数据解码和重新写入。
同时，通过“端-边-云”数据模式的自动识别，IoTDB 实现了低流量数据同步方案。因此可使底层数据文件格式贯穿端侧、边侧、云侧，支持可插拔的文件级同步，充分利用边缘计算能力，缓解云侧计算压力，有效节省网络流量、云端计算资源与运维成本。
随着工业 4.0 和数字化时代的到来，结合国家工业升级转型战略的实施，新一代的数据库>时序数据库产品开始深入的帮助工业企业实现深度数字化转型。
目前，以 IoTDB 为代表的该类数据库>时序数据库广泛应用于能源电力、石油化工、钢铁冶炼、航空航天、轨道交通、智能工厂、车联网等国民经济核心产业，支持千万级设备写入、每日过亿条新增数据、TB 级历史数据存储需求，并实现如电力行业中“电厂侧-省域侧-中心侧”、制造行业中“传感器侧-厂站侧-基地侧-集团侧”的“端-边-云”数据同步，构建单平台全生命周期与跨平台端边云协同的时序数据解决方案。
IoTDB 详细介绍参见：
