高性能時(shí)序數(shù)據(jù)庫解決方案推薦「多圖」

BlueSky高性能時(shí)序數(shù)據(jù)庫分片方法：

哈希分片： 均衡性較好，但集群不易擴(kuò)展執(zhí)行哈希：均衡性好，集群擴(kuò)展易，但實(shí)現(xiàn)復(fù)雜范圍劃分：復(fù)雜度在于合并和分裂，全局有序分片設(shè)計(jì)

分片的會(huì)直接影響到寫入的性能，結(jié)合時(shí)序數(shù)據(jù)庫的特點(diǎn)，根據(jù) metric tags 分片是比較好的方式，查詢大都是按照一個(gè)時(shí)間范圍進(jìn)行的，這樣形同的 metric tags 數(shù)據(jù)會(huì)被分配到一臺(tái)機(jī)器上連續(xù)存放，順序的磁盤讀取是很快的。

在時(shí)間范圍很長(zhǎng)的情況下，可以根據(jù)時(shí)間訪問再進(jìn)行分段，分別存儲(chǔ)到不同的機(jī)器上，這樣大范圍的數(shù)據(jù)就可以支持并發(fā)查詢，優(yōu)化查詢速度。

如下圖，行和第三行都是同樣的tag（sensor=95D8-7913;city=上海），所以分配到同樣的分片，而第五行雖然也是同樣的tag，但是根據(jù)時(shí)間范圍再分段，被分到了不同的分片。第二、四、六行屬于同樣的tag（sensor=F3CC-20F3;city=北京）也是一樣的道理。

BlueSky高性能時(shí)序數(shù)據(jù)庫誤區(qū)

時(shí)序數(shù)據(jù)庫不需要分析能力主流時(shí)序數(shù)據(jù)庫如InfluxDB、OpenTSDB，以及一些新時(shí)序數(shù)據(jù)庫例如，都只支持簡(jiǎn)單的查詢，支撐簡(jiǎn)單的場(chǎng)景，譬如單數(shù)據(jù)源單/多指標(biāo)過濾查詢、單數(shù)據(jù)源單/多指標(biāo)過濾聚集，多數(shù)據(jù)源過濾聚集等。是點(diǎn)查和聚集查詢。

然而隨著大數(shù)據(jù)分析、IoT、IIoT等快速發(fā)展，越來越多的應(yīng)用需要更強(qiáng)大的分析能力，以實(shí)現(xiàn)模式識(shí)別、趨勢(shì)預(yù)測(cè)等功能。因而時(shí)序數(shù)據(jù)需要強(qiáng)大的分析能力，包括和關(guān)系數(shù)據(jù)的關(guān)聯(lián)聚集分析和分析（如ARIMA、趨勢(shì)預(yù)測(cè)、特定模式識(shí)別、根因分析、閾值修正）等。

此外用戶希望能用自己熟悉的語言譬如Python、R等對(duì)時(shí)序數(shù)據(jù)進(jìn)行更復(fù)雜的處理，并充分發(fā)揮Python、R在數(shù)據(jù)分析方面的強(qiáng)大生態(tài)。

BlueSky時(shí)序數(shù)據(jù)庫怎么分

關(guān)系型數(shù)據(jù)庫本身比較容易成為系統(tǒng)瓶頸，單機(jī)存儲(chǔ)容量、連接數(shù)、處理能力都有限。當(dāng)單表的數(shù)據(jù)量達(dá)到1000W或100G以后，由于查詢維度較多，即使添加從庫、優(yōu)化索引，做很多操作時(shí)性能仍下降嚴(yán)重。此時(shí)就要考慮對(duì)其進(jìn)行切分了，切分的目的就在于減少數(shù)據(jù)庫的負(fù)擔(dān)，縮短查詢時(shí)間。

數(shù)據(jù)庫分布式內(nèi)容無非就是數(shù)據(jù)切分（Sharding），以及切分后對(duì)數(shù)據(jù)的定位、整合。數(shù)據(jù)切分就是將數(shù)據(jù)分散存儲(chǔ)到多個(gè)數(shù)據(jù)庫中，使得單一數(shù)據(jù)庫中的數(shù)據(jù)量變小，通過擴(kuò)充主機(jī)的數(shù)量緩解單一數(shù)據(jù)庫的性能問題，從而達(dá)到提升數(shù)據(jù)庫操作性能的目的。

數(shù)據(jù)切分根據(jù)其切分類型，可以分為兩種方式：垂直（縱向）切分和水平（橫向）切分