登录社区云，与社区用户共同成长
邀请您加入社区
Tag（标签）是 TDengine 数据模型中区别于传统数据库的核心创新之一。Tag 将设备的静态属性（如位置、型号、楼层）从时序数据中分离出来，既避免了大量重复存储，又提供了高效的多维度过滤和分组能力。Schema 变更（ALTER TABLE/STABLE）则解决了生产环境中不可避免的"表结构演进"需求——添加新指标列、增删 Tag、修改列宽——且在线执行，不阻塞读写。Tag 的设计哲学与最佳
摘要：TDengine作为专为物联网设计的时序数据库，通过"一个设备一张表"的创新数据模型和云原生架构，有效解决了工业物联网中海量设备接入、实时性要求和存储成本等核心挑战。其写入性能可达百万点/秒，压缩比达1:10，查询延迟低于1秒，在北京发那科等案例中实现了60%的成本降低和毫秒级告警响应。TDengine还提供IDMP平台和AI智能体，支持流式计算、数据订阅和智能分析，并与
TDengine 的数据模型围绕一个核心设计理念——一个数据采集点一张表这与传统关系型数据库"所有设备共享一张宽表"的思路截然不同。为了在"一设备一表"的基础上实现高效的聚合查询和统一管理，TDengine 创造了**超级表（STable）**机制——同类设备共享 Schema，通过 Tag 区分个体。本文深入解析三种表类型的设计理念、内部存储结构和适用场景。超级表是同类数据采集点的模板-- 列（
TDengine TSDB 3.4.0 时序数据库入门实战（安装部署 + 数据模型 + SQL 实操 + 项目连接）
TDengine 作为一款专为时序数据设计的 database，通过其高性能的查询引擎、丰富的数据访问接口和原生的数据处理能力，为 AI 模型训练提供了一站式的数据管道解决方案。TDengine 作为一款高性能的时序 database，不仅提供了卓越的数据存储和查询能力，更通过其丰富的数据访问接口和生态集成能力，为 AI 模型训练提供了一站式的数据管道解决方案。在时序数据的模型训练中，数据的分割策
随着国产化替代和数字化转型的推进，越来越多的工业企业考虑将历史数据从 OSIsoft PI 迁移到 TDengine IDMP。本文提供从数据模型映射、历史数据迁移到应用层适配的完整实践指南，帮助企业平稳完成 historian 平台的升级。通过合理的迁移规划和充分的测试验证，企业可以平稳完成 historian 平台的升级。assert abs(pi_val.value - td_val[1])
国产时序数据库TDengine通过开源战略构建信创生态体系，采用AGPL协议实现技术普惠，已形成活跃开发者社区。产品深度适配国产芯片、操作系统和云平台，与华为云等主流厂商建立联合方案。在工业领域，TDengine与MES、SCADA等工业软件完成集成，提供智能制造、新能源等行业解决方案。通过多语言SDK和技术认证体系赋能开发者，降低企业数字化门槛。未来将扩展全球社区、深化AI集成，推动行业标准制定
摘要：在信创战略推动下，国产时序数据库TDengine凭借完全自主知识产权、卓越性能和广泛适配能力，成为工业领域替代国外产品的优选方案。TDengine采用开源策略，深度适配国产芯片和操作系统，在写入性能、查询效率和存储压缩比等方面显著优于国外产品。通过渐进式迁移策略和双轨并行方案，企业可安全实现数据库国产化替代。典型案例显示，TDengine在电力、轨道交通等行业应用中性能提升显著，同时大幅降低
从数据存储到智能分析，从边缘到云端，从特征工程到模型推理，TDengine 正在构建一个完整的 AI 数据基础设施生态。随着技术的不断演进和生态的持续完善，TDengine 有望在 AI 时代发挥更大的价值，为中国乃至全球的 AI 产业发展贡献更大的力量。本文将展望 TDengine 与 AI 融合的未来发展方向，探讨时序数据库如何从一个被动的数据存储工具，进化为一个主动的智能数据平台。同时，TD
作为国产开源时序数据库的标杆，TDengine 在国产化替代背景下，不仅提供了卓越的性能表现，更构建了完善的安全体系，满足等保 2.0、数据安全法等合规要求。对于承载关键生产数据的工业系统而言，选择 TDengine 这样具备完善安全体系的国产时序数据库，是保障数据安全、满足合规要求、实现自主可控的明智之选。TDengine 在国产化替代背景下，通过完善的认证授权、数据加密、审计追踪和网络安全机制
从高效的数据存储到实时的特征工程，从与 Python 生态的无缝对接到与 MLOps 平台的深度协同，TDengine 为 AI 应用的全生命周期提供了坚实的数据基座。工业设备的传感器读数、金融市场的交易记录、物联网终端的状态上报，这些源源不断产生的时序数据，构成了 AI 模型理解和预测物理世界的基础。TDengine，这款由涛思数据自主研发的国产时序 database，凭借其创新的超级表模型、卓
TDengine 通过内置的流计算引擎、UDF 扩展能力和高效的数据存储，为时序特征工程提供了一种全新的"就地计算"范式。TDengine 的状态窗口（STATE_WINDOW）可以根据数据状态的变化自动划分窗口，非常适合提取状态相关的特征。例如，在设备监控场景中，温度的均值反映了设备的平均热负荷，方差反映了温度波动的剧烈程度，而最大值则可能预示着散热系统的问题。对于频繁使用的特征，可以通过 TD
作为国产开源时序数据库的标杆，TDengine 在其 IDMP（Industrial Data Management Platform）工业数据管理平台中内置了强大的流计算引擎，实现了"存储即计算"的实时数据处理新范式。传统的"采集→传输→入库→查询→分析"链路，端到端延迟通常在秒级甚至分钟级，无法满足上述需求。││ 内存表││ 数据文件 ││ 索引││。││ 解析器│→│ 执行计划 │→│ 状态
近日，3.3.6.0 版本正式发布。除了此前已亮相的时序数据分析 AI 智能体 TDgpt，本次更新还带来了多个针对性能与易用性的重要增强：虚拟表全面上线，支持更灵活的一设备一表建模；JDBC 写入机制全新升级，单线程性能最高提升 60 倍；流计算支持 CONTINUOUS_WINDOW_CLOSE 模式、事件通知机制等关键能力，为实时处理打下更稳固的基础。本文为你整理了该版本的八大核心更新亮点，
作者：尹飞小T导读：顺丰科技大数据集群每天需要采集海量监控数据，以确保集群稳定运行。之前虽然采用了OpenTSDB+HBase作为大数据监控平台全量监控数据的存储方案，但有不少痛点，必须对全量监控数据存储方案进行改造。通过对IoTDB、Druid、ClickHouse、TDengine等时序数据存储方案的调研，最终我们选择了TDengine。大数据监控平台采用TDengine后，在稳定性、写入性能
工业软件正在经历前所未有的变化。AI 不只是增加了一些新功能，而是在重新定义系统的构建方式、交互方式以及价值的来源。应用会不断变化，界面会不断重建，但这些都只是表层。真正决定未来能力的，是你今天构建的数据底座。问题不再是这场转变是否会发生，而是你是否已经开始为它做准备。关于 TDengineTDengine 专为物联网IoT平台、工业大数据平台设计。
应用会变化，界面会变化，人与系统的交互方式也会不断变化。这些变化是技术发展的必然结果，也是系统不断进化的表现。真正不会改变的，是数据底座的重要性。它是唯一持续存在、不断积累价值，并支撑所有上层能力的核心资产。在 AI 时代，仅仅拥有数据底座是不够的。它必须从一开始就为 AI Agent 设计，才能支撑今天的应用，以及未来不断出现的各种新能力。关于 TDengineTDengine 专为物联网IoT
f"**严重级别**：{'��' * message['severity']}\n\n"f"**告警类型**：{message['alert_type']}\n\n"││规则引擎││告警聚合││通知分发││。││(阈值/异常)││(去重/抑制)││ (短信/邮件等) ││。││ 服务器监控 ││ 应用监控││ 网络监控││ 日志采集││。
工业数据必须开放，但仅有开放是不够的。如果数据在开放的过程中失去了上下文，那么它也失去了价值。下一代工业数据系统，必须在保证数据自由流动的同时，保留并增强其上下文信息。只有这样，工业数据才能真正支撑现代分析、AI 系统以及智能化运营。关于 TDengineTDengine 专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Ser
通过合理的数据建模、存储优化和应用开发，可以帮助石化企业构建面向未来的智能化数据平台。随着AI技术的不断发展，TDengine也在持续演进，未来将在时序大模型、向量检索、边缘智能等方向为石化行业提供更多创新功能，助力企业实现数字化转型和智能化升级。一个大型炼化企业可能拥有数万个传感器测点，涵盖温度、压力、流量、液位、成分分析等多种参数，数据产生频率从秒级到毫秒级不等，每天产生的数据量可达TB级别。
标签与度量分离：将MySQL表中的静态属性（如订单所属的userid、regioncode）映射为TDengine超级表中的标签（Tag），而将动态变化的数值（如orderamount、status）映射为普通的数据列。CDC的核心原理是“旁路监听”。实践中，Flink提供了丰富的CDC连接器，如flink-connector-mysql-cdc，它可以直接将MySQL的binlog作为无界的流式
基于YOLOv8的水稻虫害识别系统，加入BiLevelRoutingAttention注意力进行创新优化本文摘要：基于YOLOv8的水稻虫害识别，阐述了整个数据制作和训练可视化过程，并加入BiLevelRoutingAttention注意力进行优化，最终mAP从原始的0.697提升至0.732含稻秆蝇、二化螟、褐飞虱、蓟马、蛴螬、蝼蛄等常见害虫，共14个水稻害虫类别，1200多张图像，yolo标注
在资源极其受限的边缘侧，TDengine 依然能够提供惊人的数万点/秒的写入吞吐，并在本地高效地构建“一设备一表”模型，将边缘侧的原始传感器脉冲稳稳接住。随着 5G 的普及和工业智能化的深入，如果将全国各地百万台设备产生的所有原始微秒级数据全部通过广域网推送到中心云，不仅网络带宽成本会成为天文数字，而且一旦遭遇网络盲区，现场的自动化控制将直接陷入瘫痪。在这一前沿架构中，将 TDengine 等高性
本文深入解析时序数据库TDengine在高速公路智慧交通系统中的应用实践。针对行业面临的写入性能瓶颈、存储成本高昂和查询效率低下等痛点，TDengine通过分布式架构、超级表设计和高效压缩技术，实现毫秒级数据采集（峰值120万条/秒）、11:1压缩率和秒级查询响应。典型应用场景包括实时车流量监控、异常事件告警和边缘计算数据同步。实际案例显示，系统写入性能提升16倍，存储成本降低91%，告警延迟从分
对于工业企业而言，技术选型的核心在于平衡 “短期切换成本” 与 “长期数字化收益”—— 实践证明，选择深度适配工业场景的国产时序数据库，是推动企业数字化转型的关键战略决策。某省级电力公司实践显示，采用国产化时序数据库后，数据主权可控性评分从 62 分提升至 91 分（满分 100）。某能源集团实测显示，存储 1 亿条光伏逆变器数据时，TDengine 平均查询响应时间（230ms）较 Influx
中原油田作为中国石化的重要油气生产基地，其生产过程控制系统（PCS）是保障油田安全生产、优化运行的核心枢纽。为解决高并发写入性能瓶颈、高昂的存储成本、复杂的实时分析需求以及多业务数据孤岛等问题，项目组于 2023 年正式引入 TDengine作为新一代数据底座。在本案例中，TDengine TSDB 作为 PCS 核心业务模块的，并通过 taosX 工具，实现了从分公司到总部的数据实时同步。
InfluxDB：生态丰富，上手简单TDengine：超高性能，高压缩比超级表设计：便于管理和聚合连续查询：预聚合提升查询性能根据数据量选择合适的数据库合理设计表结构使用连续查询预聚合做好数据生命周期管理个人观点，仅供参考。
双击 桌面 Taos Shell 图标方可启动，如窗口被关闭TDengine TSDB 服务也会关闭。视图工具 TDengine-server-3.0.7.1-Windows-x64.exe。时序数据库 dbeaver-ce-26.0.0-windows-x86_64.exe。进入 C:\TDengine\cfg 修改taos.cfg。进入C:\TDengine 双击 taos.exe。编辑修改t
摘要：TDengine 3.4.0.0 Docker社区版提供免费永久使用，推荐采用官方规范的tdengine/tsdb镜像名称。安装时建议创建数据、日志和配置目录进行持久化存储，通过docker-compose.yml文件管理容器，包含6030、6041、6060等核心端口映射。部署后可通过taosExplorer（6060端口）或REST API验证，默认账号root/taosdata，支持通
通过新增动画帧，逐帧自定义动画。
仪表板用来综合展示多个图表和数据，帮助用户快速了解整体情况。
面板数据解读功能，利用 AI 对当前面板的所有数据进行分析，自动生成结构化、易于理解且具有业务洞察力的专属分析报告，帮助用户快速抓住数据核心价值，降低数据解读门槛。
TDengine 通过原生时序优化、分布式架构设计、轻量化运维理念，精准命中了 IOT 场景的核心诉求：高并发写入满足海量设备数据采集需求，高效压缩降低长期存储成本，低延迟查询支撑实时监控与分析，灵活扩展适配业务增长。此外，TDengine 支持 “超级表 + 子表” 的数据模型，超级表定义设备通用结构（如指标名称、数据类型），子表对应单个设备，既保证了数据模型的统一性，又实现了设备数据的隔离存储
Linux之Docker安装时序数据库Tdengine:2.6.0.34
在2025年的时序数据库市场中，TDengine凭借“性能、成本、易用性”的三重优势，成为大多数场景的首选。无论是物联网的海量设备数据、IT运维的实时监控指标，还是金融行业的高频交易记录，TDengine都能以更低的成本、更高的效率完成数据管理。如果你的业务核心是“时序数据的高效存储与快速查询”，无需复杂关系运算，那么TDengine将是你最值得信赖的选择。在物联网、IT运维、金融交易等场景中，时
本文介绍开源时序数据库TDengine的Docker容器化部署方案。TDengine专为物联网场景优化，具备高性能、简化架构、云原生等优势。文章详细讲解从环境准备、镜像拉取到容器部署的全流程，包括端口映射、数据持久化等关键配置，并提供功能测试方法。针对生产环境，给出资源限制、网络配置、监控集成等建议，以及常见故障排查方法。通过容器化部署可快速搭建TDengine服务，提高部署效率和可移植性，为时序
关系与非关系型数据库的开发思维转变
通过引入 TDengine TSDB，我们成功解决了智慧消防业务中的海量时序数据处理挑战，实现了从传统消防工程向智能化、数据驱动型服务的转型升级。TDengine TSDB 的高性能时序数据处理能力为公司的消防预警、设备管理和数据分析提供了坚实的技术支撑。未来，辰安科技计划与 TDengine TSDB 进一步深化合作，在消防预测性维护、人工智能火灾识别、数字孪生等前沿领域开展探索，持续推动消防安
本文介绍了在ARM架构银河麒麟V10操作系统上部署TDengine时序数据库及配套应用程序的Kubernetes方案。针对TDengine 3.3.6.0版本，作者编写了自定义YAML配置，重点解决了taosadapter配置解析panic问题，通过初始化容器预先修复配置文件，并设置了核心端口映射、持久化存储和资源限制。同时提供了应用程序部署配置，采用宿主机网络模式确保DDS通信功能。该方案实现了
以 MySQL 和 PostgreSQL 为例，在存储设备时序数据时，由于缺乏原生的时间分区支持，当单表数据量超过千万级后，查询性能会出现断崖式下降，需人工分表分库，运维复杂度激增。同时，未压缩的原始数据占用空间庞大，存储成本高昂。在这一过程中，他们对智能化办公、物联网和数字化管理有较高的认知与明确的建设需求，期望通过新一代技术手段实现办公环境的智能协同与运营效率的全面提升。在某大厦智能化项目中，
与许多“从国外开源改造”的国产数据库不同，TDengine 时序数据库 从一开始就走了一条完全自主研发的道路。换句话说，TDengine 时序数据库 已经从“一个数据库”进化为“一个生态支撑点”。很多国产数据库在信创改造中实现了“可替代”，但仍然存在性能差距或生态割裂的问题。换句话说，TDengine 时序数据库 并不是“国产替代”，而是“国产原创”。从性能到安全，从算法到生态，TDengine
tdengine
——tdengine
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
2048 AI社区
openEuler 社区
脑启社区
快递鸟社区
腾讯云开发者社区
