登录社区云，与社区用户共同成长
邀请您加入社区
更可怕的是，在电商平台上，售价仅几块钱的“遮光贴”可直接遮蔽指示灯，提示音仅使用者本人能听见，拍摄过程完全“隐身”。当技术的快跑甩开了规则的约束，当资本的急切压倒了产品的审慎，Rokid这一次的“翻车”，绝非一企之过，而是撕开了行业长期被“科技赋能”光环掩盖的隐私漏洞、治理缺失与发展焦虑。智能眼镜发展了这么多年，从谷歌Glass的昙花一现，到现在“百镜大战”的如火如荼、资本高涨，但智能眼镜始终陷入
12.运维 |：01 部署指南TDengine 支持单机、多节点集群、Docker、Kubernetes 多种部署方式。本文按场景给出完整步骤、网络规划、资源建议、生产 Checklist。
搜索网址...
近日，中国信息通信研究院（简称”中国信通院”）2026 上半年评估测试结果正式揭晓。经来自联通软研院、陕西移动、瑞众人寿、上海国际汽车城、中国航信、邮储银行等单位的行业专家评审，，成为本批次中同时斩获 AI 大模型时序数据管理平台、时序数据库性能、时序数据库稳定性三大领域认可的数据库产品。其中，TDengine是通过基于 AI 大模型的时序数据管理平台全项测评的产品，时序数据库性能与稳定性两项专项
上周五深夜，北京著名的工体酒吧一条街上，一家名叫"迈阿密"的酒吧里，月之暗面的年轻人包下数十张卡座，大屏幕滚动着中英双语标语：“K3扩容升级，K4给我狠狠干到极致，冲上月球。会用AI的人与不会用AI的人，能拿到算力资源的公司与拿不到的公司，掌握数据的大平台与没有数据的普通人——差距不是在缩小，而是在以另一种方式拉大。既拓展了认知的边界，也在悄悄侵蚀独立思考的土壤。看到这条AI圈少见的“娱乐新闻”，
更关键的是，特斯拉开始向第三方企业出售整套超充技术与运营服务，“白牌版”超级充电站，任何企业都可以购买特斯拉超充桩、贴上自己的品牌运营，特斯拉从中获得硬件、软件授权和后续服务三重收入。当一家公司同时控制着地面上的汽车、天上的卫星、工厂里的机器人和驱动这一切的芯片与算力时，它的竞争对手面对的不再是一家“车企”，而是一张无处不在的基础设施网络。现在，特斯拉开始向第三方售卖“白牌版”超充站：设备是你的，
这张超级表将包含 10,000 张子表，表名从 d0 到 d9999，每张表包含 10,000条记录。每张表还带有 location 和 groupId 两个标签，其中，groupId 设置为 1 到 10，而 location 则设置为 California.Campbell、California.Cupertino 等城市信息。taosBenchmark 提供了丰富的选项，允许用户自定义测试参
TDengine与SpringBoot整合实战指南 摘要：本文详细记录了TDengine时序数据库与SpringBoot框架整合过程中遇到的核心问题及解决方案。作者作为IoT开发者，总结了TDengine的三大特性差异（不支持事务、不支持JDBC预编译、需显式指定库名.表名），并针对常见报错如SQLFeatureNotSupportedException和9728错误提供了具体解决方法。文章包含完
本文档面向熟悉 TDengine 的专业开发人员，提供 Java 连接器的进阶使用指南。内容涵盖性能优化、高可用架构、复杂场景处理等高级主题，帮助您充分发挥 TDengine 的性能潜力。阅读本文档前，请确保您已熟悉中的基本概念和 API 使用方法。
TDengine 提供符合 RESTful 设计标准的 HTTP API，通过简单的 HTTP 请求即可操作数据库。直接在 HTTP POST 请求体中包含 SQL 语句来操作数据库，仅需一个 URL 即可完成所有操作。"code": 0,TDengine REST API 为开发者提供了一种简单、灵活、跨平台的数据库访问方式。通过本手册，你应该已经掌握：✅ REST API 的适用场景和优势✅
对于正在进行时序数据库选型的企业，我们的建议是：不要被 InfluxDB 的名气所迷惑，而是要根据实际的应用场景和性能需求进行选择。而对于已经在使用 InfluxDB 的企业，如果您正在面临性能和成本的问题，迁移到 TDengine 可能是一个值得考虑的选项。同时，系统还支持数据的重复检测和去重，确保数据的准确性。InfluxDB 采用的是"多设备一张表"的数据模型，所有设备的数据都存储在同一张表
《国产时序数据库替换实践：从InfluxDB到电科金仓的转型之路》 本文分享了企业因信创要求将InfluxDB替换为电科金仓的完整历程。面对国外数据库的授权费高、技术支持滞后、性能瓶颈等问题，团队经过半年选型测试，最终选定兼容性好、多模融合能力强的电科金仓。迁移过程采用三阶段灰度策略：先历史数据、再非核心业务、最后核心业务，期间通过双写机制确保平稳过渡。实践表明，金仓在查询性能、运维成本等方面表现
摘要：本文针对InfluxDB CPU和内存占用过高问题提供诊断方案。通过top命令查看CPU核心使用情况，若仅2个核心满载，表明IO线程不足导致写入瓶颈，建议增加IO线程数配置。若存在高序列基数问题（SHOW SERIES CARDINALITY数值过高），需优化数据结构：将高基数标签改为字段、合并标签或清理旧数据。其他可能原因包括废弃采集服务意外重启导致数据量激增。文章提供了从现象到解决方案的
本文介绍了使用Docker部署EMQX、TDengine和Grafana的完整流程。主要内容包括：1）安装Docker并配置镜像加速；2）拉取并运行EMQX消息中间件，配置MQTT服务和Web管理界面；3）部署TDengine时序数据库，创建数据库和表结构；4）安装Grafana并配置TDengine数据源插件，实现数据可视化；5）详细说明各组件间的连接配置方法，包括EMQX规则引擎与TDengi
管理节点（MNode）：负责集群元数据管理和负载均衡数据节点（DNode）：负责数据存储和查询执行虚拟节点（VNode）：数据分片单位，自动实现数据冗余和故障转移-- TDengine 集群扩展：添加数据节点CREATE DNODE "192.168.1.101:6030";2.1 InfluxDB 的 TSM 引擎InfluxDB 使用 LSM-Tree 变种架构，数据先写入 WAL（Write
TDengine 以"一个设备一张表"的列式存储实现毫秒级写入与点查，适合物联网实时监控与告警。本文对比 TDengine 与 Druid 在时序数据场景下的存储架构、摄入延迟与查询效率，厘清两者的最佳适用边界。对于同时需要实时告警和离线分析的企业，采用 TDengine + Druid 的分层架构，既能满足毫秒级响应需求，又能支撑大规模 OLAP 分析，是兼顾性能与成本的最优解。TDengine
RPC（Remote Procedure Call）通信层是 TDengine 分布式系统的网络基础设施。集群中所有节点间的通信——客户端到 taosd、dnode 到 mnode 的心跳、Raft 日志复制、查询分发——都通过 RPC 层完成。协议格式：消息头结构、魔数校验、序列号追踪连接管理：基于 libuv 的 TCP 连接池、空闲回收、多路复用重试机制：指数退避、EP 轮转、快速失败通道隔
本文评测三款主流时序数据库：TDengine性能强、适配工业及国产化场景；TimescaleDB依托PG生态，兼容好；InfluxDB生态完善，适合海外监控场景，并给出对应选型建议。
本文通过真实测试数据，从写入性能、查询延迟、存储效率、集群能力四个维度，深度对比 TDengine 和 InfluxDB，揭示国产时序数据库的技术实力。在工业级场景下，TDengine 在性能、成本、开源可控性方面均优于 InfluxDB，是更具性价比的选择。：时序数据库、TDengine、InfluxDB、性能测试、技术对比。：1000 设备 × 10 指标 × 24 小时。-- 耗时：200m
本文记录了使用TDengine Kafka Connect插件将Kafka数据实时写入TDengine过程中遇到的三个主要问题及解决方案： 插件获取问题：可直接从GitHub Releases下载编译好的插件包，无需从源码构建 依赖缺失问题：必须在Kafka Connect容器中安装TDengine Client及其.so文件 镜像选择问题：必须使用confluentinc/cp-kafka-co
5.写入路径 |：02 Schemaless 写入：TDengine v3.x（v3.3.x / v3.4.x）|最后更新：2026-06-23Schemaless 写入让设备无需预先建表即可直接上报数据，TDengine 根据数据自动推断超级表 Schema、创建子表。它原生兼容 InfluxDB Line Protocol、OpenTSDB Telnet/JSON 三种协议，是 IoT 数据快
在工业级场景下，TDengine 在性能、成本、开源可控性方面均优于 InfluxDB，是更具性价比的选择。：时序数据库、TDengine、InfluxDB、性能测试、技术对比。：1000 设备 × 10 指标 × 24 小时。-- 耗时：200ms。-- 耗时：50ms。
阶段 1：双写期（2 周）应用 → InfluxDB（主）→ TDengine（备）阶段 2：验证期（1 周）对比两个系统的数据一致性 验证 TDengine 的查询结果阶段 3：切换期（1 天）应用 → TDengine（主）→ InfluxDB（备，短期保留）阶段 4：下线期（1 月后）下线 InfluxDB。：时序数据库、TDengine、InfluxDB、数据迁移、性能对比、国产替代。：查
上一篇用 MQTTX 手动发了第一条消息，跑通了「设备→EMQX→Dashboard」这条链路。这次用 Java 代码把 MQTTX 替换掉，收到的消息直接写进 TDengine。
本文针对支付风控、对账等强时序业务场景，对比分析了时序数据库TDengine和OLAP引擎ClickHouse的选型方案。通过支付流水业务实例，详细展示了两者在表结构设计、数据写入、查询优化等方面的实现差异：TDengine采用超级表模型，天然支持多租户隔离和时序快照追加，适合高并发写入和实时监控；ClickHouse凭借MergeTree引擎和强大分析能力，更擅长复杂宽表分析和历史数据回溯。文章
从令人头痛的回调地狱，到如今基于协程的同步式异步写法，C++为开发者提供了一条愈发优雅的并发编程路径。传统的异步编程高度依赖回调函数。这种模式在简单场景下尚可接受，但一旦涉及多个嵌套的异步操作，代码会迅速演变为所谓的“回调地狱”。更重要的是，多个异步操作的顺序执行仍然需要手工编排，无法真正实现同步写法的简洁性。从回调到协程，C++异步编程的革新之路反映了语言设计哲学的演变：从提供基础工具到关注开发
1.优先选择智能指针而非原始指针：对于动态分配的资源，默认使用智能指针来管理生命周期。2.优先使用`std::make_unique`和`std::make_shared`：它们是创建智能指针的首选方式，提供了更强的异常安全性。3.正确选择智能指针类型：- 明确独占所有权时，使用`std::unique_ptr`。- 需要共享所有权时，使用`std::shared_ptr`。- 需要观测`shar
Python编程从入门到实践的全方位指南》旨在为读者铺就一条清晰的学习路径。从最基础的语法知识到复杂的项目实战，每一步都需要耐心和练习。编程的本质是解决问题，而Python则为你提供了一套强大且优雅的工具。只要保持好奇心和毅力，任何人都能掌握这门语言，并利用它创造出有价值的作品。
Cargo 是 Rust 的官方构建系统和包管理器。它负责下载项目依赖、编译代码、运行测试、生成文档等多项任务。从你创建新项目到最终发布，Cargo 始终陪伴左右。
deepseek 搭建 IDMP 需要的元素
本文介绍了工控系统中时序数据存储的完整解决方案。针对MySQL存储工控时序数据的四大痛点（写入拥堵、查询超时、索引失效、磁盘占用高），提出采用TDengine作为专业时序数据库。文章详细讲解了SpringBoot集成TDengine的关键技术点，包括工业级配置、超级表设计规范、通用入库工具类实现、批量写入优化策略等，并给出了历史数据查询示例。通过结合前三篇的采集协议（Modbus/OPC-UA/M
近日，中国信息通信研究院（简称"中国信通院"）2026 上半年"可信数据库"评估测试结果正式揭晓。经来自联通软研院、陕西移动、瑞众人寿、上海国际汽车城、中国航信、邮储银行等单位的行业专家评审，涛思数据 TDengine 系列产品一举通过三项专项测评，成为本批次中同时斩获 AI 大模型时序数据管理平台、时序数据库性能、时序数据库稳定性三大领域认可的数据库产品。
云鼎科技采用TDengine TSDB和TDgpt优化煤矿与风电数据管理 云鼎科技在煤矿安全生产管控平台中选用TDengine TSDB，实现对75对矿井、1100余个系统的工业数据采集与分析，构建了云端协同的时序数据体系。
摘要：地铁ISCS综合监控系统面临海量工控测点存储挑战，传统MySQL方案存在写入瓶颈、查询超时等问题。本文基于国产TDengine时序数据库，设计了一套完整的时序数据归档方案：通过独立Kafka消费组获取实时测点数据，自动按线路/车站建立时序表结构，实现毫秒级批量入库与冷热数据分层。方案提供历史查询、极值统计等标准化接口，无缝对接数字孪生大屏和故障追溯功能，满足地铁运维的7天原始数据保留和90天
TDengine 的设计是基于单个硬件、软件系统不可靠，基于任何单台计算机都无法提供足够计算能力和存储能力处理海量数据的假设进行设计的。因此 TDengine 从研发的第一天起，就按照分布式高可靠架构进行设计，是支持水平扩展的，这样任何单台或多台服务器发生硬件故障或软件错误都不影响系统的可用性和可靠性。同时，通过节点虚拟化并辅以自动化负载均衡技术，TDengine 能最高效率地利用异构集群中的计算
tdengine
——tdengine
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
乐奇 Rokid 开放社区
亚马逊云科技技术品牌专区
AI编程社区
DAMO开发者矩阵
AMD开发者中国社区
AI Agent技术社区
