登录社区云，与社区用户共同成长
邀请您加入社区
时序数据库选型应聚焦数据链路而非单纯性能。基于工业场景的“端-边-云”架构，Apache IoTDB 凭借树/表双模型、TsFile 存储优化、乱序写入分离、边缘轻量部署（512MB内存）及内置AI推理能力，在高基数、低资源环境下具备显著适用性。其核心优势在于生态集成与真实场景适配，而非跑分。选型关键：先画链路图，再对齐建模、协议、部署与成本约束。
随着互联网技术的飞速发展，实时音视频技术已经成为各类应用不可或缺的一部分。从视频会议到在线教育，再到远程医疗，实时音视频的应用越来越广泛。然而，随着用户数量的增多，网络质量的变化，如何优化实时音视频传输的质量和减少延迟成为了技术开发者面临的巨大挑战。本文将探讨WebRTC技术的信令优化方法及SFU（Selective Forwarding Unit）架构的选型，为开发者提供高效的解决方案，以提高实
天谋科技推出时序大模型云平台TimechoAI，将清华研发的Timer系列模型产品化，实现零代码上传数据、一键完成预测、异常检测与数据填补。平台支持多场景建模，具备自动选型、高精度概率预测与实时预警能力，兼容Web控制台、应用示例及API/SDK集成，结合自研时序数据库TimechoDB，构建“采集—存储—分析”闭环，助力工业、能源、交通等领域高效释放时序数据价值。
The Verge发现，Manus在TikTok、Instagram和YouTube等平台开展付费UGC创作者项目，大量年轻创作者发布高度相似的内容，核心卖点不是Agent技术，而是“赚钱”。一位大模型行业人士也判断，Manus的产品和工程能力不错，但技术概念并不新，类似Auto-GPT的思路两年前就已经出现。2025年3月，Manus发布不到几天，“套壳”的说法也随之出现。知情人士称，公司计划融
工业制造数字化关键在数据选型：面对离散制造、换型频繁导致的OEE难追踪问题，采用高性能时序数据库统一接入CNC、机器人、AGV等设备数据，实现实时监控、预测维护与闭环管理，可提升OEE 8~12%，减少刀具浪费。平台支持无代码分析、对接大模型与工作流，五千测点内全功能免费，真正降低使用门槛，让数据“用起来”而非仅“存起来”。
时序数据库是专为时间序列数据优化的数据库，擅长高效存储和查询带时间戳的数据流（如传感器监测、金融行情）。相比通用数据库，它具有超高速写入（百万条/秒）、极高压缩比（10-100倍）和快速时间范围查询等特性，广泛应用于物联网、IT运维、金融分析等领域，代表产品包括InfluxDB、Prometheus等。
订阅数据变化：客户端发送 JSON 格式的订阅指令，例如 {"action": "subscribe", "resource": "sensors/temperature"}，明确告知 database 其关心的超级表或特定标签集。接着，建立WebSocket连接接收最新的实时价格更新，以绘制跳动的折线图尾端。然而，在工业物联网或金融大屏等需要展现毫秒级动态数据的场景下，传统的 HTTP 轮询暴露
TDengine IDMP是涛思数据2025年推出的AI原生工业数据管理平台，与TDengine时序数据库组成"双引擎"架构。该平台面向工业场景，通过生成式AI实现数据全流程智能化管理，核心功能包括：层次化数据建模、数据标准化、智能可视化、实时流分析、事件管理等。其创新点在于将AI深度融入数据治理，实现"无问智推"的零代码数据消费体验，解决工业数据"
通过合理配置滚动策略，IoTDB可在保障日志完整性的同时，实现存储资源的高效利用。具体参数需根据业务负载和存储条件动态调整。时序数据库的日志管理是保障系统稳定性的关键环节。Apache IoTDB通过**日志切割（Rolling）归档（Archiving）**策略解决日志文件无限增长问题，其实现基于Logback框架的配置优化。后，日志存储成本降低83%，故障排查时日志定位效率提升40%。：某工业
influxdb时序库使用
本文提供了一份详尽的TDengine时序数据库实战指南，涵盖从零安装部署、核心数据模型（如超级表与子表）解析，到与SpringBoot应用深度整合的全过程。文章重点探讨了TDengine的高性能写入、高效压缩及SQL查询优化，并分享了生产环境中的配置技巧与常见问题解决方案，旨在帮助开发者快速掌握这一国产时序数据库的应用实践。
如下图，payload 是 64bit 的 simple8B 数据，使用 AVX512 指令，通过并行同步移位和掩码的方式，一次提取出 8 个有效数据，并装载在 512bit 的寄存器里（32bit x 8），为 ZigZag 算法提供数据输入。特别是针对 Simple8B 和 ZigZag 算法的优化，让时序数据的处理得以实现更高效的并行计算，通过一次性处理多个数据，减少了指令数，显著提升了系统
本文档是 TDengine 的用户手册，主要是介绍 TDengine 的基本概念、安装、使用、功能、开发接口、运营维护、TDengine 内核设计等等，它主要是面向架构师、开发工程师与系统管理员的。一章，该部分对数据库连接、建模、插入数据、查询、流式计算、缓存、数据订阅、用户自定义函数等功能都做了详细介绍，并配有各种编程语言的示例代码。如果你是系统管理员，关心安装、升级、容错灾备、关心数据导入、导
安装TimescaleDB1、制作 timescaledb.repo 文件[root@localhost ~]# vim /etc/yum.repos.d/timescaledb.repo# 方式一[root@localhost ~]# tee /etc/yum.repos.d/timescale_timescaledb.repo...
近年来，物联网、车联网、工业互联网和智慧城市快速发展，促使时序数据库成为数据架构技术栈的标配。据DBEngines数据显示，自2017年以来，每年时序数据库在“过去24个月排名榜”（见图1）上高居榜首，且远高于其他类型的数据库。这一方面说明业界对时序数据库有着迫切需求，另一方面也反映出该需求没有被很好地满足。图1 时序数据库“过去24个月排名榜”那么，这个高居榜首的时序数据库到底是什么？与时序数据
时序数据库和实时数据库到底有啥区别？本期我们就来聊聊时序数据库和传统工业实时数据库的那些事儿。
基于新版本 v1.6.2
基本配置：1.mysql+es+redis存储内容：（1）关系数据库存储平台的信息。例如用户，菜单，协议这些平台界面操作相关的信息。就类似我们平时开发的系统一样。（2） 时序库：存储接收的数据，接收你通过接口存储的接收到的数据。设备的元数据。（3）redis主要是缓存，token，用户登录状态。总的来说，除了时序数据，其他和我们开发的软件没有什么差别。
TDengine作为领先的物联网专用时序数据库，以其“一设备一表”的数据架构、超级表模型、高压缩比与超高读写性能、标准SQL支持以及分布式云原生能力，为智慧消防系统提供了强大且稳定的时序数据解决方案。特别地，它内置时序函数如滑动窗口、差分、聚合与时间对齐等，极大简化了对传感器数据的深度分析，如火警趋势检测、异常波动捕捉与历史对比分析，为智慧消防的智能预警提供强大的数据支撑。TDengine针对时序
维度IoTDB 优势（2026 版）对比其他 TSDB适用场景数据模型树形结构：设备 → 序列（支持对齐/非对齐）更灵活于 InfluxDB 的标签系统多设备 IoT 数据写入性能单机 >1M 点/秒，分布式 >10M 点/秒优于 Prometheus / TimescaleDB高频传感器数据查询性能时间窗口聚合、降采样、UDF 支持SQL 兼容强，内置时序函数实时监控 / 历史分析存储效率TsF
本文介绍了数据库连接配置的基本步骤：1)安装JDK8环境及相应依赖；2)进行必要的代码配置；3)确认目标数据库、数据表及查询条件，避免大数据量查询，其中Authorization值为数据库账号密码的Base64编码；4)编写测试用例验证连接功能。文章提供了从环境搭建到功能测试的完整配置流程。
注意：安装过程中如遇权限问题，Linux/macOS命令前加`sudo`，Windows需右键以管理员*运行版本号请参考[Go官网](https://go.dev/dl/)。访问[Go官网下载页](https://go.dev/dl/)，选择`.msi`安装程序（如`go1.21.0.windows-amd64.msi`）1. 访问[Go官网下载页](https://golang.org/dl/)
本文详细指导如何从零搭建InfluxDB+Prometheus+IoTDB时序数据库测试环境，涵盖Docker/K8s部署、参数调优、性能压测等关键步骤。针对时序数据库在物联网和监控系统中的核心应用，提供时区配置、标签设计等实用解决方案，帮助开发者高效完成对比调研与性能验证。
Dubbo的调用链路设计体现了高质量RPC框架的架构思想：通过动态代理实现透明化远程调用，通过集群容错保证系统可靠性，通过负载均衡实现流量优化。深入理解Dubbo调用链路的每个环节，对于构建高可用分布式系统具有重要意义。随着Dubbo 3.x在云原生领域的持续演进，其调用链路将进一步优化，为微服务架构提供更强大的支持。好的，这是一篇根据您的要求撰写的，关于Java博客系统源码中设计模式应用与代码重
阅读Java源码并非一蹴而就的任务，而是一个持续的、积累的过程。随着项目经验的增长，反复回过头来重读源码，每次都会有新的收获。《深入探索Java源码：从基础类库到核心框架的逐行解析》这类书籍的价值，在于它为我们提供了一条清晰的路径和深度解读。在云原生和微服务架构大行其道的今天，对底层原理的深刻理解（如NIO、并发编程）显得愈发重要。无论是为了更好地使用Spring等主流框架，还是为了设计出高并发、
本文详细介绍了如何使用Docker Compose快速部署一个高可用的Apache IoTDB时序数据库集群，并集成Nginx负载均衡、Prometheus和Grafana监控。该方案专为工业物联网场景设计，通过容器化编排简化了生产环境的搭建与运维，提供了数据持久化、统一访问入口和可视化监控看板，助力中小团队构建稳定、可观测的时序数据平台。
本文深入解析工业时序数据库选型的关键维度，聚焦InfluxDB与Apache IoTDB等主流产品的核心对比。从写入吞吐、查询延迟、数据压缩效率、查询语言灵活性到生态系统集成与运维成本，结合智能电表、设备预测性维护等真实工业场景，提供清晰的选型决策框架与实战指南。
嘀嘀嘀——” 凌晨三点，刺耳的告警声将你从睡梦中惊醒。屏幕上闪烁着刺眼的红色：“核心服务响应时间超过阈值300%，持续5分钟！” 你火速登录监控平台，试图从海量的监控数据中定位问题根源：服务器CPU使用率、内存占用、网络IO、应用JVM指标、数据库连接数……时间一分一秒过去，每一秒都可能意味着用户流失和业务损失。此时，你是否曾想过，支撑这一切监控、告警和问题排查的“幕后英雄”——那些海量的时序监控
时序数据库 Apache IoTDB 实战：基于 Kubernetes 的部署运维全指南
长查询问题指的是在数据库写入和查询并存的日常应用场景中，存在处理数据量大且耗时很长的查询长时间占用系统资源，导致写入可能被阻塞的问题。有时，查询代码对于资源释放函数调用的遗忘也可能以长查询问题的形式表现出来。如何在数据写入不被阻塞同时，保证长查询的正确进行是一个具有挑战性的问题。在分析长查询问题之前，我们首先需要为大家普及一下 TDengine 的写入/查询并发机制。
2018 年到 2022 年，OpenTSDB 在我们私有化场景中的表现曾一度支撑着我们的系统，但随着业务的不断扩展，问题也接踵而至——高昂的部署成本、复杂的运维难题，让我们不得不寻求新的解决方案。同样地，对于指标计算，我们采用了类似的模型。对于日、月、年指标计算频率不一致的问题，我们也做了统一处理，现在所有计算频率统一为 15 分钟，并使用统一的时间窗口进行计算，确保数据的准确性。泛能网的建设理
兼容不是终点，只是开始。我们接下来还会和更多国产软硬件厂商一起，带来更多实用的数据解决方案，把这条自主可控的路走得更远、更扎实。如果你也在信创环境里做业务，或者有兼容性相关的技术问题，欢迎在评论区交流，我们一起来打通更多可能性。V3.0 和麒麟信安旗下的桌面、服务器、嵌入式系统等多个版本做了全套适配，结果非常理想：稳定运行，性能在线，充分验证了。在麒麟信安的操作系统生态里已经“通关打卡”，无论你用
本次针对对齐序列手动创建时间，设置时间序列的类型都为 float，后面因为设备添加了点位，上报的数据被自动写入对齐序列，自动创建的时间序列类型是 double 类型，为了类型能统一，切记一定要先在数据库中创建时间序列，再添加设备的点位读取，否则就要手动修改自动创建的时间序列类型，由于官方并不支持直接修改时间序列的类型，下面是变相修改时间序列类型的步骤。
部分小伙伴根据安装教程无法运行IoTDB的start-standalone.bat文件，一打开就闪退，是因为新版本Windows逐渐弃用wmic，导致行为不稳定。进 conf 目录 然后 把confignode-env.bat 与datanode-env.bat替换成我给的文件。start-standalone.bat文件与start-cli.bat文件就可以了。以上仅个人经询问IoTDB官方人员
是 C/C++ 中的条件编译指令，用于检查当前编译环境是否为苹果（Apple）平台（如 macOS 或 iOS）。该宏由苹果平台的编译器（如 Clang）自动定义，标识当前系统为苹果生态。总结：这段代码的作用是仅在苹果系统下编译后续代码，常见于需要适配多平台的程序。在预处理阶段，编译器会根据目标平台自动定义相关宏（如。：若条件为真（宏已定义），则编译后续代码；常用于跨平台代码中，针对苹果系统编写特
性能、扩展性、生态支持横向对比，业务场景适配建议。
这段时间公司项目需要用到时序数据库，公司选择了庚顿，一起学习一下。
凭借丰富的实践经验，DolphinDB 针对行业痛点推出了一系列创新解决方案，助力客户高效挖掘数据价值，提升业务决策能力。🔃机器学习时，要先将数据从库里导出，转换格式后再开始模型训练和推理，90% 的时间和功耗都花在了数据搬运上；每一个环节都在无形中拖累业务运作的效率。例如，针对地理位置分散的六个电站、约 200 万个总测点，长江电力就面临着实时数据存储/同步难、从数据采集、存储、清洗，到处理、
在展开分享之前，我先简单介绍一下指标采集业务和TDengine，以便帮助大家更好地理解背景和技术选型。1.指标采集业务采集、监控和告警。采集是首要环节，需要通过多种方式将服务器、应用等关键指标数据汇集到平台中，随后实现监控图表展示、告警策略触发等一系列运维操作。2.TDengineTDengine是一款开源、高性能、云原生的时序数据库。它针对物联网、车联网、工业互联网、金融和 IT 运维等场景进行
TimescaleDB 利用 PostgreSQL 的查询优化器，对于复杂的 SQL 查询有较好的支持，但在一些特定的时序查询场景下，可能不如专门设计的时序数据库。在当今数字化时代，大量的时间序列数据不断产生，从工业物联网设备的传感器数据，到金融领域的交易记录，再到互联网应用的用户行为日志等。它针对物联网设备高并发、高频次的数据写入特点，采用了优化的存储结构和写入算法，能够在保证数据一致性的同时，
InfluxDB 是一种时序数据库，时序数据库全程时间序列数据库（Time Series Database，TSDB，用于存储大量基于时间的数据，时序数据（Time Series Data）指的是一系列基于时间的数据，例如 CPU 利用率，北京的房价变化趋势，某一地区的温度变化等。比如。我们可以写一个程序将服务器上 CPU 的使用情况每隔 10 秒钟向 InfluxDB 中写 入一条数据。接着，我
如何使用免费且高性能的时序数据库呢?
8 月 30 日，央视《24小时》节目报道了源于清华大学软件学院的国产开源时间序列数据库 IoTDB 登顶数据库国际权威榜单 TPCx-IoT，性能、性价比双指标刷新世界纪录。以下为新闻原文：今天，在广州举行的数据库国际基准委员会 TPC 年度大会上，公布数据库事务处理性能权威榜单，清华大学软件学院发起研制的国际开源时间序列数据库 Apache IoTDB 刷新了工业物联网场景榜单，在性能和成本维
最近我根据上述的技术体系图搜集了几十套腾讯、头条、阿里、美团等公司21年的面试题，把技术点整理成了视频（实际上比预期多花了不少精力），包含知识脉络 + 诸多细节，由于篇幅有限，这里以图片的形式给大家展示一部分。
运用时间模型来构造的应用非常需要时序数据库的加持，包括未来大数据的趋势，时序数据库必然会成为一个新潮流。
TSBS 是一个时序数据处理（数据库）系统的性能基准测试平台，提供了 IoT、DevOps 两个典型应用场景，它由 Timescale 开源并负责维护。作为一个性能基准测试平台，TSBS 具有便捷、易用、扩展灵活等特点，涵盖了时序数据的生成、写入（加载）、多种类别的典型查询等功能，并能够自动汇总最终结果。由于其开放开源的特点，得到了众多数据库厂商的支持，作为专业的产品性能基准测试平台被若干数据库厂
时序数据库
——时序数据库
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
杭州城市开发者社区
火山引擎视频云技术社区
EazyDevelop社区
AtomGit AI 社区
DAMO开发者矩阵
乐奇 Rokid 开放社区
