登录社区云，与社区用户共同成长
邀请您加入社区
Apache IoTDB作为物联网时序数据库，创新性地引入AINode模块，支持在数据库内部直接执行机器学习模型推理，实现“数据不动模型动”的智能分析模式。该架构采用云边端一体化设计，包含轻量级边缘实例、专有TsFile存储格式和AINode推理节点。用户可通过SQL语句注册、管理和调用PyTorch模型，实现电力预测、异常检测、数据填补等场景的实时分析。IoTDB还支持与Flink等大数据生态集
作为一名在一线摸爬滚打多年的数据架构师，我亲历了从“魔改 HBase”到“全面拥抱原生 TSDB”的过程。今天，我想从架构演进和底层原理的角度，聊聊为什么 Apache IoTDB 会成为下一代时序数据库选型的“版本答案”。
本文聚焦 IoTDB 团队自研的时序大模型家族，从核心技术原理、三大模型（Timer、Timer-XL、Timer-Sundial）的特性差异入手，详细拆解了模型在时序预测、数据填补、异常检测三大核心场景的应用优势，并结合真实的 CLI 命令行操作，给出了从集群节点检查到模型可用性验证的完整部署流程，为工业物联网、能源交通等领域的时序数据分析提供了高效、通用的技术解决方案。
🔍你的每一个反馈，都会帮助我们更好地准备内容！，从我们列出的方向中选择，或直接写出你最想了解的话题～一场专为 IoTDB 用户打造的 【🤔你在用 IoTDB 时，是否也遇到过这些“我们收集了社区最热门的问题，为您。🔔为了给大家带来更有针对性的内容，12 月 11 日 19:00。IoTDB 直播主题由你决定！你希望接下来我们聊聊哪些主题？IoTDB FAQ 解答直播。🔑如何与现有系统进行高
时序数据 x AI，新玩法来了！让 AI “秒懂”时序数据，带你玩转 MCP 核心应用。点击观看，和我们一起探索。IoTDB 视频小课】
AINode 作为 IoTDB 原生时序 AI 节点，内置 Timer 系列等业界领先时序大模型，支持通过标准 SQL 语句完成模型注册、管理与推理全流程，无需 Python/Java 编程，更无需迁移 IoTDB 存储的数据。本文详细拆解 AINode 的核心优势、模型注册 / 调用 / 权限管理等关键操作，结合电力负载预测、变电站电压预测、民航旅客异常检测三大工业级案例，手把手演示如何通过简单
本文介绍了工业物联网场景下时序数据库选型的核心考量因素，包括写入性能、存储压缩、查询分析、扩展性和工业适配性。重点推荐了Apache IoTDB时序数据库，其具备高压缩比（90%+存储节省）、分布式秒级扩容、工业协议适配等优势，支持千万级数据点写入和毫秒级查询，并提供多语言SDK接口。典型应用场景涵盖智能制造、能源管理和车联网等领域，能够有效降低企业存储成本，提升数据分析效率。
随着工业4.0与物联网技术的融合，时序数据呈现爆发式增长。Apache IoTDB作为专为工业场景设计的时序数据库，在写入性能（百万级/秒）、存储效率（压缩比达1:20）和查询响应（毫秒级）上表现卓越，并通过TsFile存储格式和流批一体计算引擎实现高效管理。其已在能源电网、智能制造等领域成功应用，如某汽车厂商实现存储成本降低82%、产线停机减少30%。选型时需结合写入吞吐、查询延迟等核心指标，通
本文围绕工业物联网场景下 IoTDB 数据同步展开，先介绍其核心功能 —— 通过抽取（Source）、处理（Process）、发送（Sink）三阶段，结合 SQL 配置实现数据、元数据、权限等多范围同步，同时说明元数据与权限同步的限制条件。接着详解任务管理，包括创建、启停、删除、查看任务的 SQL 操作，以及同步插件类型与使用方法。随后提供全量同步、部分同步、边云传输、级联传输、压缩同步、加密同步
纵观从Ruby到Kotlin的演进，我们可以观察到一条清晰的轨迹：现代编程语言越来越强调在保持强大表达力的同时，通过静态类型系统、空安全等机制提升代码的可靠性和可维护性。多范式不再意味着简单的特性堆砌，而是深思熟虑的融合，旨在为开发者提供一套连贯、高效且安全的工具集，以应对日益复杂的软件开发挑战。
在分布式时序数据库的日常运维中，查询慢、集群负载不均是最让人头疼的两大问题。前者直接影响业务响应速度，后者则可能导致节点资源浪费或宕机风险。今天就来分享IoTDB的两大核心优化手段——查询性能分析（Explain/Explain Analyze）和Region迁移负载均衡，用实操技巧帮你搞定这两个痛点。
本文探讨时序数据库在工业4.0等场景中的关键作用，重点介绍Apache IoTDB及其企业版TimechoDB的核心优势。IoTDB凭借高写入性能（千万级/秒）、90%+压缩比和毫秒级查询成为行业标杆，TimechoDB进一步提供企业级功能如双活部署、多级存储和安全增强。创新性地集成自研时序大模型（Timer系列），实现预测、填补和异常检测等智能分析，降低AI应用门槛。该方案已在国家电网、华为等企
IoTDB 自带的权限管理功能特别实用，能帮我们好好管控数据和集群系统的访问权限，让数据安全和系统稳定更有保障。这篇文章就来详细聊聊 IoTDB 权限模块的那些事儿，不管是基本概念、用户角色定义，还是权限管理、鉴权逻辑，再到具体的功能用例，都会一一讲清楚。另外，在 JAVA 编程环境里，大家还能通过 JDBC API 单条或者批量执行权限管理相关语句，操作起来也挺方便。
MATLAB仿真Gough-Stewart并联机器人斯图尔特6自由度并联机器人逆运动学仿真 动力学控制pid控制1.搭建了六自由度Stewart并联机器人simulink/simscape仿真模型2.建立了逆向运动学仿真 输入位置和姿态求解各个杆长3.运用pid控制器进行动力学跟踪控制使用MATLAB进行了Gough-Stewart并联机器人的仿真。首先，我搭建了一个六自由度的Stewart并联机
文章剖析工业物联网时序数据挑战，对比国外数据库局限，详解Apache IoTDB树形模型、端边云架构及性能优势，提供选型决策树与快速入门指南，助力企业构建高效智能的工业数据处理体系。
IoTDB凭借其针对国内工业场景的深度优化、合规性保障及本地化服务能力，在国产时序数据库领域形成独特护城河。尤其在需要处理高并发设备数据、满足强监管要求的场景中，其综合性价比显著优于国际同类产品。
时序数据库 Apache IoTDB：从边缘到云端Apache IoTDB 全链路数据管理能力、部署流程与安全特性解读
本文约5700字，建议阅读15分钟我们将分类盘点 IoTDB 本年的论文成果及核心技术创新内容。论文成果总结2024 年度，时序数据库 IoTDB 在数据库领域 CCF-A 类国际会议上共发表论文 8 篇，包括：SIGMOD 3 篇、VLDB 3 篇、ICDE 2 篇，涵盖存储、引擎、查询、分析等方面。我们将分类盘点 IoTDB 本年的论文成果及核心技术创新内容：在存储方面，Apache TsFi
通常来说，我们把每个采集点位叫做一个测点（ 也叫物理量、时间序列、时间线、信号量、指标、测量值等），每个测点都在随时间的推移不断收集到新的数据信息，从而构成了一条时间序列。万物互联的今天，物联网场景、工业场景等各类场景都在进行数字化转型，人们通过在各类设备上安装传感器对设备的各类状态进行采集。示例：如上图中表格形式的时间序列的一行，或图形形式的时间序列的一个点，就是一个数据点。又名：物理量、时间序
本文探讨了工业物联网和智能制造背景下时序数据库(TSDB)的关键选型标准，重点分析了Apache IoTDB的架构优势。随着工业设备产生PB级时序数据，传统数据库面临写入性能低、存储效率差和查询延迟高等问题。专业TSDB需具备列式存储、高效压缩和弹性扩展能力。 IoTDB作为国产开源时序数据库，采用分层存储架构实现冷热数据分离，通过TsFile格式和树形数据模型优化元数据管理。其支持高吞吐写入、乱
大数据时序数据库选型是企业在数字化转型中的重要决策。本文从架构设计、生态集成、性能测试三个维度深入分析了时序数据库选型策略，重点探讨了LSM树、B+树等存储引擎特点，以及与Spark、Flink等大数据组件的集成方案。通过制造、交通等领域的实战案例，展示了时序数据库在工业物联网和智慧城市中的典型应用。最后提出四阶段选型方法论，强调需要根据数据规模、访问模式和生态兼容性选择合适方案，并指出AI原生、
摘要 本文探讨了时序数据库（TSDB）在数字经济时代的重要性，重点分析了Apache IoTDB的核心优势。文章首先指出物联网设备产生的海量时序数据对传统数据库的挑战，强调TSDB在高效存储、快速查询和实时分析方面的专业性。随后系统性地提出了时序数据库选型的五大关键维度：数据模型与存储效率、读写性能、可扩展性、生态系统集成及运维管理。最后详细介绍IoTDB的创新架构，包括树形数据模型、TSFile
本文围绕 IoTDB 的连续查询（CQ）展开全面解析，先通俗阐释其定义，即对实时数据周期性自动执行查询并存储结果的 “自动计算器”，可实现滑动窗口流式计算。接着详细拆解语法，包括各参数含义、格式及注意事项，如 WHERE 子句不可加时间过滤等。随后通过 5 个实战案例，从不同配置场景演示 CQ 创建、执行逻辑与结果，覆盖周期配置、窗口设置、空值填充等情况。还介绍了 CQ 的管理操作（查询、删除、修
本文系统介绍了Apache IoTDB时序数据库的两种核心建模方法：树模型和表模型。树模型采用层级路径结构，适合设备监控等灵活场景；表模型基于标准SQL，便于数据分析与集成。文章通过工业风机监控和车联网两个典型场景，展示了如何设计高效的数据模型：树模型通过路径表达设备关系，表模型则利用标签列实现快速筛选。针对大数据环境，文中提供了具体代码示例和优化建议，如设备层扩充、批量写入等，帮助用户在物联网等
12 月 3 日，2023 IoTDB 用户大会在北京成功举行，收获强烈反响。本次峰会汇集了超 20 位大咖嘉宾带来工业互联网行业、技术、应用方向的精彩议题，多位学术泰斗、企业代表、开发者，深度分享了工业物联网时序数据库 IoTDB 的技术创新、应用效果，与各行业标杆用户的落地实践、解决方案，并共同探讨时序数据管理领域的行业趋势。我们邀请到宝武装备智能科技有限公司技术中心副主任赵刚参加此次大会，并
若计划使用 TDengine 搭建一个时序数据平台，须提前对计算资源、存储资源和网络资源进行详细规划，以确保满足业务场景的需求。通常 TDengine 会运行多个进程，包括 taosd、taosadapter、taoskeeper、taos-explorer 和 taosx。在这些进程中，taoskeeper、taos-explorer、taosadapter 和 taosx 的资源占用相对较少，
出自物联网新人之手，有什么不对的还请赐教，欢迎感兴趣的小伙伴提出自己宝贵的意见。
《时序数据库选型指南：从IoTDB看未来数据管理趋势》 本文全面剖析了时序数据库的核心特性与应用场景。随着物联网和大数据技术的普及，时序数据库凭借高效写入、压缩存储和快速查询能力，在工业监控、金融分析等领域展现出独特价值。文章重点介绍了国产开源时序数据库IoTDB的四大优势：树状数据模型与工业场景高度契合、自研TsFile格式实现超高压缩比、强大的乱序数据处理能力，以及轻量化的边云协同设计。通过上
选型决策矩阵需求场景推荐版本配置建议超高频采样(>10kHz)IoTDB 1.0集群版启用TsFile压缩多数据中心同步IoTDB 1.2+配置跨机房副本实时流分析启用TsFile-HDFS适配性能优化口诀一调JVM内存，二优磁盘IO，三扩DataNode数，四分时间区间。🔥🔥🔥道阻且长,行则将至,让我们一起加油吧！🌙🌙🌙。
极致性能：单机百万级TPS写入，毫秒级查询响应高效存储：先进压缩算法，存储成本降低70%边缘友好：轻量化部署，适合边缘计算场景分布式扩展：原生分布式架构，轻松扩展至PB级数据丰富生态：与主流大数据工具无缝集成易用性：SQL-like查询语言，降低学习成本开源免费：Apache协议，无商业许可限制国产化优势：符合国内数据合规要求活跃社区：持续迭代，快速响应需求成熟稳定：多家企业大规模生产验证。
iotdb
——iotdb
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
葡萄城开发者空间
火山引擎 ADG 社区
松山湖开发者村综合服务平台
深开鸿 技术专区
开源鸿蒙跨平台开发者社区
DAMO开发者矩阵
永洪数据分析社区
EazyDevelop社区
