Release Announcement Version 1.2.2Apache IoTDB v1.2.2 已经发布，主要增加了 flink-sql-iotdb-connector 插件、tsfile 文件级级联传输、count_time 聚合函数等新特性，优化了 Limit & Offset 查询性能、ConfigNode 重启逻辑等，并提升压缩效果、删除操作效率、对齐序列合并速度...

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

面对设备运行、能耗监测、业务流量、销量变化等大量时间序列数据，企业到底该如何更低门槛地把数据真正用起来？欢迎所有关注时序数据库 IoTDB 、时序大模型 Timer 的行业用户、技术人员与合作伙伴，—— 面向时序预测与智能分析的云服务平台，为企业时序数据价值释放打开新可能。从时序数据库到时序智能，TimechoAI 的第一场公开分享要来了！数据库、通用大模型、时序大模型，我们如何看待这三者的关系。

在模型能力持续演进的过程中，零样本预测、分位数预测以及协变量建模等能力已逐步得到支持。协变量预测的核心，并不是简单增加模型的输入变量数量，而是让模型理解变量之间的动态关联与耦合关系。在很多人印象中，时间序列预测的逻辑十分简单 —— 以历史数据预测未来趋势，但在真实的工业系统中，这一过程远非如此直接。在 IoTDB 的持续演进中，我们同样将协变量预测视为重要发展方向之一，围绕这一能力的相关技术也在持

因此，若直接应用现有的数据库外时序聚类方法，必须将所有数据完全加载到内存中，并重新按时间排序，且每次处理跨不同时间范围的查询时都需从头开始聚类，效率低下。在物联网（IoT）场景中，随着传感器数量的不断增长，集群也会随之扩展，重新平衡存储的一种常见方法是迁移现有分区，但这会产生额外的开销。这对时间序列数据管理提出了新的需求，而现有解决方案未能充分应对这些需求，包括：设备定义的持续演进模式、周期性的数

修复 last 查询的 where time > X and time <X 未应用于分区表拉取，无法命中 PartitionCache 的问题。修复单设备或多设备跨 region，聚合查询 order by time + align by device 报错的问题。修复大 TEXT 对象 + align by device + order by time 查询报内存不足的问题。我们为大家提供了参

IoTDB 在 TPCx-IoT 榜单的 What 与 Why 解答！

专注物联网场景特点，详解 IoTDB 设计的数据分片与负载均衡策略。我们都知道，当数据库服务的业务负载增加时，往往需要扩展服务资源，一般有两种扩展方式：纵向扩展和横向扩展。纵向扩展是指增加单台机器的能力，比如增加更多的内存、硬盘和更强的处理器。这种方法有一个限制，就是单台机器的硬件能力是有上限的。横向扩展是指增加更多的机器，把数据和处理请求分摊到多台机器上。这种方法更加灵活，因为可以不断增加机器，

好评满满的【IoTDB 视频小课】系列又来了~关于 IoTDB，关于物联网，关于时序数据库，关于开源...你想学习的重点，给我们 3-5 分钟，清晰地讲给你听：时序数据库VS实时数据库工业数字化转型愈发受到重视的当下，处理实时性强的工业数据有两类“热门”软件。一类是如 IoTDB 的时序数据库，一类是实时数据库。你是否了解这两个概念的异同呢？未来这两类产品的发展趋势又可能是什么？今天我们将为大家.

的主题演讲介绍了工业时序数据的管理挑战，与国产自研时序数据库 IoTDB 的性能优势、实践案例情况，并详细阐述了 IoTDB 2.0 最新版本所实现的树表双模型架构与其对应建模场景。在 AIoT 爆发、智能制造数字化升级背景下，如何利用时序数据库的端边云协同、AI 深度分析等多项特性，构建自主可控的数据基础设施，7 位领域专家与线下和线上直播中。，进一步拓展了 IoTDB 的应用场景与效能，并降低