以资产为核心的数据建模，是指围绕物理设备、资产层级、设备关系和运行上下文来组织工业数据，而不是仅仅把数据保存为彼此独立的时间序列。在这种模型下，数据并不只是“某个时刻的一条数值”，而是明确属于某个真实存在的对象，例如某台电机、某台泵、某条生产线或某个工厂中的某个单元。这种建模方式让数据具备了可理解的工业语义，也让分析系统和 AI 能够把数据与实际设备、工艺流程和运行事件关联起来。AI 时代不会削弱

近日，3.3.7.0 版本正式发布。本次更新聚焦“时序数据处理与集成能力”双重提升，围绕数据处理的实时性、复杂性和低延迟需求，全面升级流计算架构，并新增 MQTT 数据订阅、BLOB 数据类型、多级存储共享存储支持、IPv6 通信等关键能力，持续强化时序数据平台的场景适应力与可扩展性。如果你关注 AIoT、车联网、工业控制等前沿领域的时序数据管理，这一版本更新将为你带来更多“用得上”的技术能力👇

对于处理工业运营数据的人来说，这个想法既简单又非常强大。传统上，我们往往只是看连续的时序数据信号。。一个 Event Frame 通常包含：开始时间结束时间持续时间描述该事件的属性（attributes）与其他事件之间的关系（父子事件）例如：一个生产班次（Shift）可能包含多个批次（Batch）每个批次又包含多个工艺阶段（Phase）每个阶段可能产生报警或异常事件。这种结构把原始的传感器信号转换

两会讨论的是产业方向，而产业真正的变化往往发生在具体系统与真实场景中。数据系统已经成为产业升级的重要基础设施。而 TDengine 与伙伴在这些领域中的实践，也正是这场产业变革的一个缩影。未来，随着 AI 与工业系统进一步融合，数据平台在产业体系中的角色只会越来越重要。

两会讨论的是产业方向，而产业真正的变化往往发生在具体系统与真实场景中。数据系统已经成为产业升级的重要基础设施。而 TDengine 与伙伴在这些领域中的实践，也正是这场产业变革的一个缩影。未来，随着 AI 与工业系统进一步融合，数据平台在产业体系中的角色只会越来越重要。

长期以来，工业软件中的可视化工具承担着一个非常明确的角色：还原历史。趋势图、仪表盘、报表和大屏，本质上都是围绕同一个目标——帮助用户理解系统已经发生了什么。在传统工业体系中，这种能力已经足够有价值。通过历史趋势判断设备状态，通过报警记录复盘异常，通过运行曲线分析工况变化，构成了过去几十年工业数字化的核心范式。但随着 AI 逐渐进入生产一线，这种以“回顾过去”为中心的模式，正在显露出边界。越来越多企

在全球工业数字化进程持续深化的背景下，企业对数据基础设施的要求正在发生根本性变化。从传统数据采集与存储，到分布式架构、实时分析与 AI 驱动决策，工业数据平台正成为企业长期竞争力的重要支撑。在这一趋势之下，TDengine 海外市场拓展取得阶段性成果。这不仅是合作数量的增长，更是 TDengine 在全球工业数据领域影响力持续提升的重要信号。

InfluxDB 与 TDengine 的性能对比测试报告出炉！

是一款专为物联网、车联网、工业互联网等时序数据场景优化设计的开源时序数据库，支持高并发写入、高效查询及流式计算，通过“一个数据采集点一张表”与“超级表”的概念显著提升性能。通常情况下，同步接口基于异步接口实现，二者的方法签名，除了异步接口多了 async 关键字外，基本一致。taos 模块封装了 taos-optin 和 taos-ws 模块中的实现，同时将 taos-query 模块所定义的公共

如果我们要做行情 tick 数据的存储，怎样的数据结构查找起来才会比较快？在加入 TDengine 之前，本文作者丁博在弘源泰平量化投资做量化工程师，曾经遇到过这一类存储行情 tick 数据的问题，本文会就此问题进行详细的技术解读。