時間序列資料庫(TSDB)初識與選擇

本文作者由 MageByte 團隊的 「借來方向」編寫，關註公眾號 給你更多硬核技術

背景

這兩年互聯網行業掀著一股新風，總是聽著各種高大上的新名詞。大數據、人工智慧、物聯網、機器學習、商業智能、智能預警啊等等。

以前的系統，做數據可視化，信息管理，流程式控制制。現在業務已經不僅僅滿足於這種簡單的管理和控制了。數據可視化分析，大數據信息挖掘，統計預測，建模模擬，智能控製成了各種業務的追求。

“所有一切如淚水般消失在時間之中，時間正在死去“，以前我們利用互聯網解決現實的問題。現在我們已經不滿足於現實，數據將連接成時間序列，往前可以觀其歷史，揭示其規律性，往後可以把握其趨勢性，預測其走勢。

我們開始存儲大量的數據，並總結出這些數據的結構特點和常見使用場景，不斷改進和優化，創造了一種新型的資料庫分類——時間序列資料庫(time series database).

時間序列模型

時間序列資料庫主要用於處理帶時間標簽（按照時間的順序變化，即時間序列化）的數據，帶時間標簽的數據也稱為時間序列數據。

每個時序點結構如下：

• timestamp: 數據點的時間，表示數據發生的時間。
• metric: 指標名，當前數據的標識，有些系統中也稱為 name。
• value: 值，數據的數值，一般為 double 類型，如 cpu 使用率，訪問量等數值，有些系統一個數據點只能有一個 value，多個 value 就是多條時間序列。有些系統可以有多個 value 值，用不同的 key 表示
• tag: 附屬屬性。

實現

假如我想記錄一系列感測器的時間序列數據。數據結構如下：

* 標識符：device_id，時間戳
* 元數據：location_id，dev_type，firmware_version，customer_id
* 設備指標：cpu_1m_avg，free_mem，used_mem，net_rssi，net_loss，電池
* 感測器指標：溫度，濕度，壓力，CO，NO2，PM10

如果使用傳統 RDBMS 存儲，建一張如下結構的表即可： 如此便是一個最簡單的時間序列庫了。但這隻是滿足了時間序列數據模型的需要。我們還需要在性能，高效存儲，高可用，分散式和易用性上做更多的事情。

大家可以思考思考，如果讓我們自己來實現一個時間序列資料庫，你會怎麼設計，你會考慮哪些性能上的優化，又如何做到高可用，怎樣做到簡單易用。

Timescale

這個資料庫其實就是一個基於傳統關係型資料庫 postgresql 改造的時間序列資料庫。瞭解 postgresql 的同學都知道，postgresql 是一個強大的，開源的，可擴展性特別強的一個資料庫系統。

於是 timescale.inc 在 postgresql 架構上開發了 Timescale，一款相容 sql 的時序資料庫。 作為一個 postgresql 的擴展提供服務。其特點如下：

基礎：

• 支持所有 PostgreSQL 原生 SQL，包含完整 SQL 介面（包括輔助索引，非時間聚合，子查詢，JOIN，視窗函數）。
• 用 PostgreSQL 的客戶端或工具，可以直接應用到該資料庫，不需要更改。
• 時間為導向的特性，API 功能和相應的優化。
• 可靠的數據存儲。

擴展：

• 透明時間/空間分區，用於放大（單個節點）和擴展。
• 高數據寫入速率（包括批量提交，記憶體中索引，事務支持，數據備份支持)。
• 單個節點上的大小合適的塊（二維數據分區），以確保即使在大數據量時也可快速讀取。
• 塊之間和伺服器之間的並行操作。

劣勢：

• 因為 TimescaleDB 沒有使用列存技術，它對時序數據的壓縮效果不太好，壓縮比最高在 4X 左右
• 目前暫時不完全支持分散式的擴展（正在開發相關功能），所以會對伺服器單機性能要求較高

其實大家都可以去深入瞭解一下這個資料庫。對 RDBMS 我們都很熟悉，瞭解這個可以讓我們對 RDBMS 有更深入的見解，瞭解其實現機制，存儲機制。在對時間序列的特殊化處理之中，我們又可以學到時間序列數據的特點，並學習到如何針對時間序列模型去優化 RDBMS。

之後我們也可以寫一篇文章來深入的瞭解一下這個資料庫的特點。

Influxdb

Influxdb 是業界比較流行的一個時間序列資料庫，特別是在 IOT 和監控領域十分常見。其使用 go 語言開發，突出特點是性能。 特性：

• 高效的時間序列數據寫入性能。自定義 TSM 引擎，快速數據寫入和高效數據壓縮。
• 無額外存儲依賴。
• 簡單，高性能的 HTTP 查詢和寫入 API。
• 以插件方式支持許多不同協議的數據攝入，如：graphite，collectd，和 openTSDB
• SQL-like 查詢語言，簡化查詢和聚合操作。
• 索引 Tags，支持快速有效的查詢時間序列。
• 保留策略有效去除過期數據。
• 連續查詢自動計算聚合數據，使頻繁查詢更有效。

Influxdb 已經將分散式版本轉為閉源。所以在分散式集群這塊是一個弱點，需要自己實現。

OpenTSDB

The Scalable Time Series Database. 打開 OpenTSDB 官網，第一眼看到的就是這句話。可見其將 Scalable 作為自己重要的”賣點“。OpenTSDB 運行在 Hadoop 和 HBase 上，其充分利用 HBase 的特性。通過獨立的 Time Series Demon(TSD)提供服務，所以它可以通過增減服務節點來輕鬆擴縮容。

• Opentsdb 是一個基於 Hbase 的時間序列資料庫（新版也支持 Cassandra）。

  其基於 Hbase 的分散式列存儲特性實現了數據高可用，高性能寫的特性。受限於 Hbase，存儲空間較大，壓縮不足。依賴整套 HBase, ZooKeeper

• 採用無模式的 tagset 數據結構(sys.cpu.user 1436333416 23 host=web01 user=10001)

  結構簡單，多 value 查詢不友好

• HTTP-DSL 查詢

OpenTSDB 在 HBase 上針對 TSDB 的表設計和 RowKey 設計值得我們深入學習的一個特點。有興趣的同學可以找一些詳細的資料學習學習。

Druid

Druid 是一個實時線上分析系統(LOAP)。其架構融合了實時線上數據分析，全文檢索系統和時間序列系統的特點，使其可以滿足不同使用場景的數據存儲。

• 採用列式存儲：支持高效掃描和聚合，易於壓縮數據。
• 可伸縮的分散式系統：Druid 自身實現可伸縮，可容錯的分散式集群架構。部署簡單。
• 強大的並行能力：Druid 各集群節點可以並行地提供查詢服務。
• 實時和批量數據攝入：Druid 可以實時攝入數據，如通過 Kafka。也可以批量攝入數據，如通過 Hadoop 導入數據。
• 自恢復，自平衡，易於運維：Druid 自身架構即實現了容錯和高可用。不同的服務節點可以根據負載需求添加或減少節點。
• 容錯架構，保證數據不丟失：Druid 數據可以保留多副本。另外可以採用 HDFS 作為深度存儲，來保證數據不丟失。
• 索引：Druid 對 String 列實現反向編碼和 Bitmap 索引，所以支持高效的 filter 和 groupby。
• 基於時間分區：Druid 對原始數據基於時間做分區存儲，所以 Druid 對基於時間的範圍查詢將更高效。
• 自動預聚合：Druid 支持在數據攝入期就對數據進行預聚合處理。

Druid 架構蠻複雜的。其按功能將整個系統細分為多種服務，query、data、master 不同職責的系統獨立部署，對外提供統一的存儲和查詢服務。其以分散式集群服務的方式提供了一個底層數據存儲的服務。

Druid 在架構上的設計很值得我們學習。如果你不僅僅對時間序列存儲感興趣，對分散式集群架構也有興趣，不妨看看 Druid 的架構。另外 Druid 在 segment(Druid 的數據存儲結構)的設計上也是一大亮點，即實現了列式存儲，又實現了反向索引。

Elasticsearch

Elasticsearch 是一個分散式的開源搜索和分析引擎，適用於所有類型的數據，包括文本、數字、地理空間、結構化和非結構化數據。Elasticsearch 在 Apache Lucene 的基礎上開發而成，由 Elasticsearch N.V.（即現在的 Elastic）於 2010 年首次發佈。Elasticsearch 以其簡單的 REST 風格 API、分散式特性、速度和可擴展性而聞名。

Elasticsearch 以 ELK stack 被人所熟知。許多公司基於 ELK 搭建日誌分析系統和實時搜索系統。之前我所在團隊在 ELK 的基礎上開始開發 metric 監控系統。即想到了使用 Elasticsearch 來存儲時間序列資料庫。對 Elasticserach 的 mapping 做相應的優化，使其更適合存儲時間序列數據模型，收穫了不錯的效果，完全滿足了業務的需求。後期發現 Elasticsearch 新版本竟然也開始發佈 Metrics 組件和 APM 組件，並大量的推廣其全文檢索外，對時間序列的存儲能力。真是和我們當時的想法不謀而合。

Elasticsearch 的時序優化可以參考一下這篇文章:《elasticsearch-as-a-time-series-data-store》

也可以去瞭解一下 Elasticsearch 的 Metric 組件Elastic Metrics

Beringei

Beringei 是 Facebook 在 2017 年最新開源的一個高性能記憶體時序數據存儲引擎。其具有快速讀寫和高壓縮比等特性。

2015 年 Facebook 發表了一篇論文《Gorilla: A Fast, Scalable, In-Memory Time Series Database 》，Beringei 正是基於此想法實現的一個時間序列資料庫。

Beringei 使用 Delta-of-Delta 演算法存儲數據，使用 XOR 編碼壓縮數值。使其可以用很少的記憶體即可存儲下大量的數據。

如何選擇一個適合自己的時間序列資料庫

• Data model

  時間序列數據模型一般有兩種，一種無 schema，具有多 tag 的模型，還有一種 name、timestamp、value 型。前者適合多值模式，對複雜業務模型更適合。後者更適合單維數據模型。

• Query language

  目前大部分 TSDB 都支持基於 HTTP 的 SQL-like 查詢。

• Reliability

  可用性主要體現在系統的穩定高可用上，以及數據的高可用存儲上。一個優秀的系統，應該有一個優雅而高可用的架構設計。簡約而穩定。

• Performance

  性能是我們必須考慮的因素。當我們開始考慮更細分領域的數據存儲時，除了數據模型的需求之外，很大的原因都是通用的資料庫系統在性能上無法滿足我們的需求。大部分時間序列庫傾向寫多讀少場景，用戶需要平衡自身的需求。下麵會有一份各庫的性能對比，大家可以做一個參考。

• Ecosystem

  我一直認為生態是我們選擇一個開源組件必須認真考慮的一個問題。一個生態優秀的系統，使用的人多了，未被髮現的坑也將少了。另外在使用中遇到問題，求助於社區，往往可以得到一些比較好的解決方案。另外好的生態，其周邊邊界系統將十分成熟，這讓我們在對接其他系統時會有更多成熟的方案。

• Operational management

  易於運維，易於操作。

• Company and support

  一個系統其背後的支持公司也是比較重要的。背後有一個強大的公司或組織，這在項目可用性保證和後期維護更新上都會有較大的體驗。

性能對比

總結

最後總結一下：

• 如果你想要一個極限性能的系統可以考慮 Beringei 和 InfluxDB，在數據高可用方面，可以採用客戶端雙寫模式來對數據做一個副本，保證數據的可用性。
• 如果你數據量不大，性能要求也不是特別高，卻又點查詢，刪除和關聯查詢等需求，不妨考慮一下 Timescale。
• 如果你間距索引和時間序列的需求。那麼 Druid 和 Elasticsearch 是最好的選擇。其性能都不差，並且都是高可用容錯架構。

最後

之後我們可以來深入瞭解一兩個 TSDB，比如 Influxdb，Druid，Elasticsearch 等。並可以學習一下行存儲與列存儲的不同，LSM 的實現原理，數值數據的壓縮，MMap 提升讀寫性能的知識等。

關註公眾號，掌握更多硬核技術