Escenarios de aplicación
Una Base de Datos de Series Temporales (TSDB) es una base de datos optimizada para procesar flujos de datos continuos con marca temporal, como lecturas de sensores IoT, métricas de servidores, transacciones financieras. Está especialmente diseñado para la escritura en alta frecuencia de datos masivos y para agregación y consulta rápidas basadas en la dimensión temporal.
En la era del Internet de todo, la cantidad de datos generados por el Internet Industrial de las Cosas es miles o incluso decenas de miles de veces mayor que la de la informatización tradicional, y es una recopilación en tiempo real, alta frecuencia, alta densidad, y el modelo dinámico de datos puede cambiar en cualquier momento. Las bases de datos tradicionales están saturadas en el almacenamiento, consulta, análisis y otras operaciones de procesamiento de estos datos, y existe una necesidad urgente de un sistema de bases de datos optimizado para datos de series temporales, es decir, bases de datos de series temporales.
La base de datos de series temporales es una base de datos especializada para almacenar y gestionar datos de series temporales, con características de escribir más y leer menos, distinción entre frío y caliente, alta escritura concurrente, sin requisitos de transacciones y escritura continua de datos enormes.
Características de los datos de series temporales
Marca de tiempo: Cada punto de datos tiene una marca de tiempo, lo cual es importante para el cálculo y análisis de datos.
Estructurado: A diferencia de los enormes datos de los rastreadores web, Weibo y WeChat, los datos generados por dispositivos en red o sistemas de monitorización están estructurados. Estos datos tienen tipos de datos predefinidos o longitudes fijas, como la corriente y el voltaje recogidos por los contadores inteligentes, que pueden expresarse en un número estándar de coma flotante de 4 bytes.
Streaming: Las fuentes de datos generan datos a una velocidad aproximadamente constante, como flujos de audio o vídeo. Estos flujos de datos son independientes entre sí.
Tráfico fluido y predecible: A diferencia de los datos de plataformas de comercio electrónico o redes sociales, el tráfico de los datos de series temporales es estable a lo largo del tiempo y puede calcularse y predecirse en función del número de fuentes de datos y periodos de muestreo.
Inmutabilidad: Los datos de series temporales suelen ser solo añadidos, similares a los datos de log, y generalmente no están permitidos ni necesitan modificaciones. Existen pocos escenarios en los que se requieran modificaciones en los datos en bruto recogidos.
Clasificación
Dirección:El inicio de sesión del hipervínculo es visible.Las últimas clasificaciones son las siguientes:
base de datos
1、InfluxDB
InfluxDB es una base de datos distribuida de código abierto de series temporales, eventos y métricas escrita en lenguaje Go sin dependencias externas. Actualmente, la base de datos se utiliza principalmente para almacenar grandes cantidades de datos con marca temporal, como datos de monitorización de DevOps, métricas de APP, datos de sensores de loT y datos de análisis en tiempo real.
Como la base de datos de series temporales de código abierto de mayor rango, InfluxDB soporta políticas de almacenamiento de datos (RP) y archivo de datos (CQ), que pueden consultarse en tiempo real, y los datos pueden encontrarse inmediatamente después de ser indexados al escribirse.
2、Kdb+
Oficialmente conocida como la base de datos de series temporales más rápida del mundo, kdb+/q utiliza una base de datos unificada para procesar datos en tiempo real y datos históricos, y cuenta con funciones como el motor CEP (procesamiento complejo de eventos), la base de datos en memoria y la base de datos de disco. Las características del almacenamiento columnar hacen extremadamente conveniente realizar análisis estadísticos de una columna concreta.
En comparación con bases de datos generales o plataformas de big data, kdb+/q tiene una velocidad más rápida y un menor coste total de propiedad, lo que lo hace ideal para el procesamiento masivo de datos, utilizado principalmente en análisis masivo de datos, trading de alta frecuencia, inteligencia artificial, Internet de las Cosas y otros campos. En el sector financiero, donde la latencia es exigente, kdb+ tiene una ventaja única.
3、Prometheus
Prometheus es un marco de monitorización y alarmas de sistemas de código abierto creado por antiguos empleados de Google que trabajaban en SoundCloud en 2012 y desarrollado como un proyecto comunitario de código abierto, lanzado oficialmente en 2015, y que se unió oficialmente a la Cloud Native Computing Foundation al año siguiente.
Como un marco de monitorización de nueva generación, Prometheus cuenta con un potente modelo de datos multidimensional, una variedad de interfaces gráficas visuales y utiliza el modo pull para recopilar datos de series temporales, que pueden enviarse al servidor Prometheus en forma de push gateway.
4、 Grafito
Graphite es un sistema gráfico en tiempo real de código abierto que muestra datos para mediciones de series temporales. Graphite no recopila las métricas en sí, sino que actúa como una base de datos que las recibe a través de su backend y luego las consulta, transforma y combina en tiempo real.
Graphite soporta una interfaz web integrada que permite a los usuarios navegar por datos de medición y gráficos. Consta de múltiples componentes de back-end y front-end. El componente de back-end se utiliza para almacenar datos numéricos de series temporales, mientras que el componente front-end se utiliza para obtener datos de ítems métricos y renderizar gráficos según la situación.
5、TimescaleDB
TimescaleDB es la única base de datos de series temporales de código abierto que soporta SQL completo y está optimizada para extracciones rápidas y consultas complejas que soportan SQL completo. Está basado en PostgreSQL y ofrece lo mejor de los mundos NoSQL y Relacional para datos de series temporales.
TimescaleDB permite a desarrolladores y organizaciones aprovechar aún más sus capacidades: analizar el pasado, comprender el presente y predecir el futuro. Unificar los datos de series temporales y relacionales a nivel de consulta elimina los silos de datos y facilita la implementación de demos y prototipos. La combinación de escalabilidad y una interfaz SQL completa permite a los empleados hacer preguntas sobre datos. |
Publicado enHace 13 segundos
|
|
|
|
