Scénarios d’application
Une base de données de séries temporelles (TSDB) est une base de données optimisée pour traiter des flux de données continus horodatés tels que les lectures de capteurs IoT, les métriques de serveur, les transactions financières. Il est spécialement conçu pour l’écriture à haute fréquence de données massives ainsi que pour l’agrégation rapide et la requête selon la dimension temporelle.
À l’ère de l’Internet de tout, la quantité de données générée par l’Internet industriel des objets est des milliers, voire des dizaines de milliers de fois supérieure, à celle de l’informatisation traditionnelle, et il s’agit d’une collecte en temps réel, d’une haute fréquence, d’une grande densité, et le modèle de données dynamique peut changer à tout moment. Les bases de données traditionnelles sont très sollicitées dans le stockage, l’interrogation, l’analyse et d’autres opérations de traitement de ces données, et il existe un besoin urgent d’un système de base de données optimisé pour les séries temporelles, c’est-à-dire les bases de données de séries temporelles.
La base de données de séries temporelles est une base spécialisée pour stocker et gérer les données de séries temporelles, avec pour caractéristiques d’écrire plus et de lire moins, de distinction chaud/froide, d’une écriture concurrente élevée, d’aucune exigence de transaction et d’écriture continue de données massives.
Caractéristiques des données de séries temporelles
Horodatage : Chaque point de données est horodagé, ce qui est important pour le calcul et l’analyse des données.
Structuré : Contrairement aux données massives provenant des robots d’indexation, de Weibo et de WeChat, les données générées par les appareils en réseau ou les systèmes de surveillance sont structurées. Ces données ont des types de données prédéfinis ou des longueurs fixes, telles que le courant et la tension collectés par les compteurs intelligents, qui peuvent être exprimés en un nombre standard de virgule flottante de 4 octets.
Streaming : Les sources de données génèrent des données à un débit à peu près constant, comme les flux audio ou vidéo. Ces flux de données sont indépendants les uns des autres.
Trafic fluide et prévisible : Contrairement aux données provenant des plateformes de commerce électronique ou des réseaux sociaux, le trafic des séries temporelles est stable dans le temps et peut être calculé et prédit en fonction du nombre de sources de données et des périodes d’échantillonnage.
Immuabilité : Les données de séries temporelles sont généralement uniquement en appendice, similaires aux données de journal, et sont généralement interdites et n’ont pas besoin d’être modifiées. Il existe peu de scénarios où des modifications des données brutes collectées sont nécessaires.
Classement
Adresse:La connexion hyperlientérée est visible.Les derniers classements sont les suivants :
base de données
1、InfluxDB
InfluxDB est une base de données distribuée open source, composée de séries temporelles, d’événements et de métriques, écrite en langage Go sans dépendances externes. La base de données est désormais principalement utilisée pour stocker de grandes quantités de données horodatées telles que les données de surveillance DevOps, les métriques APP, les données de capteurs de loT et les données analytiques en temps réel.
En tant que base de données open source de séries temporelles la mieux classée, InfluxDB prend en charge la politique de stockage des données (RP) et l’archivage des données (CQ), qui peuvent être interrogés en temps réel, et les données peuvent être immédiatement retrouvées après indexation lors de l’écriture.
2、Kdb+
Officiellement connue comme la base de données de séries temporelles la plus rapide au monde, kdb+/q utilise une base de données unifiée pour traiter les données en temps réel et les données historiques, et dispose de fonctions telles que le moteur CEP (traitement complexe des événements), une base de données en mémoire et une base de données disque. Les caractéristiques du stockage en colonne rendent extrêmement pratique la réalisation d’une analyse statistique d’une colonne donnée.
Comparé aux bases de données générales ou aux plateformes de big data, kdb+/q offre une vitesse plus rapide et un coût total de possession plus faible, ce qui le rend idéal pour le traitement massif de données, principalement utilisé dans l’analyse massive de données, le trading à haute fréquence, l’intelligence artificielle, l’Internet des objets et d’autres domaines. Dans le secteur financier, où la latence est exigeante, kdb+ présente un avantage unique.
3、Prometheus
Prometheus est un framework open source de surveillance et d’alarme de systèmes créé par d’anciens employés de Google travaillant chez SoundCloud en 2012, développé comme un projet open source communautaire, officiellement publié en 2015, et rejoint officiellement la Cloud Native Computing Foundation l’année suivante.
En tant que nouveau cadre de surveillance de nouvelle génération, Prometheus dispose d’un modèle de données multidimensionnel puissant, de diverses interfaces graphiques visuelles, et utilise le mode pull pour collecter des données de séries temporelles, qui peuvent être envoyées vers le serveur Prometheus sous forme de passerelle push.
4、 Graphite
Graphite est un système de graphiques en temps réel open source qui affiche des données pour les mesures de séries temporelles. Le graphite ne collecte pas les métriques elles-mêmes, mais agit comme une base de données qui les reçoit via son backend puis les interroge, les transforme et les combine en temps réel.
Graphite prend en charge une interface web intégrée qui permet aux utilisateurs de parcourir les données de mesure et les graphiques. Il se compose de plusieurs composants en arrière-plan et en front. Le composant back-end est utilisé pour stocker les données numériques de séries temporelles, tandis que le composant front-end sert à obtenir des données métriques et à afficher des graphiques basés sur la situation.
5、TimescaleDB
TimescaleDB est la seule base de données open source en séries temporelles qui prend en charge le SQL complet et est optimisée pour une extraction rapide et des requêtes complexes supportant le SQL complet. Il est basé sur PostgreSQL et offre le meilleur des mondes NoSQL et relationnel pour les données de séries temporelles.
TimescaleDB permet aux développeurs et aux organisations de tirer encore plus parti de ses capacités : analyser le passé, comprendre le présent et prédire l’avenir. Unifier les séries temporelles et les données relationnelles au niveau de la requête élimine les silos de données et facilite la mise en œuvre des démos et prototypes. La combinaison de la scalabilité et d’une interface SQL complète permet aux employés de poser des questions sur les données. |
Publié surIl y a 13 secondes
|
|
|
|
