field list什么意思_时序数据库有什么不一样？

前言

如今在万物互联(IoT)兴起的推动下，时间序列数据(衡量事物随时间变化的数据)应用和场景激增，是增长最快的数据类型之一，比如监控指标数据，传感器数据，日志，财务分析等等；时间序列数据具有特定的特征，例如通常以时间顺序形式出现，数据只能附加，并且查询总是在一个时间间隔内进行。虽然关系数据库可以存储这些数据，但是它们在处理这些数据时效率低下，因为它们缺乏优化，例如按时间间隔存储和检索数据。在这个时序数据库项目列表页有超 50种方案，比如 Apache Kudu/Cassandra，ClickHouse, Druid, EasticSearch, HBase, InfluxDB,Prometheus,TimescaleDB，Amazon Redshift/Timestream(预览)，Google BigQuery，Facebook Scuba 等等；

很多上规模的客户在时序数据的摄入(Ingest)、分析和成本方面都会遇到很多挑战，本文我们先尝试理解下时序数据的特殊性和数据库选型问题。

时序数据怎么不一样？

关系数据库(OLTP)的出现是为了解决交易事务问题，比如电商订单，支付等场景，也就是数据表的事务更新，比如转账交易，用户从一个账号转出，而在另外一个账户入账；这对应数据库两行甚至两个字段的更新；由于任何两个账号之间都可能发生转账，因此这些记录在磁盘上随机分布；再让我们看看时序数据的场景：

• 虚拟机/容器/应用监控数据：系统通常会收集不同服务器、容器或应用的度量值，比如 CPU 利用率，可用内存，可用磁盘，网络传输字节总量，每秒请求数等等，每个指标都关联相关的时间戳，服务器 ID，和一组描述所收集内容的属性；

  { “name”: “server.requestCount”, “status”: “200”, “endpoint”: “api”, “nf.app”: “fooserver”, “nf.cluster”: “fooserver-main”, “nf.stack”: “main”, “nf.region”: “us-east-1”, “nf.zone”: “us-east-1c”, “nf.node”: “i-12345678” }

• 传感器数据：每个设备可以在每个时间段报告多个传感器读数；例如对于空气和环境质量检测，可能包含，温度、湿度、气压、有害物质、颗粒物等等的测量值；每组数据都与时间戳、唯一设备ID相关联，并且可能有其他元数据。

• 证券行情数据：用时间戳的信息流表示，包含证券代码，当前价格，价格变化等等

• 车队/资产管理：数据包含车辆/资产ID，时间戳，GPS 坐标，及可能的元数据

以上所有的场景，数据集都是连续的测量值，不断产生“新数据”插入到数据库，虽然由于网络延迟，可能存在数据到达后端的时候，比数据生成标记的时间戳要晚很多，不过这种情况属于异常情况，发生频率比较少；

对比来看，OLTP事务处理的数据写入和时序数据的写入有很大差异：

OLTP事务写入	时序数据写入
主要是更新	主要是插入
数据随机分布	热点集中在最新的时间段数据
通常是基于主键的事务操作	除了时间戳之外࿰