时序数据库的4个误区，你踩了几个？

近几年IoT、IIoT、AIoT和智慧城市快速发展，时序数据库成为数据架构技术栈的标配。根据国际知名网站DB-Engines数据，时序数据库在过去24个月内排名高居榜首，且远高于其他类型的数据库，可见业内对时序数据库的迫切需求。

然而业内对时序技术的认知还停留在数年前，本文阐述时序数据库的4大误区，希望帮助读者理清来龙去脉和背后原因，以便在业务场景中选择合适的数据平台和技术栈。

时序数据是时间序列数据，其本质是带有时间戳的一系列结构化数据，通常是周期固定的数据，譬如数控机床每百毫秒采集的轴坐标、移动量、速度等数据，无人机每秒采集的位置、高度、风力、风向等数据，汽车每分钟采集的位置、车速、转速、温度等数据，智能冰箱每小时采集的温度、湿度、耗电量，用户访问网站的点击事件流等数据。下面是时序数据的一个例子：metrics为指标名字，tags标识时序数据的来源，data为时间戳和该时刻的metrics指标值。

时序数据具有以下特点：

• 周期性持续采集数据源的时序数据，对插入性能要求高，可能发生乱序情况或者丢失数据；

• 时序数据量大，对存储压缩比敏感；

• 数据源标签属性多样化，修改频次低；

• 指标数据量大而变化小；

• 查询需求多样：单数据源最新值、单数据源明细、单数据源过滤聚集、多维查询、降采样、滑动窗口查询、数据源状态演变图、特定模式识别、趋势预测、根因分析、阈值修正等。

为了解决以上时序数据特点带来的挑战，受限于当时的技术能力，数年前业内走了开发专为时序数据而设计的时序数据库路线，我们称之为专用时序数据库。专用时序数据库的核心设计是存储引擎，以解决高效存储数据源属性信息、数据源指标信息、数据