時間序列數據庫的簡要介紹-InfluxDB，TimescaleDB和QuestDB

基于特定的業務需求和用例，從關系數據庫中衍生出了大量新數據庫。從內存中的鍵值存儲到圖形數據庫，從地理空間數據庫到時間序列數據庫。在使用關系型數據庫的一般解決方案不是很有效的情況下，所有這些不同類型的數據庫都有特定的用途。

盡管有許多不同類型的數據庫，但在這里我們將研究時間序列數據庫-處理時間序列數據所需的數據庫。

由時間間隔內某物的連續測量組成的數據是時間序列數據。

隨著金融交易的現代化以及物聯網的出現，對時序數據庫的需求顯而易見。股票和加密貨幣的價格每秒鐘變化一次。為了測量這些變化的數據并對該數據進行分析，我們需要一種有效的存儲和檢索數據的方法。

隨著物聯網設備在我們生活中的空前滲透，物聯網設備生成的數據每天都在增加。無論是汽車診斷，房屋的溫度讀數，迷路的狗的GPS位置，物聯網設備無處不在。

物聯網設備只能做一件事情，一件事情。通過設備上的傳感器捕獲信息，并將其發送到服務器進行存儲。由于現有的通信協議對于這種輕量級的高頻數據，流數據來說太復雜了，因此開發了MQTT來解決物聯網的消息傳遞。

時間序列數據可以有兩種類型-常規(通常基于測量)和不規則(通常基于事件)。

但是時間序列數據不僅限于物聯網，它也滲透到整個互聯網。捕獲搜索引擎查詢，主題標簽，社交媒體帖子的病毒性等趨勢也可以生成時間序列數據。它并沒有就此結束。在由軟件驅動的世界中，記錄和審核安全性和合規性至關重要。所有這些數據也可以歸類為時間序列數據。

專門設計時間序列數據庫來處理由于捕獲，存儲和分析來自一個或多個上述來源的時間序列數據而引起的問題。因此，為簡單起見，讓我們將時序數據定義為：

• 高容量(來自測量的連續數據)
• 自然時間順序(時間是必不可少的維度)
• 作為整個數據集(比單個記錄)更有價值

有了這些信息，時間序列數據庫應該能夠存儲大量數據，并具有大規模記錄掃描，數據分析和數據生命周期管理的能力。如前所述，傳統的事務數據庫雖然可以用于存儲，檢索和處理時間序列數據，但是并不能充分利用可用資源。

特定的問題需要特定的解決方案。

現在，隨著公司意識到這一事實，他們開始使用專門的數據庫來解決特定的問題。這回到了我開始這篇文章所談論的內容。在所有其他數據庫中，時間序列數據庫在過去兩年中的采用率更高(截至2020年12月的數據)。

時間序列數據庫使用率增加約2.5倍的主要原因是云和數據技術的融合，以及能夠從較早的地方捕獲數據的地方捕獲數據的能力，即，汽車的引擎，冰箱，數十億個設備的位置數據等等。除了新的來源外，公司還意識到某些較舊的來源畢竟并不真正適合事務數據庫。所有這些都促進了時間序列數據庫的廣泛采用。

時間序列數據庫

考慮到時間序列數據庫的存在，讓我們研究一下如果要嘗試時間序列數據庫可以采取哪些不同的選擇。可以在DB-engines網站上找到完整的時間序列數據庫列表。我將談論其中的三個。

時序數據庫

作為時間序列的PostgreSQL銷售，它很快就引起了您的注意。默認情況下，PostgreSQL對任何東西都是一種贊美。借助超表和大塊等新的體系結構，TimescaleDB在插入方面的性能提高了15倍以上，在查詢性能上也有了顯著提高。在這里閱讀更多有關它的信息。

盡管沒有像其他大多數時間序列數據庫一樣，主要的云提供商在云中沒有針對TimescaleDB的完全集成的解決方案，但是TimescaleDB可以在所有這些數據庫上無縫運行。例如，如果您的基礎架構位于AWS中，并且您不想在Timescale Cloud中運行您的TimescaleDB實例，則可以使用EC2實例來安裝官方的TimescaleDB AMI，也可以使用帶有官方頭盔圖的AWS Elastic Kubernetes Services。

InfluxDB

與在PostgreSQL(關系數據庫)中獲得靈感的TimescaleDB不同，該數據庫是從頭開始編寫的NoSQL時間序列數據庫。盡管TimescaleDB具有站在被廣泛接受和欽佩的關系數據庫的肩膀上的優勢，但InfluxDB卻走了一條不同的道路。InfluxDB是時間序列數據庫中的佼佼者，但根據TimescaleDB的研究，它在許多方面都無法擊敗TimescaleDB。

如果您想讀一讀有趣的文章，并想將這兩個數據庫都安裝在系統上以自己了解一下，請轉到Oleksander Bausk今天在他的博客上發布的這個有趣的比較。

話雖如此，InfluxDB具有很多功能。除了查詢語言InfluxQL和Flux外，InfluxDB還開發了一種干凈，輕量，基于文本的協議，該協議用于將點寫入數據庫。值得贊揚的是，其他時間序列數據庫(例如QuestDB)已經采用了這種方法。

與TimescaleDB一樣，InfluxDB也提供了開箱即用的云解決方案，但是您仍然可以決定在其中一個云平臺上運行InfluxDB。例如，如果您在AWS上運行它，則將對CloudWatch指標，Grafana，RDS，Kinesis等具有本地支持。總而言之，一個非常好的數據庫。由于它是一個相當新的事物，因此很難說它將與基于關系數據庫的時序數據庫競爭。

QuestDB

QuestDB是時間序列數據庫列表中的最新成員，它是最新一批YCombinator之一。QuestDB的一些主要區別是列式存儲，低內存占用，關系模型在時間序列上的使用以及可伸縮的無模式提取。與大多數時間序列數據庫相似，QuestDB還使用官方AMI和Kubernetes Helm Charts在AWS上提供云部署選項。

QuestDB還采用了InfluxDB Line Protocol進行接收，而不必擔心隨著數據結構的變化而更改架構。作為列式數據庫，QuestDB無縫處理新列的創建，因此支持無模式提取。

盡管在初期，QuestDB幾乎提供了對ANSI SQL的完全支持以及對SQL方言的一些補充，但它創建了許多完全獨特的功能，使其成為可行的替代品，可能比市場上的其他一些主要數據庫更好。

結論

盡管還有其他幾個數據庫，但我現在只討論了這三個數據庫。從可公開獲得的數據中可以明顯看出，向時序數據數據庫過渡到時序數據庫。越來越多的公司將開始使用時間序列數據庫作為其數據庫堆棧的一部分，不一定取代關系數據庫，而是增加了其數據功能。這就是為什么今年將不僅對時間序列數據庫而且對市場上出現的所有其他專用數據庫特別令人興奮的原因。

原文鏈接：https://towardsdatascience.com/the-case-for-using-timeseries-databases-c060a8afe727