写入速度提升数十倍，TDengine 在拓斯达智能工厂解决方案上的应用 _数据库

小 T 导读：在拓斯达的智能工厂整体解决方案项目中，传统的关系型数据库已经无法高效处理时序数据，在加载、存储和查询等多个方面都遇到了挑战，最终他们选择了来匹配工业传感器数据的应用分析场景。本文将讲述他们应用的具体实践。
企业简介
广东拓斯达科技股份有限公司（简称：拓斯达，股票代码：）是广东省首家登陆创业板的机器人骨干企业。拓斯达坚持“让工业制造更美好”的企业使命，通过以工业机器人、注塑机、CNC为核心的智能装备，以及控制、伺服、视觉三大核心技术，打造以核心技术驱动的智能硬件平台，为制造企业提供智能工厂整体解决方案。
【写入速度提升数十倍，TDengine 在拓斯达智能工厂解决方案上的应用】项目介绍
在工业领域，生产、测试、运行阶段都可能会产生大量带有时间戳的传感器数据，这都属于典型的时序数据。时序数据主要由各类型实时监测、检查与分析设备所采集或产生，涉及制造、电力、化工、工程作业等多个行业，具备写多读少、量非常大等典型特性。
在我们的业务中，传统的关系型数据库（）已经无法高效处理时序数据，在加载、存储和查询等多个方面都遇到了挑战。主要问题可以汇总如下：
为了更好地满足时序数据的处理需求，我们决定进行数据库选型调研，最终选择了时序数据库（Time- ）。事实证明，针对时序数据的写入、存储、索引、查询等方面都进行了特定的优化，从而实现了更优的数据加载、数据压缩、查询写入性能，非常匹配工业传感器数据的应用分析场景。
选择的理由
与通用数据库相比，的压缩率表现惊人，核心原因是其采用列式存储，而且采用了二阶段压缩策略，还针对不同数据类型采取了不同的压缩算法，这种压缩机制使其压缩率远超其他数据库。
此外还拥有极高的读写性能，并且读写速度受数据存储规模的影响微乎其微，要知道通用数据库的数据量一旦过百万级，读写速度就会有明显下降，之前我们做过一次 MySQL 批量插入数据的测试，性能差距明显，这也是在大量级数据存储下我们会选择的重要原因之一。具体来说，优势如下：
当然，世上没有完美的数据库，我们在应用之后总结出了两点待改进的地方：
但每一款产品都是在发现问题和改进问题的步伐中逐渐进步的，而且对于我们的业务实现来说，不存在明显的短板。没有最优的数据库，在场景匹配的情况下，我们最终采用了。
落地实践
我们是通过网关采集设备数据推送到 MQTT，Java 后端监听到后会写入，在后端按需求查询处理后再把数据返回给前端。
具体来说，网关会先读取后台发布的上行规则，在采集到设备数据后，使用上行规则对数据进行处理计算后再将结果返回给下行规则模块，后台监听到后，会连接进行数据库表的创建修改和数据写入。之前在云平台我们使用过 Kafka 进行数据的发布订阅，现在所有环境都改为 MQTT 了。
在应用时，我们建立了流水数据库 “” 用来存储网关传来的数据，便于日后查询使用。我们遵循“一个采集点一张表，一类数据一个超级表”的思路来建表，在具体实践上设计了两张超级表，一张是用于存储 log 指令内容的“logs”表，另一张是用于存储其它指令内容的“datas”表，数据类型基本为电流电压、设备状态等。在进行数据存储时首先会对数据加以判断，再决定将数据存储到哪张表里。
落地效果
运行一段时间后，的查询、写入速度完全可以满足我们目前的客户需求，最慢的分钟级，最快的能达到 1 秒一条；一个设备一天最多能写入近十万条数据，近千个设备同时写入也完全没有问题，相较于之前，写入速度提升了数十倍。查询数据在以月为单位的时间范围内没有过于明显的延迟，整体的数据压缩比大概是1/10，目前每天产生的数据量在数G左右。