时序数据库是一种专门面向时序数据进行优化的数据库管理系统。
主要用于处理带时间标签（按照时间的顺序变化，即时间序列化）的数据，带时间标签的数据也称为时间序列数据，具有下面特征之一的时序型特征的数据可以考虑使用：
- 大量高性能的写入；
- 聚合实时分析；
- 数据实时可视化分析；
- 数据量巨大，需要压缩存储；
- 历史数据需要高效地删除；
2022年12月时序数据库排行榜
https://db-engines.com/en/ranking/time+series+dbms
业界常见时序数据库
1、 Influxdb
在 https://www.influxdata.com/ 可以看到有三个产品：
- InfluxDB Cloud 云模式。
- InfluxDB OSS 独立部署集群版。
- InfluxDB OSS 独立部署单机版，开源。https://github.com/influxdata/influxdb 官方数据单机性能27W，
star 24.6K
https://awesome.influxdata.com/docs/part-1/introduction-to-influxdb/
TICK 架构 是 InfluxData 平台的组件的集合首字母缩写，该集合包括 Telegraf、InfluxDB、Chronograf 和 Kapacitor。
TICK 架构以及各组件分工情况如图所示：
目前业界大厂（阿里、360...）的做法基本上是基于influxdb做二次开发， 实现分布式的集群方案。
部分互联网公司会基于proxy方案实现高可用和容灾能力
相关开源的：
- https://github.com/influxdata/influxdb-relay
- https://github.com/shell909090/influx-proxy
- https://github.com/chengshiwen/influx-proxy
- https://github.com/Qihoo360/influx-proxy https://www.infoq.cn/article/IcvfEmGM8WzS8PO72ZwR
2、Kdb+
1998年，Kx Systems（https://kx.com/）发布了kdb。
Kx Systems在2003年发布了64位版本的kdb+。
它是用q语言写的。Kdb+是为处理金融、物联网等领域的大量时间序列数据而构建的。
kdb+时间序列数据库是世界上最小（只有几十KB）和最快的。它的单一集成平台使其非常有效地分析超大型数据集，并加快了基于我们的高性能核心技术构建的Kx解决方案的开发和部署（官方描述）。
特点：
- 内存数据库(In Memory Database)，将数据放置在内存中
- 解释型语言(Interpreted)
- 有序列表(Ordered Lists)， 实现高速处理数据的关键，区别于传统数据库。
- 赋值顺序(Evaluation Order)
- 面向表编程(Table Oriented)
- 面向列编程(Column Oriented)
- 强类型(Types)
3、Graphite
根据官方文档（http://graphite.readthedocs.io/en/latest/overview.html#about-the-project），它只做两件事：
- 存储数字时间序列数据
- 呈现此数据的图形
4、Prometheus
Prometheus是由SoundCloud开发的开源监控报警系统和时序列数据库(TSDB)。Prometheus使用Go语言开发，是Google BorgMon监控系统的开源版本。
根据其官方文档（https://github.com/prometheus/prometheus/blob/master/README.md），Prometheus因具备如下的特征而得以将自己与其他监控系统区别开来：
- 多维数据模型，其时序数据由指标名称和键/值维度定义；
- 灵活的查询语言；
- 自治的单服务器节点，不依赖于分布式存储；
- 通过HTTP之上的pull model进行数据收集；
- 时间序列数据推通过中介网关传送到其他数据目的地和存储介质；
- 服务发现和静态配置来发现目标节点；
- 对图表和仪表板的多种支持模式；
- 垂直和水平上支持Federation。
开源 https://github.com/prometheus/prometheus
star 45.8K
5、 TimescaleDB
- 基于时序优化
- 自动分片（自动按时间、空间分片(chunk)），自动调整 CHUNK 的大小
- 全 SQL 接口
- 支持垂直于横向扩展
- 支持时间维度、空间维度自动分区。空间维度指属性字段（例如传感器 ID，用户 ID 等）
- 支持多个 SERVER，多个 CHUNK 的并行查询。分区在 TimescaleDB 中被称为 chunk。
- 内部写优化（批量提交、内存索引、事务支持、数据倒灌）。
内存索引，因为 chunk size 比较适中，所以索引基本上都不会被交换出去，写性能比较好。
数据倒灌，因为有些传感器的数据可能写入延迟，导致需要写以前的 chunk，timescaleDB 允许这样的事情发生(可配置)。 - 利用已有的 PostgreSQL 特性（支持 GIS，JOIN 等），方便的管理（流复制、PITR）
6、DolphinDB
DolphinDB是由浙江智臾科技有限公司研发的一款高性能分布式时序数据库
7、Monarch
来自Google的闭源内存时序数据库，全局配置，靠分zone来实现大规模的监控管理。
参看：时序数据库 | Monarch: 谷歌的全球级内存时序数据库
8、beringei
来自facebook的开源内存时序数据库。
https://github.com/facebookarchive/beringei
star 3.1K
9、 OpenTSDB
来自 SoundCloud 开源
https://github.com/OpenTSDB/opentsdb
star 4.8K
基于Hbase数据库作为底层存储，向上封装自己的逻辑层和对外接口层。这种架构可以充分利用Hbase的特性实现了数据的高可用和较好的写入性能。但相比Influxdb，OpenTSDB数据栈较长，在读写性能和数据压缩方面都还有进一步优化的空间。 整体架构如下：
10、 涛思数据 TDengine
来自 涛思 开源
https://github.com/taosdata/TDengine
star 20.2K
一个采集点是一个表，根据表维度做分片，根据时间维度做分区。
每个物理节点上可有多个分片，一个分片的副本分布在不同的机器上。
meta data 协调分片，以及存储存储表、超级表、节点信息。
11、阿里云 时序数据库 TSDB
来自 阿里云 闭源
https://help.aliyun.com/product/54825.html
自研+提供influx版本
和官方集群版描述的一样，任意数据节点可以承接流量然后通过meta节点来协调，转发部分请求到其他的数据节点，
最后汇总结果信息，将最终结果返回给client。
12、 腾讯云 CTSDB
来自 腾讯云 闭源 基于influx版本自研
https://cloud.tencent.com/product/ctsdb
和官方集群版描述的一样，任意数据节点可以承接流量然后通过meta节点来协调，转发部分请求到其他的数据节点，最后汇总结果信息，将最终结果返回给client。
13、 GaussDB(for Influx)
来自 华为云 闭源
https://www.huaweicloud.com/product/gaussdbforinflux.html
基于influx版本自研
http://www.opengemini.org/（计划开源）
14、 Apache Druid
来自 Apache 开源, 更侧重于多元分析
https://github.com/apache/druid
star 12.2K
15、 饿了么 LinDB
broker更像一个proxy，storage是数据节点，并且通过etcd作为媒介进行沟通，broker收到请求后根据分片配置。
生成执行计划，然后在etcd里面生成查询任务，数据节点watch etcd的task相关的key进行查询并更新task状态机。
整个task的执行都是etcd进行异步处理的，有点儿像k8s的调度策略，broker最终汇总结果返回给client。
InfluxDB 更适合的用途：
- 需要 logging 监控；
- 需要精细的时间尺度；
- 需要 TICK 生态的易用性；
LinDB 更适合的用途：
- 需要查询速度更快；
- 需要解决海量数据的时序场景；
- 对时序数据时间精度不敏感，比如监控领域；
总结
Influxdb在各个大云厂商里面已经被广泛使用，并且社区活跃度比较高，产品的稳定性经过了充分的验证，值得推荐。
主要风险为，influxdb官方只开源单机版本，分布式版本是闭源的，各大厂商都自行扩展了集群版本。
