摘要
2026 年 5 月 26 日，中国信息安全测评中心、国家保密科技测评中心联合发布《安全可靠测评结果公告（2026 年第 2 号）》，DolphinDB 数据库软件成为首批通过安全可靠测评的时序数据库。
这一事件标志着国产时序数据库在核心技术能力、安全保障能力、持续发展能力以及关键行业应用能力四个维度上获得了国家权威认可。本文从"安全可靠测评"这一里程碑切入，深入剖析 DolphinDB 为什么能够成为首批通过的时序数据库------其背后是存算一体、流批一体、多模存储、2000+ 内置函数、ACID 事务保障、细粒度权限控制、国产信创全栈适配等核心技术能力的长期积累。结合金融、电力、能源、智能制造、车联网、政务等关键行业的真实落地案例，探讨 DolphinDB 如何从一个"能用"的时序数据库，演进为一个关键行业"敢用"的数据基础设施。
一、引言：一张公告背后的行业信号
在我长期关注国产数据库发展的过程中，2026 年 5 月 26 日是一个值得记录的日子。
这一天，中国信息安全测评中心、国家保密科技测评中心联合发布了《安全可靠测评结果公告（2026 年第 2 号）》。公告中最引人注目的一条信息是：DolphinDB 数据库软件成为首批通过安全可靠测评的时序数据库软件。
"首批通过"这四个字的分量，只有深入了解安全可靠测评体系的人才能真正体会。安全可靠测评不是一次简单的产品功能验收，而是对申报产品的核心技术能力、安全保障能力、持续发展能力以及关键行业应用能力四个维度的全面审查。能够通过测评，意味着该产品从底层代码到上层应用、从技术指标到服务保障、从单点能力到生态适配，都达到了国家对关键信息基础设施的准入门槛。
这则公告向行业释放了一个清晰信号：时序数据库的国产替代，已经从"能不能用"的阶段，进入了"敢不敢用于核心系统"的阶段。
而 DolphinDB 用自己的技术和实践给出了回答------不仅敢用，而且在金融、电力、能源、智能制造、物联网、公用事业、科研、政务等多个关键领域已经有了成熟的大规模落地。
二、测评之重：安全可靠测评意味着什么？
2.1 四道"硬门槛"
安全可靠测评之所以含金量高，在于它不是单一维度的测试，而是设置了四道"硬门槛"：
核心技术能力------产品是否拥有自主知识产权？核心代码是否自主可控？关键技术指标是否达到甚至超越国际同类产品？这要求申报产品不能是"包装壳"，必须有真实的技术根基。
安全保障能力------产品是否具备企业级的安全防护体系？权限控制、数据加密、审计追踪、容灾恢复等安全机制是否完善？这是关键信息基础设施对底层软件的基本要求。
持续发展能力------研发团队是否具备持续迭代和技术演进的能力？产品线是否完整？服务体系是否健全？安全可靠不是一锤子买卖，而是需要长期陪伴和持续进化。
关键行业应用能力------产品是否在金融、能源、电力、政务等关键行业有真实的、大规模的落地案例？空谈技术指标不够，必须有实战验证。
这四道门槛，每一道都是"硬约束"。没有扎实的核心技术，过不了第一关；没有完善的安全体系，过不了第二关；没有持续的研发投入，过不了第三关；没有真实的大规模落地，过不了第四关。
2.2 为什么时序数据库的通过格外重要？
在数据库家族中，时序数据库是一个相对年轻的分支，但在工业物联网、金融、能源电力等关键领域的地位却越来越重要。以工业场景为例，一座大型水电站的 200 余万个传感器测点每日产生数百亿行时序数据，一家新能源车企的车联网平台每秒需要承受 1.8 亿测点的实时数据写入------这些数据是设备安全运行、故障预警、生产优化的"生命线"。
如果承载这些数据的时序数据库不可靠、不安全，后果是灾难性的。因此，时序数据库通过安全可靠测评，不仅是对产品本身的认可，更是为关键行业的数据基础设施选择提供了一份权威的"通行证"。
三、技术之基：DolphinDB 为什么能通过测评？
要通过安全可靠测评的四道门槛，靠的不是营销话术，而是硬核技术的长期积累。DolphinDB 的底气，来自其底层架构的系统性设计。
3.1 存算一体：从架构层面消灭"性能隐患"
安全可靠的第一层含义是"稳定"。而传统时序数据库架构中最大的不稳定源，来自数据在多个系统之间的反复搬运。
DolphinDB 的存算一体架构从根本上解决了这一问题------计算任务直接下推到存储节点执行，数据在哪里，计算就在哪里。没有跨节点网络传输，没有序列化开销，没有中间环节的故障风险。在存储层面，DolphinDB 的分布式文件系统支持单表万亿行数据存储；在计算层面，原生分布式计算框架充分利用多机多核 CPU 资源，集成 Pipeline、Map-Reduce 和迭代计算等多种计算模型。
某大型水电企业在压力测试中，面对单机百万级测点的高并发写入，DolphinDB 实现了"写入不阻塞、查询毫秒级"------稳定性的背后，是架构层面的简洁和可靠。
3.2 流批一体：实时与历史，一套代码保一致
工业场景对"可靠"的定义之一是"结果可信"。传统方案中，实时处理用 Flink，离线分析用 Spark，两套系统、两套代码、两套逻辑，结果的正确性验证变成了一个漫长的工程。更危险的是，当两套系统的结果出现不一致时，很难快速定位问题出在哪一侧。
DolphinDB 的流批一体设计让用户使用同一套脚本语言进行批量分析和流式计算，且保证流计算结果和批量计算完全一致。研发环境中基于历史数据构建的分析表达式，可以直接应用于生产环境的实时数据流。这从根本上消除了"两套代码导致结果不一致"的风险。
在性能层面，DolphinDB 内置了 10+ 流式计算引擎------时间序列聚合引擎、横截面处理引擎、响应式状态处理引擎、异常检测引擎、会话窗口引擎、多表关联引擎------大部分算子实现了增量计算模式，将复杂度从 O(n) 降到 O(1)，实现亚毫秒级的计算延迟。
3.3 多模存储：消除"数据孤岛"带来的安全盲区
在关键行业中，"数据孤岛"不仅影响效率，更影响安全。当同一设备的相关数据分散在不同的数据库中时，安全审计、权限控制和异常检测都可能出现"盲区"。
DolphinDB 提供了多种存储引擎，例如在一个平台内统一管理多种数据形态：
- TSDB 引擎：PAX 行列混存，高频时序数据的最佳载体，压缩率可达 4:1 至 10:1
- OLAP 引擎：列式存储，长时间跨度聚合分析的高效引擎
- PKEY 引擎：主键唯一性保证，支持从 MySQL 等 OLTP 数据库的 CDC 同步
- IMOLTP 引擎：内存数据库引擎，支持事务和 B+ 树索引，毫秒级读写
- VECTORDB 引擎：向量数据索引和近似最近邻搜索，为 AI 场景提供支撑
配合 AsOf Join 多频对齐和 2000+ 内置函数的库内融合计算，让跨类型的联合分析变得原生且高效------数据不需要在系统间搬运，安全边界自然就清晰可控。
3.4 2000+ 内置函数：从存储到分析的"库内闭环"
安全可靠测评关注的不仅是"存得住"，更是"算得快、算得准"。如果分析能力不足，数据还是要导出到外部平台，那么"存储融合"的价值就大打折扣，安全边界也被打破。
DolphinDB 内置超过 2000 个函数，覆盖时序处理、信号处理、统计分析、机器学习等广泛领域，且全部经过向量化优化。配合 SQL-92 标准和多范式编程能力，开发者能够直接在数据库内完成复杂分析，无需导出到外部环境。
更重要的是，DolphinDB 原生支持 Tensor（张量）数据格式，内置轻量化机器学习推理模块，支持通过 libTorch、XGBoost 等插件加载模型。数据清洗、特征提取、模型在线推理在数据库内部闭环完成------安全边界完整，数据不出库。
四、安全之盾：关键系统的"守护体系"
通过安全可靠测评，光有性能不够，还需要完善的安全保障体系。DolphinDB 在这一维度的建设是系统性的。
4.1 高可用架构：7×24 小时不间断运行
关键行业的数据基础设施，必须经得起"7×24 小时连续运行"的考验。DolphinDB 支持集群化部署，提供数据、元数据、流数据及客户端的高可用方案。在金融领域，交易数据一天都不能断；在电力行业，电网监测一秒都不能停------DolphinDB 的高可用架构正是为这些场景而设计。
某世界 500 强企业利用 DolphinDB 的异步复制框架搭建了异地多中心数据中台，集群间同步超 4000 张数据表，单表数据量最高达千亿级，百万级数据的同步延迟控制在毫秒级。跨地域、跨集群的数据一致性保障，让系统在面临单点故障时依然稳如磐石。
4.2 ACID 事务：时序数据库中的"稀缺品"
在时序数据库领域，支持 ACID 事务的产品并不多见。DolphinDB 是少数提供完整事务机制的时序数据库之一，保证 ACID 特性和快照级别隔离。
这一能力在工业场景中的价值不可小觑。当海量传感器数据并发写入的同时，业务系统正在进行复杂查询和聚合分析------如果没有事务保障，读取到的可能是"半写半未写"的中间状态，分析结果自然不可信。ACID 事务保证了在海量数据场景下，每一条写入要么完整可见，要么完全不可见，数据分析的可信度有了根本保障。
4.3 细粒度权限控制与企业级审计
安全可靠测评对权限管理和审计能力有明确要求。DolphinDB 支持细粒度权限控制，可实现用户、角色、数据对象的精细化授权------谁能看哪些表、谁能执行哪些函数、谁能写入哪些分区，全部可配置、可追溯。
配合企业级审计能力，每一次数据访问、每一次权限变更、每一次关键操作都留有痕迹，满足关键行业对数据安全和合规治理的要求。
4.4 资质背书：多项权威认证
DolphinDB 的安全可靠不仅通过了本次安全可靠测评，此前已获得多项权威认证：
- 通过中国信通院分布式时序数据库稳定性专项评测
- 通过中国信通院时序数据库性能专项评测
- 通过中国信通院时序数据库基础能力专项评测
- 获得 ISO9001 质量管理体系认证
- 获得 ISO27001 信息安全管理体系认证
- 获得 CMMI-3 级能力成熟度认证
- 获得 DCMM2 级数据管理能力认证
这些认证的叠加，构成了 DolphinDB 安全可靠能力的完整证据链。
五、信创之路：自主可控与开放兼容并行
安全可靠测评的一个重要维度是"自主可控"。DolphinDB 作为拥有自主知识产权的国产数据库产品，在这一维度上的布局是全面的。
5.1 国产信创全栈适配
DolphinDB 已经完成了对主流国产 CPU、国产操作系统以及信创环境的全栈适配：
- 国产芯片：龙芯、鲲鹏、飞腾、海光、兆芯等
- 国产操作系统：统信 UOS、银河麒麟等
- 部署方式：支持 Windows/Linux 操作系统单独或混合部署
这意味着企业在国产信创环境下，可以无缝使用 DolphinDB 构建数据基础设施，无需担心兼容性问题。
5.2 丰富的工业协议与生态协同
在数据采集层面，DolphinDB 原生支持 MQTT、OPC UA/DA、Modbus、IEC 104 等主流工业协议，可灵活连接不同类型设备与工业系统。对于存量数据资产，DolphinDB 通过插件支持从 Kafka、MySQL、Oracle、MongoDB、HDFS 等主流数据平台导入数据，让企业现有数据资产无缝迁移。
在工具生态方面，DolphinDB 已与帆软、Grafana、Node-RED、Prometheus、Airflow 等主流工具实现协同，并提供数十个插件扩展机器学习、消息队列、云存储、数据交互等能力。
在开发接口方面，DolphinDB 支持 Python、Java、C++ 等多种开发语言 API，便于与现有业务系统快速集成。
这种"自主可控、开放兼容"的策略，让 DolphinDB 在保持国产自主性的同时，不构建技术孤岛------关键行业看重的是安全，但同时也需要生态的开放和灵活。
5.3 云边协同：从边缘到云端的安全链路
工业场景中，大量设备部署在地理位置分散的边缘站点。DolphinDB 的边缘端部署包仅几十 MB，为资源受限的工业边缘设备提供完整的存储、分析和实时计算能力。边缘端脚本可由云端统一下发，数据上传和规则下发形成完整的云边协同架构。
在数据同步层面，DolphinDB 支持跨集群的异步复制，以事务为单位进行数据同步，保障不同集群之间的数据一致性。对于大型企业而言，这意味着从边缘到云端的数据链路是安全的、可靠的、可控的。
六、实战之证：关键行业的共同选择
安全可靠测评的第四道门槛是"关键行业应用能力"。DolphinDB 在这一维度上的表现，是最有说服力的------它的客户不是在"试用"，而是在"核心系统"中长期运行。
6.1 金融行业：对安全与稳定要求最苛刻的试炼场
金融行业是对数据安全与稳定性要求极高的领域。券商、基金、银行、保险等金融机构的交易数据、行情数据、风控数据，不仅量级庞大，而且对实时性和准确性有着苛刻的要求。
DolphinDB 为金融行业提供了从数据处理、策略验证、实时估值到 AI 建模的全链条能力。在业务应用层面，指标平台 Beluga 提供覆盖指标开发、权限管理与展示分析的全生命周期管理能力；因子开发管理平台 Starfish 提供从数据处理、因子构建、因子评价到策略回测的一站式支持。
金融机构选择 DolphinDB，本质上是用真金白银投了信任票------在金融领域，没有"试错"的余地，产品必须从第一天起就稳定、安全、可靠。
6.2 能源电力：国家级工程的数据底座
能源电力行业是国之重器。某大型水电企业------中国乃至全球最大的水电上市公司------拥有 200 余万测点，每日产生数百亿行数据。DolphinDB 以云边协同架构为其构建了统一数据底座：
- 多源数据关联查询响应从分钟级缩短至秒级
- 复杂分析任务效率提升 5-6 倍
- 关键设备故障预警延迟从"分钟级"压缩至"毫秒级"
在某电力监测设备企业中，DolphinDB 在资源有限的工控机上实现了振动数据的降采样、异常波形录制和傅里叶变换、小波变换等信号处理算法，为南方电网的振动监控与故障诊断提供了稳定支撑。
6.3 智能制造：产线级优化的实时引擎
某全球领先的智能制造整体解决方案服务商，仅用 3 台 4 核 32GB 服务器部署 DolphinDB 集群，就满足了 32.4 万点/秒的实时写入（双副本），在百亿数据量级下实现了高并发即席查询的毫秒级响应。
在无人工厂中，DolphinDB 的异常检测引擎扮演着"电子哨兵"的角色------产线上成百上千台设备的状态数据实时流入，引擎持续监测每个异常规则，一旦触发立即通过消息中间件推送告警。对于无人值守的产线而言，这种实时可靠的异常检测能力，是安全生产的最后一道防线。
6.4 核工业：从 MySQL 到 DolphinDB 的平滑替代
中核集团某研究院的案例格外值得关注。核工业对安全和可靠的要求不言而喻。该研究院原基于 MySQL 搭建的工业组态监控体系，随仪表测点增多和采样频率增加，已无法满足海量数据并发写入和毫秒级查询需求。
基于 DolphinDB 搭建新体系后，PKEY 引擎保证了从 MySQL CDC 同步过来的关系型数据的完整性，TSDB 引擎处理海量时序数据。最终实现了单表百亿数据量级下的毫秒级查询响应，完成了对 MySQL 的平滑替代，系统高可用性和容灾能力得到全面保障。
6.5 车联网：1.8 亿点/秒的极致压力测试
某新能源车企的车联网平台，单车测点达 7000，每秒 1.8 亿测点的不间断写入------这是对任何时序数据库的极限考验。DolphinDB 不仅满足了这一写入速率，资源利用率还稳定在 40% 左右，写入过程中单点查询平均耗时 100ms 以内，毫秒级异常检测与实时告警同步运行。
6.6 政务与科研：跨部门、跨领域的数据融合
在政务领域，某海关电子口岸自研数据仓库平台，原有数据分布在 MongoDB、Oracle、MySQL 等多个系统中，数据量达 TB 级。通过 DolphinDB 的多源数据接入能力，将不同业务系统的数据融合到统一的实时数据仓库中，复杂计算响应从分钟级缩短到秒级，数据处理链路极大简化。
在科研领域，某地震台网中心每 10 毫秒采集一条地震监测记录，基于 DolphinDB 构建了从 MiniSeed 解析、实时流接入、异常检测到预测预警的全链路架构，计算响应延迟控制在毫秒级。
七、选型思考：如何评估时序数据库的"安全可靠"？
基于以上分析，对于正在评估关键行业数据基础设施选型的企业，我提炼出评估时序数据库"安全可靠"的六个维度：
维度一：核心代码是否自主可控？ 如果产品的核心技术依赖外部开源项目或国外厂商，那么"安全可靠"就建立在不可控的地基之上。自主知识产权是安全可靠的根基。
维度二：安全体系是否完善？ 权限控制、审计追踪、数据加密、容灾恢复------这些不是可选项，而是关键行业的"准入证"。ACID 事务保障是数据可信的底线。
维度三：高可用架构是否经得起考验？ 7×24 小时不间断运行、跨集群数据同步、异地多中心容灾------在关键行业中，停机不仅是经济损失，更可能是安全事故。
维度四：国产信创生态是否完整？ 对国产芯片、国产操作系统的适配不是"锦上添花"，而是关键行业选型的"硬约束"。信创生态的完整性决定了产品能否在国产化环境中真正落地。
维度五：关键行业是否有真实的大规模案例？ 白皮书上的性能指标可以优化，但金融、电力、核工业等行业的长期运行记录无法伪造。真实的案例是最有说服力的"安全证书"。
维度六：服务体系是否成熟？ 安全可靠不仅是产品的能力，更是服务的承诺。培训认证、技术支持、社区生态的完善程度，决定了产品在关键时刻能否获得及时支撑。
DolphinDB 在这六个维度上都给出了完整的答案。通过安全可靠测评，是这些能力的综合体现；而在金融、电力、能源、智能制造等关键行业的深度落地，则是这些能力的实战验证。
八、结语
安全可靠测评的通过，对 DolphinDB 而言，不是终点，而是一个新的起点。
过去几年，国产时序数据库行业经历了从"能用"到"好用"的跨越。DolphinDB 用存算一体的架构消灭了数据搬运的性能损耗，用流批一体的设计打通了实时与历史的鸿沟，用多模存储引擎消除了数据孤岛，用 2000+ 内置函数实现了从存储到分析的库内闭环，用 ACID 事务保障了数据的一致性，用完善的权限控制和审计体系构建了企业级的安全防线。
而安全可靠测评的通过，标志着行业正在进入"敢用作核心"的新阶段。当金融头部机构将交易数据托管在 DolphinDB 上，当核工业研究院将组态监控体系迁移到 DolphinDB 上，当全球最大的水电企业将 200 余万测点的安全预警交给 DolphinDB 时------这不是"尝鲜"，而是"信任"。
从"能用"到"敢用"，这中间的距离，是核心技术能力的长期积累，是安全保障体系的持续建设，是关键行业场景的真实验证，是国产信创生态的全面适配。
时序数据库的国产替代，正在从"要不要用"的犹豫期，进入"该怎么用"的实践期。DolphinDB 通过安全可靠测评，为这个实践期提供了一份有力的注脚------国产时序数据库，已经准备好了。
参考资料
- 《安全可靠测评结果公告（2026 年第 2 号）》，中国信息安全测评中心、国家保密科技测评中心
- DolphinDB 官方技术文档：https://docs.dolphindb.cn/zh/about/ddb_intro.html
热烈祝贺 DolphinDB 通过国家安全可靠测评