编者按：
工业物联网中的时序数据正在快速增长。产线故障预测、车辆路径判断等业务需要在数据产生附近及时完成决策，历史趋势分析和大规模聚合又需要云端算力。数据全部上云，会受到传输时延、带宽和副本同步进度的影响；复杂查询全部留在边缘，有限的计算资源又难以承载。
在 2026 时序数据技术创新大会上，哈尔滨工业大学计算学部海量数据计算研究中心副研究员崔双双分享了 CED-DB云边端协同时序数据库的研发实践。 该项目基于IoTDB 进行上层功能扩展、云边端架构适配和场景化封装，并配套研发LOADS 自适应云边端协同数据库系统优化器，探索如何让时序数据在云、边、端之间更合理地存储、调度和查询。
一、云边端协同架构下的时序数据管理挑战
智能工业、智能农业和智慧交通都在持续产生时序数据。设备监控和现场控制强调低时延，产品质量追溯、运行趋势分析和模型训练则需要更长时间范围的数据。传统集中上云架构容易出现响应慢、带宽消耗高等问题，也需要考虑数据隐私。
**云边端架构把边缘节点放在终端和云之间。**边缘更靠近设备，适合快速响应；云端拥有更充足的存储和计算资源，适合复杂分析。
实际落地仍要处理四类挑战：数据类型多样、节点资源异构、访问模式不同，以及跨层传输带宽受限。
二、以 IoTDB 为底座建设 CED-DB
面对上述挑战，哈尔滨工业大学研究团队没有选择从零研发数据库内核的路线，而是基于 Apache IoTDB 已有的时序数据存储、管理、查询及端边云协同能力，重点围绕异构资源环境下的数据调度与跨层查询优化开展研究。
据崔双双介绍，IoTDB具备高吞吐写入、低延迟查询、原生时序文件格式TsFile，以及树表双模型等技术优势，同时采用商业友好的 Apache License 2.0 开源许可证，为工业物联网场景下的时序数据管理提供了良好基础。在研发过程中，IoTDB 团队也提供了技术支持，使研究团队能够减少底层数据库内核的重复开发，将更多精力投入到分层存储、智能调度和跨层查询等创新问题中。
在此基础上，团队围绕云边端协同需求，对 IoTDB 进行上层功能扩展、架构适配与场景化封装，研发了CED-DB云边端协同时序数据库管理系统。
CED-DB采用分层架构，融合云端算力、边缘低延迟和终端采集能力，并通过任务分发将查询交给更适合的节点执行。配合LOADS优化器，系统能够支持跨云、边、端访问，并尽量保持对上层业务透明，使用户获得接近单一数据库的使用体验。
CED-DB还提供云边端集群管理能力。系统可以展示云节点和边缘节点的拓扑关系，监控节点资源，进行SQL下发，并观察任务执行状态，为多节点协同运行提供管理基础。
三、LOADS 如何实现数据管理、查询调度与跨层协同
在云边端架构中，数据应该存在哪一层，查询任务应该交给谁执行，节点过载时如何处理，是影响系统效率的关键问题。
为此，团队研发了自适应云边端协同数据库系统优化器LOADS，将冷热数据分层管理、学习型查询调度、协同查询执行和实时迁移整合为完整流程。LOADS相关研究成果发表于数据库领域国际会议 ICDE 2026，主要包括三个核心功能。
1. 分层数据管理
团队提出TempSched温度感知调度算法，结合牛顿冷却定律和热辐射定律构建数据温度模型，动态识别数据访问热度。
高频访问的热数据可以同步至云端，低频访问的冷数据则暂时保留在边缘侧。系统还结合查询日志和频繁时间戳挖掘，对未来访问负载进行预测，提前完成数据预热，为后续查询调度提供支持。
相关研究成果已发表于ICDE 2025。
2. 查询自动调度
LOADS通过机器学习综合分析查询特征、节点实时负载、网络带宽和延迟等信息，为每条查询选择更合适的执行位置。
轻量查询可以保留在边缘侧，以满足实时响应需求；复杂查询则利用云端算力。当边缘节点出现过载时，系统可以触发跨层迁移，实现资源的动态调度。
3. 云边端协同查询
传统方案通常要求一个查询从头到尾在同一层级执行，但这会产生三个问题：边缘节点难以承载复杂查询，云端副本可能存在同步滞后，全量数据回传又会消耗大量带宽。
**LOADS提出"边缘启动、云端接力、尾部补全"的协同查询思路。**查询首先在边缘侧执行，节点过载时，只需将当前执行进度传递给云端。云端利用本地副本继续处理，边缘侧最后补齐云端尚未同步的最新数据，双方合并后形成完整结果。
四、查询如何跨节点接力？三项关键技术降低协同成本
查询迁移的关键，是避免把已经完成的计算状态全部复制到另一节点。
对于扫描和聚合算子，LOADS以数据块为边界，记录当前扫描位置。查询迁移后，目标节点可以从该位置继续执行，减少重复计算。
对于需要将多个传感器数据按时间对齐的时序连接算子，传统的状态迁移往往需要传输大量中间数据，随着查询执行进度增加，迁移成本也可能持续上升。
针对这一问题，LOADS 利用了时序查询中数据按时间戳有序处理、单条序列在同一时间戳下具有唯一记录等特性，为参与连接计算的每一路输入流分别维护时间戳进度标记。在满足相应数据组织和执行条件的情况下，查询迁移时只需传递这些进度标记，目标节点便可据此继续执行，而不必完整复制此前积累的中间状态。
在团队的实验中，与传统的全状态传输方式相比，采用增量进度索引后，查询迁移成本降至原来的十分之一以下。
针对弱网环境，团队还设计了接收者驱动的异步拉取协议，通过"通知、拉取、确认"三步握手实现流量控制，将传输节奏交给资源更紧张的边缘节点。同时，系统采用重叠切换机制，在云端准备查询计划时，边缘侧继续执行任务，减少查询迁移过程中的中断。
五、六节点测试验证性能与弱网适应能力
团队搭建了六节点云边测试集群，并**基于 IoT-benchmark 标准工业负载开展测试。**结果显示，在并发查询场景下，单节点任务完成时间缩短 32% 至 47%，边缘 CPU 平均利用率降低 61% 至 74%。在 5% 网络丢包率条件下，查询完成率仍保持 100%，端到端时延增加 2.8% 至 7.8%。
崔双双同时指出，数据规模越大、查询复杂度越高，云边端协同方案的收益越明显。对于工业物联网中的复杂分析负载，系统能够在利用云端算力的同时，保留边缘侧数据的实时性。
在理论证明和实验验证中，云边协同执行结果与纯边缘单节点执行结果保持等价。即使云端副本存在10秒数据滞后，查询结果匹配度仍达到100%，没有出现数据丢失或重复计算。
六、基于 IoTDB，探索云边端协同查询的新路径
从 CED-DB 的系统架构，到 LOADs 的分层存储、智能调度与协同查询，这项研究关注的并不是单一数据库节点的性能优化，而是如何在云边端异构资源环境下，更高效地组织数据、分配查询任务，实现跨层协同执行。
Apache IoTDB 本身已具备端边云协同、数据同步、时序数据存储与查询分析等能力，为工业物联网场景提供了成熟的技术基础。在此基础上，**哈尔滨工业大学研究团队结合具体研究需求，对 IoTDB 进行了上层功能扩展、架构适配与场景化封装，构建了 CED-DB 云边端协同时序数据库管理系统，并通过 LOADs 优化器，进一步探索数据冷热分层、智能查询调度、轻量化查询迁移与跨层协同执行等关键技术。**这项实践也体现了开源数据库对高校科研创新的支撑价值。
目前，团队已在 GitHub 公开 CED-DB 与 LOADs 相关项目代码，为相关领域的研究与实践提供参考。
延伸阅读：
开源仓库：
- CED-DB仓库： https://github.com/MDC-LOADS/CED-DB
- LOADS仓库： https://github.com/MDC-LOADS/LOADS
- IoT-Benchmark：https://github.com/thulab/iot-benchmark
相关论文：
1 S. Cui, H. Wang, X. Liu, X. Ding, "TempSched: A Temperature-Aware Storage Scheduler for Time Series Across Cloud-Edge-Device," in 2025 IEEE 41st International Conference on Data Engineering (ICDE), pp. 946--958, 2025.
链接：https://ieeexplore.ieee.org/document/11113
2 C. Zhao, Y. Zhang, S. Cui, H. Wang, "LOADs: Adaptive Cloud-Edge-Device Database Management System Optimizer," in 2026 IEEE 42nd International Conference on Data Engineering (ICDE), pp. 4211--4214, 2026.