时序数据库

TDengine （老段）

TDengine IDMP 数据可视化——散点图散点图的核心价值在于探索和展示两个变量之间的关系。散点图的主要功能包括通过观察点的分布形态，可以判断两个变量之间是否存在关联，以及关联的方向和强度、发现异常值、观察数据分布，进行聚类分析和回归分析（线性回归、指数回归、多项式回归）。

DolphinDB智臾科技

DolphinDB 与英方软件达成兼容互认，共筑高效数据新底座近日，浙江智臾科技有限公司（简称：DolphinDB）与上海英方软件股份有限公司（简称：英方软件）正式达成兼容互认，依托双方核心技术优势，联合推出第三方数据源到 DolphinDB 的实时数据同步方案，为各关键行业数字化转型提供数据支撑。

TDengine （老段）

TDengine IDMP 数据可视化——状态时间线状态时间线图是一种用于可视化离散状态（或类别）如何随时间变化的图表。它强调的是状态在特定时间段内的持续和转换。

DolphinDB智臾科技

V3.00.5 & 2.00.18 更新！TPC-H 性能跃升，MPP 引擎来了…赶在 2026 农历新年来临之际，DolphinDB 3.00.5 & 2.00.18 版本终于正式发布啦！

TDengine （老段）

TDengine IDMP 数据可视化——富文本富文本可以自定义文字和背景等，往往用来装饰 Dashboard 的标题。如图所示，多文本在 dashboard 中的标题示例。

时序数据库InfluxDB应用『宝藏代码胶囊开张啦！』—— 我的 CodeCapsule 来咯！✨写代码不再头疼！我的新站点 CodeCapsule 主打一个 “白菜价”+“量身定制”！无论是卡脖子的毕设/课设/文献复现，需要灵光一现的算法改进，还是想给项目加个“外挂”，这里都有便宜又好用的代码方案等你发现！低成本，高适配，助你轻松通关！速来围观 👉 CodeCapsule官网

TDengine （老段）

TDengine IDMP 高级功能——计量单位在物联网、工业场景，每个采集量采用的计量单位 (UOM) 都可能不一致。即使在入库时做计量单位的转换，但由于项目实施的时间不同，还有其他各种原因，这些采集量存入到数据库后，仍然存在计量单位不一致的可能。因此为提供准确的数据分析，我们必须进行计量单位的转换。

IoTDB 性能优化双杀：查询分析与负载均衡实战指南在分布式时序数据库的日常运维中，查询慢、集群负载不均是最让人头疼的两大问题。前者直接影响业务响应速度，后者则可能导致节点资源浪费或宕机风险。今天就来分享IoTDB的两大核心优化手段——查询性能分析（Explain/Explain Analyze）和Region迁移负载均衡，用实操技巧帮你搞定这两个痛点。

基于 IoT-benchmark 的时序数据库性能测试实战：从安装到结果分析本文详细介绍了由清华大学软件学院研发的开源时序数据库基准测试工具 IoT-benchmark，该工具基于 Java 和大数据环境开发，采用模块化设计思路，在借鉴 YCSB 工具组件分离设计的基础上新增系统监控模块及时序数据场景专属负载测试功能，支持 IoTDB、InfluxDB 等多种时序数据库及多种写入、查询工作模式。文章依次阐述了工具的基本概述、安装运行流程、核心配置参数（含服务模型、工作模式、连接信息、读写场景等）及自动化脚本使用方法，并结合中车青岛四方所的实际应用案例，展示了基于该工具的 IoTD

智慧校园后端演进：如何处理每日亿级传感器数据的“存、压、查”？在教育数字化转型的浪潮下，现代校园已不再是单纯的教学场所，而是一个巨大的物联网（IoT）感知体。从覆盖全校的智能电表、水表，到实验室的温湿度环境监测，再到教室照明的自动化控制，这些设备每秒都在产生海量的时序数据（Time Series Data）。

happyboy1986211

大专大数据管理与应用专业，怎么自学数据治理相关知识？数据是未来的石油，但未经治理的数据，只是沉睡的矿藏。如果你正就读于大数据管理与应用专业，或刚刚毕业，或许已经意识到：数据处理能力只是起点，真正的价值在于如何管理好、用好数据。而数据治理（Data Governance）正是实现这一目标的核心能力。

PostgreSQL：如何把PostgreSQL变成时序数据库（TimescaleDB）将 PostgreSQL 转变为高性能时序数据库的核心方案是使用 TimescaleDB —— 一个开源、兼容 PostgreSQL 的时序数据库扩展。它在保留 PostgreSQL 全部功能（SQL、JSON、GIS、关系模型等）的基础上，针对时间序列数据（如监控指标、IoT 传感器、金融行情、日志等）进行了深度优化，提供自动分区、高效写入、快速查询、数据压缩、连续聚合等关键能力。

运营商网管系统重构：如何解决海量投诉数据下的“查询延迟”与“写入瓶颈”？在运营商一线运维或网管系统架构中，我们经常面临这种极端场景：凌晨时分网络波动导致投诉量激增，监控后台却因数据库负载过高，查询响应超过15秒，甚至出现数据积压无法实时溯源。

时序数据库选型解析及Apache IoTDB技术实践万物互联时代，时间序列数据呈爆发式增长，广泛覆盖智能工厂、能源监测、交通电网、车联网等场景，对数据的高频采集、高效存储、低时延查询与实时分析提出极高要求。传统关系型数据库与通用NoSQL系统存在写入瓶颈、存储成本高、查询延迟大等问题，难以适配时序数据特性，时序数据库（TSDB）因此成为大数据架构中的关键基础组件。当前时序数据库产品繁多、选型维度复杂，企业需在性能、成本、生态、自主可控等方面综合权衡。本文将从大数据处理视角，结合工业物联网实际需求，梳理时序数据库选型核心维度，深入解析Apache IoTDB

Pocker_Spades_A

从数据生命周期出发的时序数据库选型指南：用 Apache IoTDB 把“存储成本”和“查询体验”一起算清楚时序数据库（TSDB）在物联网、工业互联网、车联网、能源与制造等场景里经常被“默认需要”。但在真实项目里，数据库选型不是比谁功能列表长，而是回答一个更现实的问题：

大数据场景时序数据库选型指南——Apache IoTDB实践与解析在数字化转型持续推进的过程中，时序数据已经成为工业物联网、能源监控、大数据分析等场景中的核心数据类型。这类数据具备时间有序、采集频率高、数据总量大、查询多以时间范围为主等特点，传统关系型数据库在处理这类数据时，往往会面临写入压力大、存储成本高、查询效率不足等问题。因此，选择一款适配业务场景的时序数据库，已经成为大数据架构设计与物联网系统建设中的重要环节。

架构实战：如何破解核心业务系统中时序数据迁移的“稳、准、快”难题？在医疗 HIS 系统、银行核心账务以及能源调度等关键业务中，系统每秒都会产生数百万条带有时间戳的数据。面对信创改造与架构升级的双重需求，金仓数据库凭借其时序增强特性与成熟的迁移工具链，正成为支撑这类高频数据管理平稳过渡的核心底座。时序数据的迁移并非简单的“数据搬家”，而是一场在“业务连续性”与“数据完整性”之间寻求最优解的工程实践。

TDengine （老段）

TDengine IDMP 数据可视化 7. 事件列表事件列表使用表格用来展示企业的事件信息。事件列表作为面板的一种类型，可以单独保存为某个元素下的事件列表面板，也可以添加到仪表板中。

物联网时代2026年时序数据库选型指南目录一、引言：物联网数据爆发下的数据库焦虑二、选型四大核心维度：我们需要什么样的数据库？三、主流竞品深度剖析：InfluxDB、HBase 与 OpenTSDB

TDengine （老段）

TDengine IDMP 数据可视化 6. 资产列表资产列表使用表格用来展示企业的资产信息及其最新状态和采集值。资产列表作为面板的一种类型，可以单独保存为某个元素下的资产列表面板，也可以添加到仪表板中。