时序数据库

DolphinDB智臾科技

DolphinDB 高可用 MVCC 表使用指南高可用 MVCC 表是DolphinDB基于 Raft 共识协议构建的高可用多版本并发控制（MVCC）表，旨在为关键业务提供强一致性与服务高可用的数据存储解决方案。与普通的 MVCC 表相比，高可用 MVCC 表的所有写操作（如 append、update）都会先通过 Raft 层进行日志复制和共识，然后才应用到表中，从而在节点故障时能够保证数据不丢失；而读操作可直接访问本地副本，无需经过 Raft 共识，因此不会引入额外的延迟。

TDengine （老段）

工业软件的未来：构建在工业数据底座之上的 AI Agent作者： Jeff Tao 涛思数据在过去几十年里，工业软件一直是围绕“应用系统”构建的。SCADA、MES、工业实时数据库、报表系统以及各种分析工具，都是以独立应用的形式存在，每个系统都有自己的界面、数据模型和工作流程，用户需要学习这些系统并适应它们的使用方式。

时序数据库选型指南：我们是怎么评估和选型的最近团队在重构物联网大数据平台，最头疼的就是时序数据库选型。市面上号称“专为时序数据设计”的数据库少说也有二三十种，每家都说自己“性能最强”“压缩比最高”“查询最快”。花了小半年时间调研、测试、对比，踩了不少坑，也积累了一些经验。

时序数据库选型指南：大数据时代的“数据基建”与 IoTDB 的工业原生之路在企业的数字化转型进程中，时序数据库已经从“辅助工具”演变为“核心基础设施”。尤其在工业互联网与 AI 融合的当下，面对海量、高速、乱序的时序数据，传统企业的存储与分析架构正面临前所未有的挑战。

檀越剑指大厂

时序数据库选型指南-IoTDB当企业开始建设实时数据平台时，最容易低估的一类数据，就是时序数据。设备测点、传感器指标、工业控制信号、能源负荷、车联网遥测、运行日志指标，看上去都只是“带时间戳的数据”，但当数据规模进入亿级、十亿级甚至更高量级之后，问题就不再是“能不能存”，而是“能否持续高效地写、低成本地存、按时间语义高效地查，并且在生产环境里稳定跑下去”。

一个天蝎座白勺程序猿

时序数据库选型从迷茫到清晰：国产DolphinDB凭什么成为大数据场景下的首选？我做大数据开发从最早的传统数仓到现在的物联网、金融量化项目，见过太多团队在时序数据库选型上栽跟头。最近两三年，我接到的咨询里，十个大数据项目有七八个要用时序数据库：设备测点、金融要存行情tick数据、互联网要存业务监控指标、车联网要存车辆运行数据……越来越多的业务产生海量带时间戳的数据，传统数据库顶不住，专门的时序数据库成了刚需，但网上的选型攻略要么太老，要么带着明显的偏向，很多朋友看完还是不知道怎么选。

想你依然心痛

大数据时代时序数据库选型指南：Apache IoTDB 的实战进阶与避坑法则预测未来最好的方式，就是亲手去创造它。别像算命先生一样猜测明天，拿起泥刀和砖块，去建设明天。命运从来不靠等待，它只屈服于那些敢于把蓝图变成现实的实干家。早上好！

TDengine （老段）

工业系统中的高级分析：超越工业实时数据库作者： Jeff Tao 涛思数据在过去几十年里，工业实时数据库在工业系统中扮演了至关重要的角色，它们负责采集并存储时序数据。像 PI System 这样的系统，在从现场设备采集信号，并将其用于可视化和基础分析方面，做得非常出色。

【IoTDB】工业物联网时序数据库优选：Apache IoTDB的显著优势【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈大数据与数据库应用 ⌋ ⌋ ⌋ 大数据是规模庞大、类型多样且增长迅速的数据集合，需特殊技术处理分析以挖掘价值。数据库作为数据管理的关键工具，具备高效存储、精准查询与安全维护能力。二者紧密结合，数据库为大数据提供坚实存储与处理基础，在电商、金融、医疗等领域广泛应用，助力企业精准决策、提升运营效率。

YMatrix 官方技术社区

美国·硅谷｜YMatrix 即将亮相 Postgres Conference 2026，前瞻 AI 时代的数据基座前言AI 时代，数据基础设施正从“存储中心”加速向“计算中心”演进。随着大模型应用对向量检索、实时流处理、大规模分析能力的需求激增，数据库正经历着新一轮的技术创新。

李兆龙的博客

从一到无穷大 #67 大查询根因分析 - 从 PinSQL 到 RCRank本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。本作品 (李兆龙博文, 由李兆龙创作)，由李兆龙确认，转载请注明版权。

TDengine3.x 数据文件详解每个 taosd 进程对应一个 dnode 目录，存储数据节点所有信息。数据节点配置文件，记录当前节点信息和整个集群的节点信息。

涛思数据（TDengine）

AI 驱动的运营洞察：TDengine 如何消除数据与洞察之间的门槛过去几十年，工业系统一直在不断提升数据采集与存储能力。工业实时数据库、工业互联网平台以及各类数据基础设施，已经能够处理海量的时序数据，很多企业也为此投入了大量资源，期望“有了数据，就会有洞察”。

CentOS7.9及以上环境部署TDengine TSDB-OSS实战指南：安装、配置、建库、建超级表与验证_202504181、TDengine官网https://www.taosdata.com/2、TDengine TSDB 文档https://docs.taosdata.com/3、TDengine 下载中心https://www.taosdata.com/download-center?product=TDengine+TSDB-OSS&version=3.3.8.8&platform=Docker&architecture=x644、欢迎来到 TDengine 技术社区https://ask.taosdata.com

涛思数据（TDengine）

3年稳定运行、磁盘无需扩容：TDengine 时序数据库支撑城市燃气数字孪生平台小T导读：在实际应用场景中，叁零肆零部署了数以万计的指标传感设备（如压力远传表、智能保压终端等），这些设备持续产生海量时序数据，用于实时监测能源系统运行状态、预测设备故障，并辅助优化运营决策。自 2022 年起，公司选择 TDengine TSDB 作为核心数据库。实践表明，TDengine 在该场景中展现出显著优势：高吞吐写入能力（实测写入速度轻松超过 80 万数据点/秒，远超传统关系型数据库）、极致数据压缩能力（实测压缩比高达 10:1，大幅降低存储成本），以及低延迟查询性能（复杂分析查询响应可控制在

Pocker_Spades_A

时序数据库选型指南：容量规划与压测方法（以 Apache IoTDB 为例）给出一套可复用的“容量规划 + 压测验收”框架，用来评估 TSDB 是否适配你的业务增长曲线。所以选型阶段建议先写清楚这三条曲线（不用精确到小数点，但必须同口径）：

Apache IoTDB 技术特性与大数据时序数据库选型实践在物联网、工业互联网快速发展的背景下，时序数据已成为大数据生态的核心组成部分，这类由传感器、设备实时生成的时间有序数据，具备高频采集、海量存储、持续写入的特征，对专用存储与处理工具的需求愈发迫切。时序数据库（TSDB）作为适配该类数据的专用产品，成为企业大数据架构搭建的重要组件，而如何结合业务场景科学选型，是时序数据落地应用的关键。

从边缘到云端：2026年工业物联网时序数据库选型策略随着工业物联网（IIoT）、车联网、智慧城市等领域的快速发展，全球数据量正以指数级增长。据 IDC 预测，到 2025 年全球数据总量已突破 175 ZB，其中超过 80% 为时序数据——由传感器、设备、监控系统持续产生的带时间戳的结构化数据。面对如此庞大的时序数据洪流，选择一款合适的时序数据库（Time Series Database, TSDB）已成为企业数字化转型的关键决策。

羑悻的小杀马特

工业时序数据库选型：从数据模型与存储引擎看 Apache IoTDB声明：本文非广告！随着工业物联网、车联网、智慧能源等领域的快速发展，全球时序数据正以每年超过 30% 的速度增长。据 IDC 预测，到 2025 年全球数据总量将突破 175ZB，其中超过 30% 为时序数据。面对海量、高频、多源的时序数据，传统关系型数据库在写入吞吐、存储压缩和时序查询方面已力不从心，时序数据库（Time Series Database, TSDB）应运而生并迅速成为大数据基础设施的核心组件。