IoTDB 简介
IoTDB 是一款低成本、高可用的国产全自研工业时序数据库，采用端边云协同的轻量化结构，支持一体化的物联网时序数据收集、存储、管理与分析，具有多协议兼容、高压缩比、高通量读写、工业级稳定、简便运维等特点。
IoTDB 架构以自主研发的时序数据专用文件存储格式 TsFile 为基础，支撑三大核心组件：面向端侧具备嵌入式数据存储能力的 IoT Node、高性能时序数据管理引擎 Data Node，以及具备机器学习训练推理能力的 AI Node。
TimescaleDB 简介
TimescaleDB 是一款由 Timescale 公司（于 2025 年 6 月 17 日更名为“TigerData”）开发的开源时序数据库。该数据库基于 PostgreSQL 扩展，通过额外的 SQL 函数和表结构，专门为大规模时序数据提供了存储优化、性能提升及分析功能支持。
综合对比
IoTDB 功能
1. 双数据模型
树模型-离散点位管理：层级化方式管理测点，实现亿级时间序列管理规模，支持序列级时间序列权限控制
结构化表模型-统一设备管理：支持标准 SQL 语法，原生支持无模式写入，实现动态静态数据统一管理
双模型转换：允许通过简单 SQL 语句在原始数据树上创建虚拟表视图，实现树模型与表模型的自然映射
2. 部署模式
多种部署模式：支持单机模式、双活模式、集群模式部署，保障多场景高扩展、高可用
端边云协同：实现设备端侧-厂站边侧-集团云侧协同传输，实现数据互联互通
高效的数据迁入、迁出能力：无需解压和二次处理，接收端 CPU 消耗节省 95%，网络带宽节省 90%
3. 时序数据写入与存储
自研 TsFile 时序数据标准文件格式：相比通用文件格式，压缩比提升 20% 以上，达到 10X 无损压缩比、100X 有损压缩比、
高吞吐写入：TsFile 支持列式数据写入，达到毫秒级高频数据接入，支持千万/秒写入速度
乱序数据处理：首创乱序分离存储引擎，乱序数据处理效率达 4 倍以上
模态融合：支持非结构化对象/文件管理，可自定义存储、解析文件
4. 时序数据查询与分析
丰富查询功能：满足时序数据特性查询需求，支持降采样时序对齐、时序分段查询、数据补齐与修复等功能
高级分析能力：支持标量函数（UDSF）、聚合函数（UDAF）、表值函数（UDTF），实现趋势查询、窗口函数、嵌套查询
联邦查询：无缝接入外部数据源业务数据，实现跨系统、多模态数据分析
5. AI 训推一体化
AI Node 节点：支持即插即用的一体化时序数据机器学习模型训练推理，支撑工业智能分析应用
自研时序大模型 Timer：支持任意长度输入，产生多种概率预测结果，在国际时序预测榜单取得领先预测效果和推理效率
自动完成业务分析：结合 IoTDB MCP Server 功能，基于自然语言交互，实现智能关联分析
6. 软硬件生态系统
全生命周期生态集成：支持 MQTT、OPC UA 等工业协议，与 KafKa、Spark、Flink 等大数据系统深度集成，支持 Grafana、DataEase 等可视化工具，支持 Kubernetes 部署
硬件生态扩展：联合集成边缘智能硬件板、系统控制器、智能一体机，工业智能化能力具象化为可部署的实体解决方案
兼容国产化生态：兼容国产 CPU、国产服务器操作系统
7. 易用性工具
可视化控制台 Workbench：图形化操作，一站实现时序数据可视化管理
集群监控工具：帮助监控集群健康状态，并进行集群调优和运维
一键式集群管理工具：支持集群部署、启停、更新、扩容等功能，实现复杂集群一键式指令下发
TimescaleDB 功能
1. 时序存储管理
超表（Hypertable）：自动按时间维度分区，支持跨维度分区（如设备 ID+时间）
混合行列式存储引擎（Hypercore）：行式存储用于存储最新数据，列式存储用于提高分析性能
分布式架构：如果主实例不可用，将自动故障转移到高可用性 (HA) 副本
2. 时序数据写入
写入数据：可以使用 INSERT、UPDATE 和 DELETE 语句在常规表和超表中添加和修改数据
3. 持续聚合引擎
增量刷新机制：基于 Postgres 物化视图的持续聚合，仅计算变更数据而非全量更新
近实时聚合：支持低延迟的聚合数据查询，降低资源消耗
4. 高性能时序处理
时段函数（Time Bucket）：提供灵活的时间粒度聚合
超函数（Hyperfunction）：旨在高效处理、聚合和分析海量数据，同时保持高性能
5. 全生命周期数据管理
分层存储策略（Tiered Storage）：高性能存储层存储最新且最常查询的数据，对象存储层存储很少访问且性能要求较低的数据
数据保留策略（Data Retention）：自动清理过期数据，支持与持续聚合联动实现数据降采样
生态支持：支持写入、查询、流处理、可视化、系统管理等维度软件生态集成
6. 无缝兼容性
完整 SQL 支持：100% 兼容 PostgreSQL 生态，支持所有 PG 工具链
IoTDB 数据建模概念
数据模型（sql_dialect）：IoTDB 支持两种时序数据模型（SQL语法），管理的对象均为设备和测点树：以层级路径的方式管理数据，一条路径对应一个设备的一个测点表；以关系表的方式管理数据，一张表对应一类设备。
元数据（Schema）:元数据是数据库的数据模型信息，即树形结构或表结构。包括测点的名称、数据类型等定义。
设备（Device）：对应一个实际场景中的物理设备，通常包含多个测点。
测点（Timeseries）：又名：物理量、时间序列、时间线、点位、信号量、指标、测量值等。测点是多个数据点按时间戳递增排列形成的一个时间序列。通常一个测点代表一个采集点位，能够定期采集所在环境的物理量。
编码（Encoding）：编码是一种压缩技术，将数据以二进制的形式进行表示，可以提高存储效率。
压缩（Compression）：IoTDB 在数据编码后，使用压缩技术进一步压缩二进制数据，提升存储效率。
TimescaleDB 数据建模及部分功能概念
超表（Hypertable）：基于普通的 PostgreSQL 表创建，可以使用标准 SQL 语法对超表进行插入和查询等操作，并在普通表的基础上超表添加了自动分区、压缩和连续聚合的功能，以更高效地存储和查询时间序列数据。
块（Chunk）：Hypertable 按照时间范围分割成的多个连续的数据块，以存储时序数据。
时段（Time Buckets）：实现实时分析的核心功能，可以将 Hypertable 中的数据按时间粒度聚合为不同的时段单元。
IoTDB 数据模型
IoTDB 提供了两种数据建模方式——树模型和表模型，其特点分别如下：
树模型：以测点为对象进行管理，每个测点对应一条时间序列，测点名按
.分割可形成一个树形目录结构，与物理世界一一对应，对测点的读写操作简单直观。表模型：推荐为每类设备创建一张表，同类设备的物理量采集都具备一定共性（如都采集温度和湿度物理量），数据分析灵活丰富。
两种模型有各自的适用场景，以下表格从适用场景、典型操作等多个维度对树模型和表模型进行了对比。用户可以根据具体的使用需求，选择适合的模型，从而实现数据的高效存储和管理。
注意：
同一个集群实例中可以存在两种模型空间，不同模型的语法、数据库命名方式不同，默认不互相可见。
在通过客户端工具 Cli 或 SDK 建立数据库连接时，需要通过 sql_dialect 参数指定使用的模型语法（默认使用树语法进行操作）。
TimescaleDB 数据模型
TimescaleDB 的底层数据结构为 Hypertable（超表），是一种逻辑上的时间分区表。每个 Hypertable 可以自动将数据按时间分割成多个块（Chunk），以实现对时序数据的高效管理。
时间分区方面，每个 Hypertable 块都会被分配一个时间范围，并且仅包含该范围内的数据。当运行查询时，TimescaleDB 会识别正确的块并对其运行查询，而无需遍历整个表。默认情况下，每个 Hypertable 块会保存 7 天的数据，用户可以根据自己的需求进行更改。
空间分区方面，TimescaleDB 支持在创建超表时（即表为空时），在非时间列（如位置或设备 UUID）上添加分区维度，并指定分区数量，以适配特定条件查询。随着数据增长，用户也可以调整分区数量以提升查询性能。
IoTDB 应用场景
能源电力：管理电力生产、传输、存储和消费过程中的海量时序数据，实现电力系统实时监控、精准预测和智能调度，有效提升能源利用效率，降低运营成本。
航空航天：管理飞机、火箭、卫星等设备在设计、制造、试飞、运行等全流程中产生的海量时序数据，实现对飞行任务中关键系统的精准监测与分析。
钢铁冶炼：对冶炼设备和生产线进行实时数据管理，实现对核心生产环节的智能监测、精准控制与高效管理，提升产能、优化产品质量、降低能耗。
石油石化：管理供油气管道、储配站、调控中心等设备数据，实现数据稳定实时展示与系统监控报警，为公共安全保障及石油管网数智化升级贡献力量。
交通运输：管理列车、地铁、船舶、汽车等设备的运行、状态、位置信息等数据，为铁路、船舶等构建起稳定可靠的智能交通系统管理基础。
智慧工厂：满足大规模设备接入需求，支持设备状态监测、故障诊断、预测性维护等核心业务应用，提升生产、运营效率。
TimescaleDB 应用场景
能源消耗分析：利用能源消耗数据制定数据驱动型决策。
交通与地理空间数据分析：通过地理空间交通数据优化收益。
比特币区块链分析：基于比特币区块链开展自主研究，挖掘交易、区块、费用与收益之间的关联。
金融交易数据解析：绘制关注股票的交易高低点走势图。
物联网传感器数据分析：生成模拟物联网传感器数据集并执行基础查询。
