为什么西门子、美的等企业这样进行架构升级，看看改造效果就知道了时间：2023-02-14 17:11:45在工业领域， 生产、测试、运行阶段都可能会产生大量带有时间戳的传感器数据，这都属于典型的时序数据。时序数据主要由各类型实时监测、检查与分析设备所采集或产生，涉及制造、电力、化工、工程作业等多个行业，具备写多读少、量非常大等典型特性。如 Apache HBase、MySQL 等互联网公司常用的数据库在写入、存储、查询、运维等方面都暴露出了诸多问题。这种情况下，从业务发展的角度出发，数据架构改造成为了当务之急。 本文汇总了包括西门子、美的、拓斯达、和利时在内的四家比较具有代表性的工业企业的架构改造案例，一起来看看他们都是如何做的，改造效果是否达成了预期。 **西门子 x TDengine** > “从高性能、高可用、低成本、高度一体化几个目标出发，我们发现 TDengine 正好符合产品重构所有的要求，尤其是低成本和高度一体化这两个点，这是目前绝大部分数据平台或时序数据库都不具备的。在确定选择 TDengine 作为系统的数据库后，我们在 SIMICAS® OEM 2.0 版本中移除了Flink、Kafka 以及 Redis，系统架构大大简化。” **业务背景** SIMICAS® OEM 设备远程运维套件是由 SIEMENS DE&DS DSM 团队开发的一套面向设备制造商的数字化解决方案。在其 1.0 版中，团队使用了 Flink + Kafka + PostgreSQL + Redis 的架构，因为引入了 Flink 和 Kafka，导致系统部署时非常繁琐，服务器开销巨大；同时为了满足大量数据的存储问题，PostgreSQL 中不得不做分库分表操作，应用程序较为复杂。这种情况下，如何降低系统复杂度、减少硬件资源开销，帮助客户减少成本，成为研发团队的核心任务。在调研过程中，TDengine 脱颖而出。 **架构图**  点击[案例]( https://mp.weixin.qq.com/s?__biz=MzUzNjEwNDQ2OA==&mid=2247488134&idx=1&sn=c5fb54bc5e16c1f55d9de0628b46d688&chksm=fafa09fdcd8d80eb7ffb0fce67ad537571ed1b59a720bc42fbd2e487dfc37f1c7065955f7ae7&scene=21#wechat_redirect"案例")查看更多技术细节 **美的 x TDengine** > “当前，TDengine 主要被应用于*空调制冷设备的监控业务中，作为先行试点，这一场景已经取得了不错的效果。在楼宇智能化方面，我们也有很多工作要做，从边缘侧的监控、到指令控制、再到边云协同的一体化服务，我们会在这些场景中继续探索和挖掘 TDengine 的潜力。” **业务背景** 在 2021 楼宇科技 TRUE 大会上，美的暖通与楼宇事业部首次发布了数字化平台 iBuilding，以“软驱硬核”方式赋能建筑行业。作为一个全新的项目，iBuilding 在数据库选型上比较谨慎，分别对比了关系型数据库（Relational Database）以及主流的时序数据库（Time Series Database），包括 InfluxDB、TDengine、MySQL 等，因为在需求上更偏向于高效的存储和大范围时间的数据拉取，iBuilding 在综合评估了适配、查询、写入和存储等综合能力后，最终选择了 TDengine。 **架构图**  点击[案例]( https://mp.weixin.qq.com/s?__biz=MzUzNjEwNDQ2OA==&mid=2247488134&idx=1&sn=c5fb54bc5e16c1f55d9de0628b46d688&chksm=fafa09fdcd8d80eb7ffb0fce67ad537571ed1b59a720bc42fbd2e487dfc37f1c7065955f7ae7&scene=21#wechat_redirect"案例")查看更多技术细节 **拓斯达 x TDengine** > “运行一段时间后，TDengine 的查询、写入速度完全可以满足我们目前的客户需求，最慢的分钟级，最快的能达到 1 秒一条；一个设备一天最多能写入近十万条数据，近千个设备同时写入也完全没有问题，相较于之前，写入速度提升了数十倍。查询数据在以月为单位的时间范围内也没有过于明显的延迟，整体的数据压缩比大概是 1/10，目前每天产生的数据量在数 G 左右。” **业务背景** 在拓斯达的业务中，传统的关系型数据库已经无法高效处理时序数据，在加载、存储和查询等多个方面都遇到了挑战，主要问题包括写入吞吐低、存储成本大、维护成本高、查询性能差。为了更好地满足时序数据的处理需求，拓斯达开始进行数据库选型调研，他们发现，TDengine 专为时序数据库所打造和优化的写入、存储、查询等功能，非常匹配工业传感器数据的应用分析场景，最终其使用 TDengine 搭建了新的数据处理架构。 **架构实现思路** 通过网关采集设备数据推送到 MQTT，Java 后端监听到后会写入 TDengine，在后端按需求查询处理后再把数据返回给前端。具体来说，网关会先读取后台发布的上行规则，在采集到设备数据后，使用上行规则对数据进行处理计算后再将结果返回给下行规则模块，后台监听到后，会连接 TDengine 进行数据库表的创建修改和数据写入。之前在云平台拓斯达使用过 Kafka 进行数据的发布订阅，现在所有环境都改为 MQTT 了。 点击[案例]( http://mp.weixin.qq.com/s?__biz=MzUzNjEwNDQ2OA==&mid=2247487577&idx=1&sn=9ec66cb7d29e573f5e26608e1723bb18&chksm=fafa0b22cd8d82346b5c5aeec15d77bbd43af4d44c209396009638d501ee984938c25295e6f6&scene=21#wechat_redirect"案例")查看更多技术细节 **和利时 x TDengine** > “在测试阶段，我们发现，同等条件下，TDengine 的压缩率最高，数据占用的存储空间最小；在原始数据查询上，OpenTSDB 最慢，TDengine 与 HolliTSDB 在伯仲之间；在聚合查询操作上，TDengine 最快，HolliTSDB 的速度和 InfluxDB 相当，OpenTSDB 最慢。同时，InfluxDB 只能单机部署，集群版本并未开源，且查询性能存在瓶颈，其 QPS 约为 30-50。” **业务背景** 在物联网场景下，面对庞大的时序数据处理需求，Oracle、PostgreSQL 等传统关系型数据库越来越吃力，因此和利时开始进行时序数据库的选型，对包括 InfluxDB、OpenTSDB、HolliTSDB（和利时自研时序数据库）和 TDengine 在内的四款时序数据库进行了选型调研及相关测试。测试结果显示，在同等条件下，TDengine 在查询、存储等方面均优于其他几款数据库，最终和利时决定接入 TDengine，以享受更多元的本地化支持和响应。 **架构图**  点击[案例]( https://mp.weixin.qq.com/s?__biz=MzUzNjEwNDQ2OA==&mid=2247486693&idx=1&sn=9372f0e2cc9b8175b297711bf229c0ac&chksm=fafa179ecd8d9e886b5fe2ba7d673ae6cb27752941fbc6255cdb71aa508a2780e44dcae98d4d&scene=21#wechat_redirect"案例")查看更多技术细节 **结语** 从以上案例中不难看出，在工业互联网场景下，面对庞大的时序数据处理需求，专业的时序数据库显然比传统的关系型数据库效果更加明显，上述企业案例在架构改造之后，确实达到了更高程度的降本增效。如果你有同样的困扰，欢迎添加小T微信，可以邀请你进入TDengine 用户交流群，和专业的解决方案架构师点对点沟通。 ------------ 想了解更多 [TDengine Database]( https://www.taosdata.com/?zh"TDengine Database")的具体细节，欢迎大家在[GitHub]( https://github.com/taosdata/TDengine"GitHub")上查看相关源代码。 [](https://www.taosdata.com/?zh "")
