写入速度提升数十倍，TDengine 在拓斯达智能工厂解决方案上的应用

小 T 导读：在拓斯达的智能工厂整体解决方案项目中，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，最终他们选择了 TDengine 来匹配工业传感器数据的应用分析场景。本文将讲述他们应用 TDengine 的具体实践。

企业简介

广东拓斯达科技股份有限公司（简称：拓斯达，股票代码：300607）是广东省首家登陆创业板的机器人骨干企业。拓斯达坚持“让工业制造更美好”的企业使命，通过以工业机器人、注塑机、CNC为核心的智能装备，以及控制、伺服、视觉三大核心技术，打造以核心技术驱动的智能硬件平台，为制造企业提供智能工厂整体解决方案。

项目介绍

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。

在我们的业务中，传统的关系型数据库（Relational Database）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。主要问题可以汇总如下：

• 写入吞吐低：单机写入吞吐量低，很难满足时序数据千万级的写入压力；
• 存储成本大：在对时序数据进行压缩时性能不佳，需占用大量机器资源；
• 维护成本高：单机系统，需要在上层人工进行分库分表，维护成本高；
• 查询性能差：海量实时数据的聚合分析性能差。

为了更好地满足时序数据的处理需求，我们决定进行数据库选型调研，最终选择了时序数据库（Time-Series Database）TDengine。 事实证明，TDengine 针对时序数据的写入、存储、索引、查询等方面都进行了特定的优化，从而实现了更优的数据加载、数据压缩、查询写入性能，非常匹配工业传感器数据的应用分析场景。

选择 TDengine 的理由

与通用数据库相比，TDengine 的压缩率表现惊人，核心原因是其采用列式存储，而且采用了二阶段压缩策略，还针对不同数据类型采取了不同的压缩算法，这种压缩机制使其压缩率远超其他数据库。

此外 TDengine 还拥有极高的读写性能，并且读写速度受数据存储规模的影响微乎其微，要知道通用数据库的数据量一旦过百万级，读写速度就会有明显下降，之前我们做过一次 MySQL 批量插入数据的测试，性能差距明显，这也是在大量级数据存储下我们会选择TDengine的重要原因之一。具体来说，TDengine 优势如下：

• 数据的读写速度快且自带时间戳，使用 SQL 进行数据库操作，简单易学，支持复杂查询
• 数据压缩率高，大量级的数据也不会占据过多存储空间，可导出数据进行备份
• 拥有交流社区和交流群，遇见问题可以和 TDengine 的其他使用者一起探讨，而且官方的同学也能提供及时的帮助

当然，世上没有完美的数据库，我们在应用之后总结出了两点待改进的地方：

• 无法使用可视化软件如 Navicat 等进行数据库操作（TDengine GUI）
• 目前还没有 Windows 版的服务端，像我们上一个客户，只在本地 Windows 上使用程序，在没有安装虚拟机和部署到服务器的情况下，就无法部署 TDengine

但每一款产品都是在发现问题和改进问题的步伐中逐渐进步的，而且对于我们的业务实现来说，TDengine 不存在明显的短板。没有最优的数据库，在场景匹配的情况下，我们最终采用了 TDengine。

落地实践

• 平台架构

我们是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。之前在云平台我们使用过 Kafka 进行数据的发布订阅，现在所有环境都改为 MQTT 了。

• 超级表及建模思路

在应用 TDengine 时，我们建立了流水数据库 “iot_platform” 用来存储网关传来的数据，便于日后查询使用。我们遵循“一个采集点一张表，一类数据一个超级表”的思路来建表，在具体实践上设计了两张超级表，一张是用于存储 log 指令内容的“logs”表，另一张是用于存储其它指令内容的“datas”表，数据类型基本为电流电压、设备状态等。在进行数据存储时首先会对数据加以判断，再决定将数据存储到哪张表里。

落地效果

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。

• 流水数据查询

查询某一时间段内的流水数据，使用查询语句：

SELECT datagettime as ts , ${dataName} as data FROM ${tableName}
 <where>
    uuid = ${uuid}
    <if test="startTime != null ">
        and datagettime > #{startTime}
    </if>
    <if test="endTime != null ">
        and #{endTime} > datagettime
    </if>
    and ${dataName} is not null
 </where>
 limit 0, ${countLimit}

•  聚合函数计算一天的数据

使用 TDengine 的函数计算每天的用电量，再通过每天的去计算月和年数据，查询语句为： 

select diff(${dataName}) as data
 from ${tableName}
 where ${dataName} > 0
  and datagettime > #{startTime}
   and #{endTime} >= datagettime

• 计算某一时间段内的数据

select ${method}(${dataName}) as data
 from ${tableName}
 where uuid = ${uuid}
  and datagettime > #{startTime}
  and #{endTime} > datagettime;

写在最后

在工业互联网快速发展的大背景下，工业生产现场投放了大量的设备传感器和监控系统，二者提供的实时数据能够反映设备的状态和生产的进度，其中的大多数据都是按照时间顺序形成的实时数据，这些海量实时数据有着多样化的分析需求和重要的参考价值。

未来希望 TDengine 可以提供更复杂的流式计算、查询分析以及监测预警等能力，可以为产品的可视化运维、预测性维护、远程智能管理等方面提供数据依据，从而降低人员、时间等成本，加速工业化与信息化的深度融合，促进复杂重型装备制造业的转型升级，产生社会经济效益。

---

想了解更多 TDengine Database的具体细节，欢迎大家在GitHub上查看相关源代码。