IoTDB时序数据模型数据模型相关概念教程-平芜编程栈

1. 什么叫时序数据？

万物互联的今天，物联网场景、工业场景等各类场景都在进行数字化转型，人们通过在各类设备上安装传感器对设备的各类状态进行采集。如电机采集电压、电流，风机的叶片转速、角速度、发电功率；车辆采集经纬度、速度、油耗；桥梁的振动频率、挠度、位移量等。传感器的数据采集，已经渗透在各个行业中。

通常来说，我们把每个采集点位叫做一个测点（也叫物理量、时间序列、时间线、信号量、指标、测量值等），每个测点都在随时间的推移不断收集到新的数据信息，从而构成了一条时间序列。用表格的方式，每个时间序列就是一个由时间、值两列形成的表格；用图形化的方式，每个时间序列就是一个随时间推移形成的走势图，也可以形象的称之为设备的“心电图”。

传感器产生的海量时序数据是各行各业数字化转型的基础，因此我们对时序数据的模型梳理主要围绕设备、传感器展开。

2. 时序数据中的关键概念有哪些？

时序数据中主要涉及的概念由下至上可分为：数据点、测点、设备。

2.1 数据点

定义：由一个时间戳和一个数值组成，其中时间戳为 long 类型，数值可以为 BOOLEAN、FLOAT、INT32 等各种类型。
示例：如上图中表格形式的时间序列的一行，或图形形式的时间序列的一个点，就是一个数据点。

2.2 测点

定义：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。
又名：物理量、时间序列、时间线、信号量、指标、测量值等
示例：
- 电力场景：电流、电压
- 能源场景：风速、转速
- 车联网场景：油量、车速、经度、维度
- 工厂场景：温度、湿度

2.3 设备

定义：对应一个实际场景中的物理设备，通常是一组测点的集合，由一到多个标签定位标识
示例
- 车联网场景：车辆，由车辆识别代码 VIN 标识
- 工厂场景：机械臂，由物联网平台生成的唯一 ID 标识
- 能源场景：风机，由区域、场站、线路、机型、实例等标识
- 监控场景：CPU，由机房、机架、Hostname、设备类型等标识

3. 数据模型相关概念

3.1 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。

3.2 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。

3.3 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。

3.4 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。

3.5 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。IoTDB 支持多种针对不同类型的数据的编码方法，详细信息请查看：压缩和编码。

3.6 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。IoTDB 支持多种压缩方法，详细信息请查看：压缩和编码。

4. 分布式相关概念

下图展示了一个常见的 IoTDB 3C3D（3 个 ConfigNode、3 个 DataNode）的集群部署模式：

IoTDB 的集群包括如下常见概念：

节点（ConfigNode、DataNode、AINode）
Region（SchemaRegion、DataRegion）
多副本

下文将对以上概念进行介绍。

4.1 节点

IoTDB 集群包括三种节点（进程）：ConfigNode（管理节点），DataNode（数据节点）和 AINode（分析节点），如下所示：

ConfigNode：管理集群的节点信息、配置信息、用户权限、元数据、分区信息等，负责分布式操作的调度和负载均衡，所有 ConfigNode 之间互为全量备份，如上图中的 ConfigNode-1，ConfigNode-2 和 ConfigNode-3 所示。
DataNode：服务客户端请求，负责数据的存储和计算，如上图中的 DataNode-1，DataNode-2 和 DataNode-3 所示。
AINode：负责提供机器学习能力，支持注册已训练好的机器学习模型，并通过 SQL 调用模型进行推理，目前已内置自研时序大模型和常见的机器学习算法（如预测与异常检测）。

4.2 数据分区

在 IoTDB 中，元数据和数据都被分为小的分区，即 Region，由集群的各个 DataNode 进行管理。

SchemaRegion：元数据分区，管理一部分设备和测点的元数据。不同 DataNode 相同 RegionID 的 SchemaRegion 互为副本，如上图中 SchemaRegion-1 拥有三个副本，分别放置于 DataNode-1，DataNode-2 和 DataNode-3。
DataRegion：数据分区，管理一部分设备的一段时间的数据。不同 DataNode 相同 RegionID 的 DataRegion 互为副本，如上图中 DataRegion-2 拥有两个副本，分别放置于 DataNode-1 和 DataNode-2。
具体分区算法可参考：数据分区

2.3 多副本

数据和元数据的副本数可配置，不同部署模式下的副本数推荐如下配置，其中多副本时可提供高可用服务。

类别	配置项	单机推荐配置	集群推荐配置
元数据	schema_replication_factor	1	3
数据	data_replication_factor	1	2

5. 部署相关概念

IoTDB 有两种运行模式：单机模式、集群模式。

5.1 单机模式

IoTDB单机实例包括 1 个ConfigNode、1个DataNode，即1C1D；

特点：便于开发者安装部署，部署和维护成本较低，操作方便。
适用场景：资源有限或对高可用要求不高的场景，例如边缘端服务器。
部署方法：单机版部署

5.2 集群模式

IoTDB 集群实例为 3 个ConfigNode 和不少于 3 个 DataNode，通常为 3 个 DataNode，即3C3D；当部分节点出现故障时，剩余节点仍然能对外提供服务，保证数据库服务的高可用性，且可随节点增加提升数据库性能。

特点：具有高可用性、高扩展性，可通过增加 DataNode 提高系统性能。
适用场景：需要提供高可用和可靠性的企业级应用场景。
部署方法：集群版部署

5.3 特点总结

维度	单机模式	集群模式
适用场景	边缘侧部署、对高可用要求不高	高可用性业务、容灾场景等
所需机器数量	1	≥3
安全可靠性	无法容忍单点故障	高，可容忍单点故障
扩展性	可扩展 DataNode 提升性能	可扩展 DataNode 提升性能
性能	可随 DataNode 数量扩展	可随 DataNode 数量扩展