共计 2196 个字符，预计需要花费 6 分钟才能阅读完成。
小 T 导读：在平安解决方案 SuperCloud 中，亿咖通面临着磁盘占用量大、车辆最新状态实时查问难以实现两个外围问题。最终，他们抉择了让 TDengine 承当数据中台的重要角色，负责车辆实时数据的写入、存储以及实时查问。本文讲述了研发团队在后期应用 Apache HBase 时遇到的具体难点、为什么没有保持抉择 OpenTSDB，以及抉择 TDengine 的过程和功效。
企业简介
亿咖通科技是一家汽车智能化科技公司，在武汉、杭州、上海、苏州、马来西亚吉隆坡、英国伦敦等国内外多地设立有分支机构和研发核心，致力于继续打造行业当先的智能网联生态开放平台，全面为车企赋能，发明更智能、更平安的出行体验。
我的项目介绍
为实现高水准的主动驾驶能力，亿咖通科技（ECARX）打造了一整套平安解决方案 SuperCloud，该计划旨在利用人工智能技术以及摄像头、雷达、声纳等多种传感器技术来保障驾乘者的平安。主动驾驶的外围数据就是设施的影子数据和状态数据，对设施进行精准的数据管制和采集，再联合高精地图的数据，是实现主动驾驶的两个重要环节。值得一提的是，亿咖通也是目前国内为数不多的领有高精地图资质的企业。
在 SuperCloud 我的项目当中，TDengine 承当着数据中台的重要角色，负责车辆实时数据的写入、存储以及实时查问。
选型通过
在此之前，咱们应用的存储架构是 Kafka + Flink + HBase，但随着业务的倒退，逐步发现 HBase 的 Key-Value 存储模型并不适宜咱们的场景，究其原因，是因为落地到数据库的都是结构化的数据，Key-Value 存储模型会导致磁盘占用量特地大，并且性能上也无奈实现车辆最新状态的实时查问，这也是亟待解决的两个外围问题。
通过调研，咱们发现时序数据库才是正确的抉择方向，而且外围数据也合乎时序数据的种种特点，因而，咱们决定在 InfluxDB、TDengine 和 OpenTSDB 之间进行产品选型。
事实上，一开始咱们抉择的是 OpenTSDB，因为它基于 HBase，所以咱们很不便上手。但成也萧何败也萧何，也正因为要依赖 HBase，OpenTSDB 并没有解决 HBase 遗留的性能、压缩率等问题。而 InfluxDB 因为单机性能并不够卓越，而且集群性能没有开源，所以也没有被驳回。最终通过各种维度的比照后，咱们决然抉择了国产、开源、反对 SQL 的时序数据库 TDengine。
TDengine 十分合乎咱们当初的业务场景，尤其是超级表的概念，甚至能够说是为咱们量身定做的。咱们为每辆车都调配了一个子表，用以接管 IHU 设施产生的数据。（注：IHU 是亿咖通投入研发的第一代整车计算平台产品，于 2017 年第二季度投放市场应用，是一款采纳车载专用处理器、基于车身总线零碎和第三方应用服务打造而成的多媒体娱乐零碎，能实现包含地图导航、多媒体娱乐、车辆信息等一系列信息娱乐性能及车联网服务。）
优化后的新架构为：Kafka + Flink + TDengine。Flink 上游的数据可分为 2 类，一类是用 json 存储的结构化数据，还有一类是如图片、视频一类的非结构化数据。上游如果是结构化的 json 数据，则通过如下链路写入 TDengine：Kafka—>Flink—>TDengine，如果是非结构化的数据，则会间接存储到 S3 上，而后把这些视频图片的文件门路通过如下链路写入 TDengine：S3—->Kafka —-> Flink—>TDengine。
搭建与成果
咱们以单正本模式落地了一个三节点的集群，机器配置为 8C + 16G + 500G 机械硬盘，备份用其余形式实现。以后环境下有 3 张超级表、276571 张表。
超级表表构造如下：
因为咱们的 json 较大，所以抉择应用 protobuf 进行压缩后再写入 TDengine，这样只须要 1500 字节的长度就能够包容该类 json，取出进行反序列化后以供应用。
以后最大的一张超级表曾经存有 300 多亿条数据，每行 2362 字节。粗略估算，我的项目运行至今，总数据量大略有 68T 左右，但理论的磁盘占用量只有 1.4T，以前 20 天就能写满 15T 的磁盘，但当初根本曾经不再须要思考磁盘的问题了。资源使用率相比以前节俭了近百倍。
此外，困扰咱们许久的数据实时查问问题也无望失去解决，TDengine 的 last 函数能够实现毫秒级返回设施最新状态。因为咱们以后应用的版本还是比拟老旧的 2.0.18，这一版还没有针对 last 函数的缓存，TDengine 的工作人员示意后续会有针对这个函数专门的优化，等日后版本升级后再做体验。最罕用的查问车辆实时地位的 SQL 是这样的，全部都是毫秒级别返回后果：
写在最初
总体而言，TDengine 的独特设计帮忙咱们解决了传统架构磁盘存储占用过高，以及性能上不能反对车辆状态实时查问这两大痛点，在实现降本增效方面货真价实。不止如此，咱们后续要实现的设施统计需要也在利用 TDengine 之后失去了解决。在 TDengine 的官网社区中，所提出的问题也都能够失去反对人员的疾速反馈，事无巨细，这帮咱们极大升高了我的项目落地的难度。TDengine 的利用，不仅齐全解决了咱们以后业务上存在的痛点，也匹配上了后续业务倒退的需要。随着业务的疾速倒退，咱们心愿和涛思数据后续能够在更多维度上通力合作，独特打造主动驾驶的行业技术榜样。
想理解更多 TDengine 的具体细节，欢送大家在 GitHub 上查看相干源代码。
