关于tdengine: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

35次阅读

共计 2399 个字符,预计需要花费 6 分钟才能阅读完成。

在工业畛域,生产、测试、运行阶段都可能会产生大量带有工夫戳的传感器数据,这都属于典型的时序数据。时序数据次要由各类型实时监测、查看与剖析设施所采集或产生,波及制作、电力、化工、工程作业等多个行业,具备写多读少、量十分大等典型个性。如 Apache HBase、MySQL 等互联网公司罕用的数据库在写入、存储、查问、运维等方面都暴露出了诸多问题。这种状况下,从业务倒退的角度登程,数据架构革新成为了事不宜迟。

本文汇总了包含西门子、美的、拓斯达、和利时在内的四家比拟具备代表性的工业企业的架构革新案例,一起来看看他们都是如何做的,革新成果是否达成了预期。

西门子 x TDengine

“从高性能、高可用、低成本、高度一体化几个指标登程,咱们发现 TDengine 正好合乎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。在确定抉择 TDengine 作为零碎的数据库后,咱们在 SIMICAS® OEM 2.0 版本中移除了 Flink、Kafka 以及 Redis,零碎架构大大简化。”

业务背景

SIMICAS® OEM 设施近程运维套件是由 SIEMENS DE&DS DSM 团队开发的一套面向设施制造商的数字化解决方案。在其 1.0 版中,团队应用了 Flink + Kafka + PostgreSQL + Redis 的架构,因为引入了 Flink 和 Kafka,导致系统部署时十分繁琐,服务器开销微小;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,应用程序较为简单。这种状况下,如何升高零碎复杂度、缩小硬件资源开销,帮忙客户缩小老本,成为研发团队的外围工作。在调研过程中,TDengine 怀才不遇。

架构图

点击【案例】查看更多技术细节

美的 x TDengine

“以后,TDengine 次要被利用于中央空调制冷设施的监控业务中,作为后行试点,这一场景曾经获得了不错的成果。在楼宇智能化方面,咱们也有很多工作要做,从边缘侧的监控、到指令管制、再到边云协同的一体化服务,咱们会在这些场景中持续摸索和开掘 TDengine 的后劲。”

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公布了数字化平台 iBuilding,以“软驱硬核”形式赋能建筑行业。作为一个全新的我的项目,iBuilding 在数据库选型上比拟审慎,别离比照了关系型数据库(Relational Database)以及支流的时序数据库(Time Series Database),包含 InfluxDB、TDengine、MySQL 等,因为在需要上更偏差于高效的存储和大范畴工夫的数据拉取,iBuilding 在综合评估了适配、查问、写入和存储等综合能力后,最终抉择了 TDengine。

架构图

点击【案例】查看更多技术细节

拓斯达 x TDengine

“运行一段时间后,TDengine 的查问、写入速度齐全能够满足咱们目前的客户需要,最慢的分钟级,最快的能达到 1 秒一条;一个设施一天最多能写入近十万条数据,近千个设施同时写入也齐全没有问题,相较于之前,写入速度晋升了数十倍。查问数据在以月为单位的工夫范畴内也没有过于显著的提早,整体的数据压缩比大略是 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曾经无奈高效解决时序数据,在加载、存储和查问等多个方面都遇到了挑战,次要问题包含写入吞吐低、存储老本大、保护老本高、查问性能差。为了更好地满足时序数据的解决需要,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、查问等性能,十分匹配工业传感器数据的利用剖析场景,最终其应用 TDengine 搭建了新的数据处理架构。

架构实现思路

通过网关采集设施数据推送到 MQTT,Java 后端监听到后会写入 TDengine,在后端按需要查询处理后再把数据返回给前端。具体来说,网关会先读取后盾公布的上行规定,在采集到设施数据后,应用上行规定对数据进行解决计算后再将后果返回给上行规定模块,后盾监听到后,会连贯 TDengine 进行数据库表的创立批改和数据写入。之前在云平台拓斯达应用过 Kafka 进行数据的公布订阅,当初所有环境都改为 MQTT 了。

点击【案例】查看更多技术细节

和利时 x TDengine

“在测试阶段,咱们发现,同等条件下,TDengine 的压缩率最高,数据占用的存储空间最小;在原始数据查问上,OpenTSDB 最慢,TDengine 与 HolliTSDB 在伯仲之间;在聚合查问操作上,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,且查问性能存在瓶颈,其 QPS 约为 30-50。”

业务背景

在物联网场景下,面对宏大的时序数据处理需要,Oracle、PostgreSQL 等传统关系型数据库越来越吃力,因而和利时开始进行时序数据库的选型,对包含 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干测试。测试结果显示,在同等条件下,TDengine 在查问、存储等方面均优于其余几款数据库,最终和利时决定接入 TDengine,以享受更多元的本地化反对和响应。

架构图

点击【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,面对宏大的时序数据处理需要,业余的时序数据库显然比传统的关系型数据库成果更加显著,上述企业案例在架构革新之后,的确达到了更高水平的降本增效。如果你有同样的困扰,欢送增加小 T 微信,能够邀请你进入 TDengine 用户交换群,和业余的解决方案架构师点对点沟通。


想理解更多 TDengine Database 的具体细节,欢送大家在 GitHub 上查看相干源代码。

正文完
 0