2020年11月7日，TDengine技术开放日（北京站）在中关村举办。开源一年零四个月，14k Star，3.6k Fork，日增100+的开源用户数……除了这些亮眼的数字外，本次技术开放日上，TDengine核心作者团队，还亮出了杀手锏，首度公开了TDengine Database彻底开源、十倍性能的背后核心技术和设计思想。特此回顾，希望能帮助更多开发人员和物联网从业者深入了解TDengine的优势与技术理念。回顾视频和演讲PPT的获取方式见文末。
当万物互联的理想一步步走向现实，物联网产业也开始面对一系列前所未有的挑战。其中，缺乏针对海量设备数据的处理工具是众多从业者面临的关键问题：互联网流行的大数据解决方案在物联网领域往往显得“水土不服”，在性能、成本、复杂性、灵活性等方面都很难满足行业期望。由于物联网大数据具备许多独有的特性，物联网产业亟需一种专为自身设计优化的大数据平台技术，解决不断增长的海量数据处理需求。
面对这一市场空白，涛思数据开发了自主可控的高性能、可伸缩、高可靠、零管理的物联网大数据平台TDengine，可广泛运用于物联网、车联网、工业互联网、IT运维等领域。通过一系列技术创新，TDengine取得了比通用大数据平台高出10倍以上的性能与更低的总体成本，解决了困扰物联网企业的一大难题。开源以来，TDengine在GitHub已收获14k Star和3.6k fork，得到了广泛的关注和好评，成为中国开源软件的榜样力量。
十倍性能的背后：TDengine的核心技术解析
相比现有的通用数据库技术，TDengine Database可以每秒处理数百万请求，性能提升10倍以上。本次活动开场，涛思数据创始人陶建辉为与会者深度解析了TDengine达到如此高性能背后所做的技术创新。
TDengine不单单是一个时序数据库（Time-Series Database），还包含缓存、数据订阅、流式计算等一系列功能，可以为工业互联网、物联网等场景提供一站式的全栈数据处理解决方案。——陶建辉
就本质而言，TDengine的设计目标是一个面向物联网的大数据平台，使用户无需集成Kafka、Spark、Redis等额外的解决方案，从而降低开发和维护成本。另一方面，TDengine的轻量化特性（完整安装包2MB左右）也可以在边缘侧代替SQlite，并提供了后者不具备的数据保留策略、流式计算、采样等功能。TDengine还可以对接Kafka、组态软件、Python等语言和技术应用，实际使用中非常灵活。
TDengine之所以能够实现极高的性能，是因为产品充分利用了物联网大数据的十大特性：1）时序；2）结构化；3）采集点数据源唯一性；4）数据较少更新/删除；5）数据多按日期删除；6）写操作为主，读操作为辅；7）数据流量平稳；8）数据包含统计/聚合等实时计算操作；9）数据多按指定时间段和区域查找；10）数据量较大。TDengine从设计之初就针对上述特性专门优化，为物联网场景量身定制。另一方面，TDengine的代码库完全自主编写，不包含任何第三方库，因而可以在优化层面做到极致。
物联网传感器采集的数据都是符合时间顺序的，针对这一特性，TDengine创新地改变了数据模型，引入“一个采集点一张表”的模式和分块连续存储，从而简化了单点的数据添加操作，加快了数据的插入和查询速度。
在写入流程方面，TDengine将每个传感器当作一个消息队列，在内存中先进先出，保证新采集的数据都在内存中。数据库则按时间段分区，可以快速定位读取历史数据。这样的模型还利于多级存储，通过时间段区分数据热度来降低存储成本。
为了解决新模型带来的数据表数量过于庞大的问题，TDengine还引入了“超级表”的理念，用超级表来描述数据的各个类型，为数据表加上了带有静态属性的标签，便于众多采集点的高速数据聚合查询。超级表将时序数据和标签数据分离存储，可以大幅节约存储空间，实现全内存高速存储和查询。由于标签可以事后增删改查，因此很适合处理历史数据和多维分析。TDengine的数据订阅功能支持表/超级表订阅，后者还可以实现条件过滤。最后，TDengine还通过数据订阅支持边云协同，可实现多级结构。
在后续开发计划中，TDengine还将在数据采集侧提供更多连接器，在数据分析侧无缝对接各种可视化/BI工具，并提供事件驱动的流式计算功能。TDengine还将持续为各行业提供特有的分析函数，例如电力行业的截面数据、化工行业的特殊函数等，为更多应用场景提供高度优化的解决方案。
TDengine 2.0 的集群设计思想与工作机制
2020年8月发布的TDengine 2.0是一次重大更新，引入了大量全新特性。陶老师的分享之后，涛思数据联合创始人关胜亮介绍了TDengine 2.0集群的设计思想与工作机制。
TDengine 2.0的关键特性是采用了FQDN（完全限定域名）来区分物理和数据节点。物理节点是独立的计算机，而数据节点是前者上的实例，包含许多虚拟节点。通过多个虚拟节点，TDengine可以将计算资源和数据分片在很多异构机器上。此外，特定虚拟节点还会充当管理节点。
在上述结构中，心跳负责维持管理状态，客户端需要查询/写入时则从管理节点获取虚拟节点的路由信息，然后找到对应的数据节点获得服务。不同节点之间的数据采用主从复制模式，通讯则采用TCP/UDP混合模式。
由于数据节点实现了虚拟化，就可以将节点数据根据需要分散在不同物理机器上，以防止数据过热、倾斜并提升可靠性等等。当数据在不同节点有多个副本时，通过主从选举的方式选出主节点。在不同节点之间的数据复制默认为异步，以显著提升复制速度。但平台也针对安全性需求较高的场景提供了同步复制选项。出现数据不同步的问题时，平台还提供了数据恢复的机制。
TDengine的数据分片是基于虚拟节点（Vnode）的，每个表只进入一个虚拟节点，每个虚拟节点则包含多个表。新建虚拟节点时，系统会自动选择负载较低的物理机器创建节点。每个虚拟节点大约维持在一万表左右以实现最佳性能。管理节点则根据各虚拟节点的负载状况进行实时打分，并根据打分情况实施负载均衡。由于分片策略是在表建立时确定的，因此可能存在多个热点表同时进入单个虚拟节点的情况，造成节点过热，这是目前存在的设计缺陷。不过由于数据表数量较多，因此这种情况出现的几率较少。在数据负载均衡调整时，通过副本动态增加和减少可以持续提供服务，防止中断。
健壮性层面，引擎会严格保证异步或掉线节点不能提供服务，并会在数据同步和查询时校验每个数据块，保证数据完整性。
如虎添翼：TDengine的存储和压缩算法详解
存储和压缩技术是数据科学中的关键环节，优秀的大数据平台必须搭配优秀的存储算法。关胜亮分享结束后，涛思数据联合创始人程洪泽讲解了TDengine的存储和压缩算法技术细节。
如前所述，TDengine主要针对时序数据进行优化设计。有的时序数据会长时间固定，有的会存在变化趋势，还有的会有一定波动范围；此外，各种数据都可能会产生跳变异常。针对这些特性，TDengine采用单采集点单张表、数据连续存储和BRIN索引方法。由于数据分片的基础是虚拟节点，因此很容易利用虚拟节点实现多核并发加速。同一个虚拟节点内的数据按时间分区，同一时间段数据存放在同一文件内，这样可以更好地适应按时间段查询和删除的操作。
TDengine针对时序数据的特点，专门研发了TSDB存储和查询引擎。TSDB存放了虚拟节点中表的META信息以及时序数据（采集信息），后者以行和列两种结构存储。META包括表/超级表的SCHEMA、子表TAG值、TAG SCHEMA和子表/超级表的从属关系。META操作先在内存中进行，最后序列化并写入硬盘。
META数据根据子表的第一个TAG值建立一个内存索引，而虚拟节点只对TAG的第一个值索引，因此速度最快。META数据写入内存时会同时生成序列化记录，以append only形式存储到内存buffer。内存数据达到一定量后触发落盘，更新的序列化META数据以append only形式写入硬盘META文件。
TSDB内存中的时序数据为行存储，因而支持以append only形式添加buffer，从而充分利用内存资源，有利于压缩。落盘时，时序数据会转化为列存储，维护BRIN索引，引入LAST文件和SUB-BLOCK机制处理文件碎片化。
TSDB启动时会事先分配一个BUFFER POOL作为写入缓冲，缓冲区块大小和个数可配，区块个数可修改。META数据和采集数据从缓冲块申请写入空间，写入引擎向BUFFER POOL申请缓冲区块，写满的缓冲区块占总缓冲区块的三分之一时触发落盘操作。落盘时，缓冲区块中的数据写入到META等文件中，落盘结束后缓冲区块归还给BUFFER POOL，形成循环机制。
查询时需要查询MEM、iMEM以及对硬盘的文件数据进行合并查询。时序数据有一定的乱序情况，如果由LSM来处理会有大量的文件合并。为了避免这个问题，TSDB将标签数据和时序数据分离存储。但由于硬盘上只对时间戳做了索引，对非主键没有做索引，因此非主键的查询和过滤效率相对较低；由于硬盘是列存储，为提升压缩效率就需要足够的数据量，所以这对内存也有一定的要求。
压缩算法方面，TDengine对于不同的数据类型采用不同的压缩算法，有三种压缩设置。首先是无压缩；然后是一级压缩，根据不同的数据类型进行压缩；二级压缩在不同的列进行压缩后，用通用的压缩算法进行压缩。TDengine使用的压缩算法包括DELTA-OF-DELTA、ZIG ZAG Encoding等。相比很多数据库来说，TDengine的列存储和二级压缩特性使其对于时序数据能有很大的压缩效率。
相信代码：开源软件CI/CD的经验谈
作为国内开源软件企业的佼佼者，涛思数据很早就形成了基于GitHub的完整CI/CD流程，在长期的实践中积累了丰富的经验。在本场活动的最后，研发工程师刘溢清向与会者介绍了涛思数据总结出的CI/CD最佳实践。
今天的软件产业呈现开源、全球化和高度协作的特征，同一款软件可能有很多来自世界各地的开发与贡献者。从 0.9^5=0.59 这一公式来看，如果开发过程中有5个环节，都只做到90分，那么整个流程的成绩就要下降到59分，这是非常显著的累积效应。为了消除不同开发人员的个体影响，软件开发流程应该高度信任CI/CD，确保流程质量不打折。
在涛思数据，平均每天需要处理8次推送请求，目前总共有858个测试用例，PR总量达2558。为了解决所有这些测试需求，涛思数据通过CI/CD解决了四大问题：
1. 实时发现代码错误并报警，帮助开发人员快速修正错误；2. 无人工干预，减少人为错误的出现几率；3. 自动生成代码质量报告，帮助开发人员检查动态开发质量。静待代码质量则使用静态检查工具；4. 自动生成各模块版本标识。
在涛思数据，开发团队以GitHub为CI/CD的核心平台，并使用Travis和Appveyor分别负责Linux和Windows版本的测试。全量测试和交付由Jenkins完成。COVERALLS主要保证代码覆盖率。
团队现在每两周发布一次版本并做更新。开发流程主要分为两部分：第一部分针对新特性，新特性合并完成后，在第二周周三下午拉一个分支测试并修复，之后发布新版本，并合并到master分支。当用户在M1版本发现问题时，团队就要对这个分支进行问题修复并交付给用户，同时合并到master分支来保证代码的一致性。
每当提交代码后，Windows/Linux版本需要分别通过Appvayor和Travis做简单的编译和测试，两项通过以后再由开发人员合并代码，保证代码中的错误可以第一时间得到修复。
由于公司测试用例较多，因此引入了Jenkins应对全量测试需求。Jenkins可以自由化部署，没有运行时间和资源限制，大家可以根据自己的服务器来配置。Jenkins跨平台很方便，对各种OS和指令集平台都有很好的支持。它还有丰富的插件，可以简化很多流程。
整个CI/CD流程来看，分为预编译、编译工作、全量测试和版本发布几大环节。每天下班以后会持续做全量测试。COVERALLS检查代码覆盖率，目前TDengine的覆盖率是77.43%，还有一些提升空间。Valgrind监测内存泄露并做代码监测，Coverity Scan提供整体反馈。
通过这一套CI/CD体系，涛思数据获得了明显的生产力提升：1. 检查代码的时间成本下降到了过去的七分之一。2. case覆盖率提升两倍。3. 代码从提交到发布的速度比之前快六倍。
开源与创新的力量：TDengine与社区共赢未来
除了几位老师的高质量分享，本场活动还特别设置了两个颁奖环节。首先是涛思数据举办的Hive MQ插件开发竞赛，大赛旨在奖励大数据时代的前沿探索者，来自大连的谭雪峰荣获大奖。
第二个奖项是TDengine的最佳贡献奖，颁发给TDengine的两位社区优秀贡献者，以此感谢开源社区为TDengine的发展作出的努力和支持。
在颁奖环节中陶老师介绍，TDengine的社区贡献者已有将近50人，做出了很多非凡的工作。作为年届50的老一代程序员，陶老师希望更多开发者参与开源社区的建设活动，为软件产业的开放合作贡献自己的力量，证明自身的价值。
自2017年成立以来，通过创新技术思想与开源包容的理念，涛思数据已经在物联网大数据领域打响了自己的知名度，获得了业内多方的赞誉和认可。如今，涛思数据得到了重量级资本的支持，正走在快速扩张的发展道路上。陶总也代表涛思数据发出号召，希望更多优秀人才加入涛思数据，在研发、测试、社区运营、商务、售前、售后技术支持等岗位发光发热，并携手广大社区贡献者一起，与涛思数据共赢精彩未来。
微信公众号关注“TDengine”，后台回复：1107，获取视频和PPT链接。
