小T导读：在万物互联的时代，大到企业数字化转型、数字城市建设，小到和生活息息相关的家居生活、智能驾驶、运动健康等，都离不开智能物理设备广泛的连接和互通。AIoT是人工智能和IoT技术的融合，通过物联设备网产生、收集来自不同维度的、海量的数据存储于云端、边缘端和设备端再通过海量数据分析引擎，以及更高形式的机器学习、神经网络，实现万物数据化、万物智联化。
2014年起，京东从智能家居领域开始发力，在业界率先推出语音交互入口-叮咚智能音箱，实现了广泛的设备品类互联生态，同时整合集团内部零售、物流、大健康、工业品等关键领域的物联网技术能力，持续助力社区、城市、车联、工业等关键行业领域，广泛服务于实体经济，助力企业转型升级。本文在京东云IoT多年来行业实践经验积累的基础上，分享在数据存储方面的一些做法。
一、场景与痛点
数据是数字化时代企业的核心资产。京东云智能家居场景维护着大量的智能设备，这些设备联网后，会根据设备设定的速率持续产生时序数据，比如有的设备采样间隔是15秒。京东云IoT团队结合本公司数据特点与业务需求，对多种工业时序数据库（Time-Series Database）进行了技术选型，以解决庞大的数据存储和计算带来的挑战：
- 数据存储具有较高的数据压缩比，节约存储资源，降低IT成本
- 写入和查询性能优异，数据库底层逻辑的优化可以减少CPU开销
- 支持数据预聚合，拥有丰富的计算算子
- 强有力的稳定架构
二、技术选型
我们对两种业界主流的时序数据库做了分析和测试：
- OpenTSDB：基于HBase的分布式、可伸缩的时间序列数据库。作为基于通用存储开发的时序数据库典型代表，起步比较早，在时序数据库领域的认可度相对较高，但HBase成本高的问题无法免除。
- TDengine：在性能、成本、运维难度等方面都表现不俗，支持横向扩展，且高可用。
通过实际对比测试，我们初步选定TDengine Database作为数据存储方案。TDengine相比于OpenTSDB有明显的优势：
- TDengine写入吞吐量高出200%
- 1亿条记录平均查询时间提升100倍
- 100万条记录读取时间提升32倍
- 1亿条记录按时间分组取均值时间提升40倍
- 成本开销降低2-3倍
三、数据建模
TDengine数据建模需根据数据的特性设计相应的Schema，以达到最好的性能表现。对于物联网设备而言，是围绕着设备孪生工作的。设备有对应的物类型、物模型，物模型描述了设备的属性感知和交互行为。因此，我们基于物类型、物模型进行了Schema的设计：
- 基于物类型、物模型创建超级表
- 数据聚合以字表为维度，按照物模型及数据特性，选择不同的聚合算子进行聚合
超级表举例如下：
四、落地实施
结合业务需求与数据特点，我们采用的方案是：将设备上报的元数据存储在metadata库中，然后通过定时任务的方式，每小时以设备的维度，根据物模型，进行数据聚合，将聚合后的数据存储在statistics库中。同时为了减少数据存储的压力，将metadata的数据过期时间设置为固定时长。
五、改造效果
在与TDengine工程师沟通后， 我们只使用了3台4C16G构成的TDengine的集群，就承载了线上的业务。
数据聚合方面，根据TDengine的性能、机器配置和前期测试的时间开销，只需很短的时间就完成了全量设备的数据聚合。
CPU方面，一直很稳定，在常态下CPU低于10%，由于设备的数据聚合需要消耗大量的CPU，因此在每个整点CPU会有所上升，但是不超过45%的负载。
六、总结
通过一段时间的运行，TDengine Database在成本、性能和使用便利性方面相比OpenTSDB都有非常大的优势，实现了海量物联数据的高性能、低成本的存储。
在项目实施过程中， TDengine的工程师提供了专业、及时的帮助，在此表示感谢。希望TDengine能够继续提升性能和稳定性，开发出更多的新特性、新功能，实现更大的突破。
