使用TDengine快速搭建车联网平台

车联网属于物联网的一个分支，通过车载终端采集数据，利用无线网络传输到云服务平台进行持久化存储，最终提供基于实时/历史数据的个性化服务。

目前初创型的车辆网企业，接入的车辆通常低于10万，数据采集频率远远大于1秒。这个级别的数据规模，如果采用HBase系的技术方案，需要至少6台8核32G配置的机器，而采用TDengine Database作为数据存储引擎，一台2核8G的机器就可以完成。

技术架构

TDengine Database作为时序处理引擎，可以完全不用Kafka、HDFS/HBase/Spark、Redis等软件，大幅简化大数据平台的设计，降低研发成本和运营成本。因为需要集成的开源组件少，因而系统可以更加健壮，也更容易保证数据的一致性。

• 基于HBase的解决方案，架构图如下

• 而基于TDengine的解决方案，架构图如下

数据模型

车载终端采集的数据字段非常多，很多企业按照国标ISO 22901建立数据模型，也有公司按照业务需要使用自定义的数据模型。但通常，采集数据都包含如下字段，本文也采用这种方法构造数据模型。

• 采集时间（时间戳）
• 车辆标志（字符串）
• 经度（双精度浮点）
• 维度（双精度浮点）
• 海拔（浮点）
• 方向（浮点）
• 速度（浮点）
• 车牌号（字符串）
• 车辆型号（字符串）
• 车辆vid（字符串）

不同于其他时序数据引擎，TDengine为每辆车单独创建一张数据表，数据字段为采集时间、车辆标志、经度、纬度、海拔、方向、速度等与时间序列相关的采集数据；标签字段为车牌号、车辆型号等车辆本身固定的描述信息。这里面有一个小技巧，浮点数据压缩比相对整型数据压缩比很差，经度纬度通常精确到小数点后7位，因此将经度纬度增大1E7倍转为长整型存储，将海拔、方向、速度增大1E2倍转为整型存储。

创建数据库的语句为

create database db cache 8192 ablocks 2 tblocks 1000 tables 10000;

创建超级表的SQL语句为

create table vehicle(ts timestamp, longitude bigint, latitude bigint, altitude int, direction int, velocity int) tags(card int, model binary(10));

以车辆vid作为表名（例如vid为1，车牌号为25746，类型为bmw），那么创建数据表的语句为

create table v1 using tags(25746, ‘bmw’);

数据写入

仍然以车辆v1为例，写入一条记录到表v1的SQL语句为

insert into v1 values(1562150939000,1,2,3,4,5);

测试数据的生成，可以采用批量数据写入方法，类似

insert into v1 values(1562150939000,1,1,1,1,1) (1562150969000,2,2,2,2,2) (1562150999000,3,3,3,3,3) (……)(……);

本文采用C语言编写了一个车辆模拟数据生成程序，该程序首先10万张数据表，然后每张数据表写入1个月的数据（数据间隔1分钟，计44000条数据）

#include <stdio.h> 
#include <stdlib.h>
#include <string.h> 
#include <unistd.h> 
#include "time.h"
#include "taos.h"
int main(int argc, char *argv[]) {
   taos_init();

   TAOS *taos = taos_connect("127.0.0.1", "root", "taosdata", NULL, 0);
   if (taos == NULL) {
     printf("failed to connect to server, reason:%s\n", taos_errstr(taos));
     exit(1);
   }

   if (taos_query(taos, "create database db cache 8192 ablocks 2 tblocks 1000 tables 10000") != 0) {
     printf("failed to create database, reason:%s\n", taos_errstr(taos));
     exit(1);
   }

   taos_query(taos, "use db");

   char sql[65000] = "create table vehicles(ts timestamp, longitude bigint, latitude bigint, altitude int, direction int, velocity int) tags(card int, model binary(10))";
   if (taos_query(taos, sql) != 0) {
     printf("failed to create stable, reason:%s\n", taos_errstr(taos));
     exit(1);
   }

   int begin = time(NULL);
   for (int table = 0; table < 100000; ++table) {
     sprintf(sql, "create table v%d using vehicles tags(%d, 't%d')", table, table, table);
     if (taos_query(taos, sql) != 0) {
       printf("failed to create table t%d, reason:%s\n", table, taos_errstr(taos));
       exit(1);
     }

     for (int loop = 0; loop < 44; loop++) {   
       int len = sprintf(sql, "insert into v%d values", table);   
       for (int row = 0; row < 1000; row++) {     
         len += sprintf(sql + len, "(%ld,%d,%d,%d,%d,%d)", 1561910400000L + 60000L * (row + loop * 1000L), row, row, row, row, row);   
       }   
       if (taos_query(taos, sql) != 0) {     
         printf("failed to insert table t%d, reason:%s\n", table, taos_errstr(taos));   
       } 
     }
   }
   int end = time(NULL);
     printf("insert finished, time spend %d seconds", end - begin);
   }
}

将改C文件命名为test.c，在相同目录下创建makefile文件

ROOT = ./
TARGET = exe
LFLAGS = -Wl,-rpath,/usr/lib/ -ltaos -lpthread -lm -lrt 
CFLAGS = -O3 -g -Wall -Wno-deprecated -fPIC -Wno-unused-result -Wconversion -Wno-char-subscripts -D_REENTRANT -Wno-format -D_REENTRANT -DLINUX -msse4.2 -Wno-unused-function -D_M_X64 -std=gnu99 -I/usr/local/include/taos/

all: $(TARGET)

exe:
   gcc $(CFLAGS) ./test.c -o $(ROOT)/test $(LFLAGS)

clean:
   rm $(ROOT)test 

编译之后，将测试程序和数据库在同一台2核8G的台式机上运行，写入时间共计为3946秒，相当于4400000000条/3946秒=111.5万条/秒，折算成点数为111.5*5=557万点/秒。

insert finished, time spend 3946 seconds

该程序是单线程运行的，如将其修改成多线程，速度还会有更大提升，但是仅就目前的性能来看，对于车辆网的场景也已经足够。

数据查询

TDengine在数据查询方面做了很多针对时序数据的优化。基于上面生成的测试数据集进行查询，这是一些常见SQL语句的运行结果，性能还是有点吓人的。

• 查询总数

• 单辆车的明细数据

查询类型	查询时间
1车当前值查询	2.3ms
1车1小时明细查询	2.1ms
1车1日明细查询	6.3ms
1车10日明细查询	15.4ms
1车31日明细查询	31.6ms

• 单辆车的聚合查询

查询类型	查询时间
1车1小时聚合查询	1.9ms
1车1日聚合查询	1.7ms
1车10日聚合查询	2.3ms
1车31日聚合查询	2.2ms

• 多辆车的单日聚合查询

查询类型	查询时间
1车单日聚合查询	3.2ms
10车单日聚合查询	5.1ms
100车单日聚合查询	10.4ms
1000车单日聚合查询	51.4ms
10000车单日聚合查询	455.9ms
100000车单日聚合查询	2074.8ms

• 多辆车单月聚合查询

查询类型	查询时间
1车单月聚合查询	3.1ms
10车单月聚合查询	4.1ms
100车单月聚合查询	7.7ms
1000车单月聚合查询	33.7ms
10000车单月聚合查询	289.5ms
100000车单月聚合查询	1197.ms

• 多辆车单月曲线查询

查询类型	查询时间
1车单月曲线查询	6.9ms
10车单月曲线查询	13.2ms
100车单月曲线查询	75.6ms
1000车单月曲线查询	710.9ms
10000车单月曲线查询	7137.6ms
100000车单月曲线查询	32130.8ms

• 资源消耗

数据库服务进程只消耗了约2.7GB的内存，CPU占用可以忽略不计。

结果分析

TDengine Database提供的时序数据解决方案，单机情况下的平均写入速度在百万条/秒级别，单辆车的所有查询均能做到实时，多辆车的查询速度也非常快，是车联网乃至物联网的必备利器。