对于物流企业来说，如何高效地记录和处理车辆的轨迹信息、应对每天海量监控数据的采集和处理工作，对于项目整体的交付效率至关重要。同时，伴随着数字化、智能化的不断加速，数据更是呈现出爆发式增长，老旧的数据架构越来越难以应对业务发展需求。在此背景下，诸多物流企业开始寻求数据架构的变革，特别是选择符合业务需求的时序数据库（Time Series Database，TSDB）产品，本篇文章汇总了国内四家大型物流公司的数据架构改造实例，给到读者参考。
顺丰 x TDengine
“完成改造后，大数据监控平台摆脱了对大数据组件的依赖，有效缩短了数据处理链路，自上线以来，一直运行稳定。在写入方面，根据容量规划完成相关参数调整后，理想情况下，集群写入速度最高达 90W 条/s。查询性能方面，在使用预计算函数情况下，查询 p99 都在 0.7 秒以内，能够满足我们日常绝大部分查询需求。控制成本层面，服务端物理机由 21 台降至 3 台，每日所需存储空间为 93GB（2 副本），同等副本下仅为 OpenTSDB+HBase 的约 1/10。”
业务背景
顺丰科技大数据集群每天需要采集海量监控数据，以确保集群稳定运行。此前其采用了 OpenTSDB+HBase 作为大数据监控平台全量监控数据的存储方案，随着接入数据量的不断增长，这一方案衍生出了不少痛点，包括依赖多、使用成本高和性能不能满足等问题，必须对全量监控数据存储方案进行改造。通过对 IoTDB、Druid、ClickHouse、TDengine 等时序数据存储方案的调研， TDengine 时序数据成为他们的最终选择。
架构图
为保证整个系统的高可用和可扩展性，整体架构中，前端采用nginx集群进行负载均衡，保证高可用性；单独分离出客户端层，方便根据流量需求进行扩容缩容。点击案例详情查看三大实施难点及解决路径。
👉 点击案例查看更多技术细节
韵达 x TDengine
“我们目前使用 TDengine 2.2.2.0 版本，在三台 16C 64G 的服务器上部署了集群，数据写入速度大概为每秒 5000 行。值得一提的是，基于 TDengine，常用的查询基本可以在 1 秒之内完成，一些特定查询甚至可以达到毫秒级。从存储来说，同等数据体量下，TDengine 大约占用 300GB 不到的磁盘（单副本），而此前使用 MySQL 时，光硬盘使用就需要几个 TB（主从）。”
业务背景
在业务尚未扩张之前，韵达采用的是 MySQL 分区+索引方式进行数据处理，但随着企业的发展、业务量的增加，面对每日亿级的数据量，MySQL 显然已经无法满足当下的数据处理需求。随后，韵达决定进行数据库选型，考虑到目前业务主要是统计各个网点设备实时上传的数据，无需再进行修改等操作，是典型的时序数据。经过一番调研和测试，韵达发现 TDengine 就很符合当下的业务要求。
架构图
当前韵达的架构是 Spring Boot + MyBatis + MySQL + TDengine，TDengine 负责处理时序数据，MySQL 则负责非时序数据的存储及应用，整体架构如下：
👉 点击案例查看更多技术细节
货拉拉 x TDengine
“值得一提的是，TDengine 的 SQL 原生语法支持时间维度聚合查询，同时数据存储压缩率⾼存储空间小， 这两点直接切中了我们的痛点。落地后实测相同数据的存储空间只有 MySQL 存储空间的 1/10 甚至更少。还有⼀个惊喜是，在现有监控数据存储(MySQL)顶不住的情况下，⼀台 8C16GB 的单机版 TDengine 时序数据库轻松就抗下目前所有监控流量和存储压力，且运行稳定，基本没有故障。”
业务背景
目前货拉拉 DBA 团队管理的数据存储包括 MySQL、Redis、Elasticsearch、Kafka、MQ、Canal 等，为了保证监控采样的实时性，其自研的监控系统设置的采样间隔为 10 秒，每天都会产生庞大的监控数据，监控指标的数据量达到 20 亿+。随着管理实例越来越多，使用 MySQL 来存储规模日益庞大的监控数据越发力不从心，急需进行升级改造。结合实际具体需求，通过对不同时序数据库进行调研，最终货拉拉选择了 TDengine，顺利完成了数据存储监控的升级改造。
架构图
👉 点击案例查看更多技术细节
中通 x TDengine
“通过项目初期的表现，可以知道 TDengine 能够轻松满足我们的业务需求，轻松支撑起业务中使用比较频繁的几种查询。未来我们还有其他的使用规划，后续接入的车辆将会达到几万辆，对于部标机产生的相关时序数据的使用也会越来越多，期待 TDengine 可以继续为车联网场景下的查询提供更为多样性的支持。”
业务背景
车联网业务是中通科技配送全链路业务中非常重要的一环，通过人、车、货、场全链条覆盖的车联网设备应用，实现物流运输全链路感知。在中智车联服务平台的实际项目需求中，需要实时查询车辆最新位置状态，达到车辆运营可视化管理。在进行数据库选型时，其对比了 Prometheus 和 TDengine 这两款很有代表性的时序数据库，最终被 TDengine “一个设备采集点一张表”的底层设计，及自带的降采样和窗口函数等优秀性能所吸引。
架构图
👉 点击案例查看更多技术细节
写在最后
据国家邮政局数据显示，我国快递业发展迅猛，已经连续几年保持 50% 左右的爆发式增长，为经济增长注入了强大的活力，然而高速发展的同时也面临着越来越多的数据处理难题，好在大数据处理方案也在与时俱进。以上企业用实际案例证明，对于物流企业，时序数据库在降本增效上确实更加显著，值得更多有此类需求的企业尝试。
