小 T 导读：昆岳互联的“a环保”APP基于自主打造的环保产业互联网平台（INECO平台），对环境基础设施海量数据实时处理与分析，可以秒级实时采集工业大气环保各项监控指标的数据，分别通过年、月、日三个维度，结合不同的采集频率周期，对采集到的海量数据进行分析、展示，在时序数据库（Time-Series Database）的选型中，经过对比，最终选择了TDengine。
程序设计
整个数据采集服务基于MQTT协议开发，通过阿里巴巴的nacos集群实现配置和服务发现，通过feign模式调用其他微服务模块的业务数据，来对上报的数据进行业务解析，并将解析的结果存入对应监控指标对应的点位表中。采集服务采用mybatis-plus的多数据源配置，使用的是目前性能最佳的HikariCP数据连接池，分别配置MySQL和TDengine两个数据库连接，实现了多数据源的无缝切换。整个采集服务基于容器化部署，采用Kubernetes进行容器编排，通过分布式锁方式避免了数据重复入库，提高了数据的解析速度，实现MQTT的分布式分组采集。
数据库选型
我们公司对比了阿里的时序时空数据库TSDB、传统的 MySQL 以及 TDengine。
与传统数据库对比
- MySQL ：查询效率低，需要按数据时间分库分表，应用场景不合适，没有基于采集频率周期的高效查询。
- TDengine ：查询效率高，不需要分表，具备时间维度聚合、流式计算、缓存等特性。
| 数据库 | 查询效率 | 应用场景 | 流式计算 |
| MySQL | 低 | 事务型 | 不支持 |
| TDengine | 高 | 时序型 | 支持 |
与其他时序库对比
- 阿里TSDB ：闭源，私有化落地比较难
- TDengine ：性价比高，开源，支持云端和本地部署
尤其是TDengine一张设备一张表的建表思路，和我们的程序设计方式非常契合。同时TDengine还有一个超级表的设计，可以给不同的设备打上标签，比如客户ID、设备ID、指标名称等等，管理多条时间线变得非常方便。整个数据库也是SQL交互方式，支持标准JDBC接口，可以无缝对接MyBastis ORM框架，开发起来非常方便。因此我们最终选用了TDengine云服务作为各项监控指标的存储数据库，并且花了大概一周时间就上线了系统。
建表思路
我们目前是通过超级表的模式来进行数据建表，我们子表是point_#{采集点唯一编码} 。标签对应为客户唯一标识、设备唯一标识、采集指标编号、指标名称、计量单位名称。
建立超级表
create table point(ts timestamp,val float,flag bool) tags(cusid bigint, devid bigint, code bigint, pointname binary(20),unitname binary(20));根据超级表建立子表
create table point_0301 using point tags(10000000, 301, 107, 'DUST', 'mg/Nm3');
create table point_0302 using point tags(10000000, 302, 107, 'DUST', 'mg/Nm3');
...这样的设计很自然的对采集数据进行了分表。而在查询时，可以从超级表进行查询，无需针对每张子表进行。此外，在超级表查询时，还可以按照客户、采集量等去筛选具体业务需要的子表出来。超级表的标签相当于对子表加了一个索引，非常方便。超级表的标签是支持增删改查的，这对我们目前尚未定型的业务逻辑是个大好消息：在后面业务需要发生变化时，比如需要为各个设备增加一个“城市”的分析维度，我们也不再需要重新更新一遍所有数据，而只用直接为每个表增加一个标签即可。
方便的流式计算
时间维度聚合
业务需要对原始的秒级采集数据进行年、月、日、分钟等的聚合计算和绘图。这个需求可以直接在TDengine Database中按照时间进行将采样查询解决。在计算超标浓度的时候，需要对每分钟的平均值进行实时计算监控。比如污染排放的监控中，业务要求对NOx的浓度实时监控，并且让用户选择时间范围显示浓度变化曲线以及聚合的窗口长度（5分钟、15分钟、30分钟、日、月、年）。由于传到前端的数据是时序数据库已经计算好的，数据量一般没有那么大，相比把所有原始数据点都拉到前端再处理而言，效率大大提高。
select val from point_0301 where ts<'2020-05-30 00:00:00.000' and ts>'2020-05-29 00:00:00.000' interval(5m); //每5分钟聚合
select val from point_0301 where ts<'2020-05-30 00:00:00.000' and ts>'2020-05-29 00:00:00.000' interval(15m); //每15分钟聚合
select val from point_0301 where ts<'2020-05-30 00:00:00.000' and ts>'2020-05-29 00:00:00.000' interval(30m); //每30分钟聚合
流式计算
对于每分钟的平均量进行实时计算，只需要简单的定义时间窗口和滑动增量，数据库就能返回每分钟的平均量。对于实时监测、预警的指标，可以专门为这类数据建立流计算，并将计算结果写入新的表（如下strm_pt_0304）中存储，这样整个实时计算的结果也可以做历史回顾。
create table strm_pt_0304 as select avg(val) from point_0304 INTERVAL(1m) SLIDING(1m);//每分钟计算一次每分钟的平均值
原本很多需要在程序中处理的数值计算，现在完全都由TDengine承担，一方面分担了程序的计算压力，另一方面更重要的是，聚合结果可以自动持久化存储，支持历史数据即时回看。
对TDengine Database的体验总结
- 开源版的TDengine可以做本地测试适配，安装包只有5MB，使用非常方便，各种接口也和企业版完全一致。但希望可以对购买企业版的客户，提供一个可以兼容开源版本的web版查询工具，方便调试。
- 现在TDengine对Java驱动的支持已经相当好，但希望可以提供更多.net core版本的驱动支持。
作者简介：
王飞，昆岳互联物联网技术专家，有多年.net/Java软件设计开发经验、熟悉工业级监控、环境监控等业务建模，主导了昆岳互联“A环保”项目的整体设计、开发工作。
