概述

最近，Amazon新推出了完全托管的時(shí)間序列數(shù)據(jù)庫Timestream，可見，各大廠商對(duì)未來時(shí)間序列數(shù)據(jù)庫的重視與日俱增。
阿里云TSDB是阿里巴巴集團(tuán)數(shù)據(jù)庫事業(yè)部研發(fā)的一款高性能分布式時(shí)序時(shí)空數(shù)據(jù)庫，在即將過去的2018年，我們對(duì)TSDB進(jìn)行了多次的系統(tǒng)架構(gòu)改進(jìn)，引入了倒排索引、無限時(shí)間線支持、時(shí)序數(shù)據(jù)高壓縮比算法、內(nèi)存緩存、數(shù)據(jù)預(yù)處理、分布式并行聚合、GPU加速等多項(xiàng)核心技術(shù)，并且引入了新的計(jì)算引擎層和分布式SQL層，使得引擎核心能力有了質(zhì)的提升，也基本上統(tǒng)一了集團(tuán)內(nèi)部的監(jiān)控存儲(chǔ)業(yè)務(wù)。2018年雙11當(dāng)天，TSDB穩(wěn)定運(yùn)行，0故障，支撐雙十一核心業(yè)務(wù)系統(tǒng)，毫秒級(jí)采集能力，具備雙十一峰值寫入不降級(jí)，創(chuàng)造了集群TPS 4000萬、QPS 2萬的新紀(jì)錄。同時(shí)，面向IOT賽道，推出了時(shí)空數(shù)據(jù)庫和邊緣計(jì)算版本，還會(huì)引入面向時(shí)序時(shí)空?qǐng)鼍暗闹悄芤妫磥砦覀兊哪繕?biāo)是把TSDB打造成一款業(yè)內(nèi)領(lǐng)先的“智聯(lián)網(wǎng)數(shù)據(jù)庫”。

2018雙十一數(shù)據(jù)

首先，我們來看一下TSDB在2018年雙十一的答卷：TSDB承受了4000萬/秒的峰值寫入，2萬/秒的峰值查詢，與2017年雙十一相比均翻倍增長(zhǎng)；而寫入均值也達(dá)到了2600萬/秒，查詢均值達(dá)到了8000次/秒。

場(chǎng)景

下面幾頁Slide是我們?cè)谕獠康囊恍﹫?chǎng)景和客戶案例：

核心技術(shù)解析

為了更好的支持業(yè)務(wù)的需求，今年我們?cè)诤诵囊鎸用孀隽朔浅６嗟膬?yōu)化和改進(jìn)，我們還引入了新的計(jì)算引擎層，分布式SQL引擎，時(shí)空引擎以及面向IoT市場(chǎng)的邊緣計(jì)算版本，極大的提高了TSDB的計(jì)算能力和場(chǎng)景。下圖就是TSDB的主要架構(gòu)圖，接下來的篇章我會(huì)分時(shí)序引擎，計(jì)算引擎，SQL引擎，時(shí)空引擎，邊緣計(jì)算這5大部分來詳細(xì)的介紹我們的核心技術(shù)能力。

一、時(shí)序引擎

問題挑戰(zhàn)

穩(wěn)定性、流量翻倍、不降級(jí)、低延遲、無限時(shí)間線

1. 復(fù)雜時(shí)間線索引、無限制時(shí)間線支持:

問題

為了支持多維查詢和聚合查詢，TSDB使用了倒排索引以快速定位到某條時(shí)間線。在TSDB現(xiàn)有的實(shí)現(xiàn)里，倒排索引是全部存放在內(nèi)存中的。該方案的好處是根據(jù)某個(gè)Tag或者M(jìn)etric查找時(shí)間線時(shí)會(huì)非常高效，但是缺點(diǎn)也非常明顯：受限于內(nèi)存大小，TSDB無法支持大規(guī)模的時(shí)間線。隨著TSDB的客戶越來越多，這個(gè)問題也越來越突出：某直播業(yè)務(wù)要求TSDB能夠支撐20億時(shí)間線的規(guī)模；某監(jiān)控業(yè)務(wù)雖然初始時(shí)間線只有上千萬，但是每天會(huì)新增幾十萬條時(shí)間線，而且時(shí)間線規(guī)模沒有上限。

方案

TSDB在之前全內(nèi)存倒排索引的基礎(chǔ)上，將倒排索引持久化到硬盤，賦予了TSDB支撐無限時(shí)間線的能力。同時(shí)，通過給予倒排索引時(shí)間的概念，我們將查詢的時(shí)間過濾算子下推到了索引查詢階段，進(jìn)一步優(yōu)化了查詢性能。而通過創(chuàng)建時(shí)間線索引的BloomFilter，TSDB保證了海量時(shí)間線規(guī)模下的低延遲索引查詢。

效果

拿集團(tuán)內(nèi)業(yè)務(wù)舉例，原來64G內(nèi)存的機(jī)器只能支持到不到500萬的時(shí)間線，采用了上面的技術(shù)方案后，64G內(nèi)存的機(jī)器就可以支持業(yè)務(wù)將近7000萬以上的時(shí)間線，而且時(shí)間線數(shù)量在原有機(jī)器的基礎(chǔ)上還可以繼續(xù)增加。

2. 高效列式內(nèi)存緩存、時(shí)間線內(nèi)存分片：

為了加速數(shù)據(jù)的寫入和查詢能力，今年我們?yōu)門SDB設(shè)計(jì)了全內(nèi)存的分布式高效緩存，具體架構(gòu)圖如下：

效果

最終我們測(cè)試效果是：在單個(gè)docker下，單機(jī)TPS從原來的50W提升到100W+，QPS從原來的1K提升到2K+ ；并且這個(gè)改進(jìn)很好的支持了集團(tuán)魔兔業(yè)務(wù)的需求和發(fā)展。

3. 工作負(fù)載管理：

為了更好的解決數(shù)據(jù)量大的情況下的負(fù)載均衡的問題，我們做了許多工作，主要包括：

• 通過讀寫分離機(jī)制進(jìn)一步提升寫入和查詢性能；

• 快慢查詢自動(dòng)分級(jí)，讓慢查詢不再拖累其他查詢；

• 自動(dòng)限流保護(hù)，無需業(yè)務(wù)方降級(jí)，無懼雙十一洪峰。

效果

雙十一結(jié)果證明，新的負(fù)載管理策略幫助業(yè)務(wù)方非常平滑的度過了流量洪峰。

4. 時(shí)序全新存儲(chǔ)引擎——Lindorm：

這里需要提到的另外一點(diǎn)是，TSDB時(shí)序最新架構(gòu)采用了Lindorm作為存儲(chǔ)引擎，能夠以更少的機(jī)器成本提供更高的吞吐、更低的延遲。下圖為采用Lindorm存儲(chǔ)引擎前后的TSDB寫入延遲。

5. 聚合器

豐富的流式聚合算子:15+聚合，10+填充策略，支撐大量的adhoc操作：groupby, in，not_literal_or, topN, limit等等;支持不規(guī)則時(shí)間序列數(shù)據(jù)的處理，TSDB提供的填值策略，可以很輕松地將不規(guī)則的時(shí)間序列轉(zhuǎn)換為常規(guī)時(shí)間序列進(jìn)行處理;支持top-bottom等聚合方式。

6. 混合存儲(chǔ)記錄塊

時(shí)序數(shù)據(jù)存儲(chǔ)的記錄塊方式是其查詢性能的基石。TSDB既支持基于時(shí)間線的存儲(chǔ)方式，
同時(shí)支持基于窗口的數(shù)據(jù)記錄切分，復(fù)用同一套流式聚合，滿足不同業(yè)務(wù)場(chǎng)景性能需求。

7. 服務(wù)化

TSDB服務(wù)目前已經(jīng)在阿里云上出售，目前提供小規(guī)格版本以及標(biāo)準(zhǔn)規(guī)格版本，滿足了很多用戶的需求，但依然有一些用戶希望提供更小規(guī)格的TSDB服務(wù)。為了更好滿足用戶的需求，TSDB提供服務(wù)化功能。服務(wù)化功能是通過多個(gè)用戶共享一個(gè)TSDB集群的方式來提供更小規(guī)格的TSDB服務(wù)

• 數(shù)據(jù)安全：HTTPS支持，用戶認(rèn)證

• 并發(fā)管理：寫入并發(fā)管理，查詢并發(fā)管理

• 性能管理：寫入性能管理，查詢性能管理

• 使用量管理：數(shù)據(jù)點(diǎn)管理，時(shí)間線管理

時(shí)序引擎接下來會(huì)繼續(xù)突破核心技術(shù)，包括：自驅(qū)動(dòng)索引TPI，多值數(shù)據(jù)模型，時(shí)序算法，內(nèi)存計(jì)算等等。從功能，性能，成本，生態(tài)方面進(jìn)一步發(fā)力，打通K8S指標(biāo)存儲(chǔ)體系，具備兼容Prometheus的能力。

二、 時(shí)序計(jì)算引擎TSCE

業(yè)務(wù)接入量快速突破的過程中, 也帶來了數(shù)據(jù)存儲(chǔ)量級(jí)與查詢復(fù)雜度的快速增長(zhǎng), 單TSDB實(shí)例 在存儲(chǔ)與計(jì)算方面的技術(shù)挑戰(zhàn)也面臨跳躍式提升. 為了避免查詢性能逐漸偏離用戶設(shè)定的目標(biāo), TSDB的架構(gòu)演進(jìn)過程也引入相關(guān)的創(chuàng)新機(jī)制, 并最終延伸出時(shí)序產(chǎn)品體系中的新成員 - 時(shí)序計(jì)算引擎(TimeSeries Computing Engine, TSCE).

時(shí)序計(jì)算引擎(TSCE) 定位為對(duì)TSDB中原生數(shù)據(jù)進(jìn)行流式計(jì)算的獨(dú)立組件, 在時(shí)序產(chǎn)品體系中與時(shí)序數(shù)據(jù)庫(TSDB)緊密結(jié)合, 提供諸如時(shí)序數(shù)據(jù)降采樣(DownSample), 時(shí)間維度預(yù)聚合, 時(shí)間線降維歸檔 等涵蓋時(shí)序數(shù)據(jù)查詢與存儲(chǔ)相關(guān)的核心計(jì)算能力.

同時(shí), 針對(duì)應(yīng)用特定的應(yīng)用型時(shí)序計(jì)算場(chǎng)景, 時(shí)序計(jì)算引擎(TSCE) 亦支持自定義計(jì)算規(guī)則與函數(shù), 滿足各類應(yīng)用自身的特定業(yè)務(wù)需求. 常見的應(yīng)用型時(shí)序計(jì)算場(chǎng)類型: 時(shí)序事件告警, 事件模式匹配, 時(shí)序異常分析與檢測(cè)等.

TSCE的產(chǎn)品形態(tài)如下:

時(shí)序計(jì)算引擎(TSCE)作為獨(dú)立組件進(jìn)行部署, 用戶需要在TSDB實(shí)例的基礎(chǔ)上根據(jù)成本與應(yīng)用需求選擇是否開啟TSCE時(shí)序計(jì)算處理. 在這種產(chǎn)品形態(tài)下, 用戶可以獨(dú)立調(diào)整TSDB的存儲(chǔ)規(guī)格 ?和 ?TSCE的計(jì)算容量, 做到根據(jù)應(yīng)用特點(diǎn)彈性調(diào)整各自組件的實(shí)例規(guī)模. 在滿足應(yīng)用要求的情況下將TSDB/TSCE實(shí)例部署成本控制在合理區(qū)間.

TSDB與TSCE結(jié)合之后, TSDB引擎會(huì)在數(shù)據(jù)入庫過程中同時(shí)讓TSCE引擎感知數(shù)據(jù)流動(dòng), TSCE會(huì)基于配置的時(shí)序計(jì)算能力或業(yè)務(wù)規(guī)則對(duì)數(shù)據(jù)流進(jìn)行計(jì)算與分析, 計(jì)算后的結(jié)果支持三種反饋形式: ?1.直接反饋至TSDB存儲(chǔ)層,供TSDB查詢. ?2.作為視圖以API或者SQL方式訪問. ?3.通過Reactive機(jī)制投遞給其他事件處理渠道.

時(shí)序計(jì)算引擎TSCE 支持通過 ?TS-API 或者 Web控制臺(tái) ?進(jìn)行時(shí)序計(jì)算能力/自定義規(guī)則的配置.

（1） 時(shí)序計(jì)算

TSDB與TSCE協(xié)作工作時(shí), 針對(duì)核心的時(shí)序計(jì)算能力, TSCE會(huì)與TSDB的進(jìn)行無縫集成. 此時(shí)核心的時(shí)序計(jì)算處理對(duì)于TSDB終端用戶而言是透明,無感知的執(zhí)行過程. 用戶開啟并配置TSCE處理后, 原來的數(shù)據(jù)查詢方式與查詢格式不變, 整個(gè)計(jì)算的處理完全在后臺(tái)自動(dòng)執(zhí)行.

在查詢層面上,?通過TSCE提供的時(shí)序計(jì)算處理,?TSDB會(huì)在盡可能的情況下將查詢經(jīng)過TSCE處理的計(jì)算結(jié)果.即使是在海量數(shù)據(jù)場(chǎng)景下, ?也能提供時(shí)序數(shù)據(jù)的秒級(jí)分析查詢與時(shí)間維度鉆取查詢.

而在數(shù)據(jù)存儲(chǔ)層面上, 隨著時(shí)間線的流逝,?TSCE會(huì)對(duì)原生歷史數(shù)據(jù)進(jìn)行降維計(jì)算,?將細(xì)粒度的時(shí)間點(diǎn)逐步轉(zhuǎn)化為粗粒度的時(shí)間點(diǎn)歸檔存儲(chǔ)(例如秒級(jí)數(shù)據(jù)點(diǎn)轉(zhuǎn)化為分鐘級(jí)數(shù)據(jù)點(diǎn)), 進(jìn)一步控制TSDB中存儲(chǔ)空間與資源的使用量, ?使得TSDB的穩(wěn)定性與性能波動(dòng)處于可控范圍. ?通過TSDB與TSCE結(jié)合, TSDB中管理的數(shù)據(jù)體量可以控制在合理水平, ?提升資源占用率的同時(shí)進(jìn)一步節(jié)省產(chǎn)品使用成本.

• 數(shù)據(jù)流預(yù)聚合
  諸如max/min/avg/count/sum等常見的 可累加式 狀態(tài)值, TSCE可以在數(shù)據(jù)流動(dòng)過程中即完成相關(guān)數(shù)據(jù)的統(tǒng)計(jì)與計(jì)算.

• 時(shí)間線計(jì)算

針對(duì)時(shí)間線(TimeSeries)的窗口粒度,數(shù)值分布等特征關(guān)系, 對(duì)時(shí)間線進(jìn)行特征值轉(zhuǎn)換的計(jì)算過程. 例如降采樣(Dowmsampling)運(yùn)算可以將秒級(jí)時(shí)間線轉(zhuǎn)化為分鐘級(jí)時(shí)間線, 經(jīng)過轉(zhuǎn)化后的時(shí)間線可以在查詢流程上支持時(shí)間維度上下鉆的即席查詢; 而在存儲(chǔ)流程上, 可以支持時(shí)間線歸檔存儲(chǔ), 將原始細(xì)粒度時(shí)間線轉(zhuǎn)化為粗粒度時(shí)間線后,清除原始的數(shù)據(jù)點(diǎn),釋放相關(guān)資源.

（2） 時(shí)序流處理

針對(duì)應(yīng)用特定的應(yīng)用型時(shí)序計(jì)算場(chǎng)景, TSCE通過引入自定義計(jì)算規(guī)則與函數(shù), 來滿足各類應(yīng)用自身的特定業(yè)務(wù)計(jì)算需求. 用戶在經(jīng)過簡(jiǎn)單的規(guī)則配置后, TSCE引擎會(huì)負(fù)責(zé)底層的數(shù)據(jù)流打通, 流計(jì)算拓?fù)溆成? 分布式節(jié)點(diǎn)間的Shuffle與結(jié)果歸并, 計(jì)算后結(jié)果集的存儲(chǔ)與投遞等一系列動(dòng)作細(xì)節(jié).

與General-purpose的流計(jì)算處理相比, TSCE的時(shí)序流處理除了實(shí)現(xiàn)降低技術(shù)門檻之外,做到底層流計(jì)算能力的彈性擴(kuò)展之外, 也提供幾個(gè)核心能力:

• 時(shí)序數(shù)據(jù)庫的緊密集成: 因?yàn)門SCE與TSDB部署在相同的內(nèi)部環(huán)境內(nèi),TSCE可以在非常低的成本下做到與TSDB做數(shù)據(jù)交換,并且可以直接訪問到TSDB后端的數(shù)據(jù)存儲(chǔ)層. 與常規(guī)應(yīng)用方案中 需要先經(jīng)過流處理再寫入時(shí)序存儲(chǔ)產(chǎn)品的架構(gòu)相比, 引擎間的緊密集成可以做到效率,成本,性能的成倍提升.

• Reactive查詢視圖: 流處理后的結(jié)果集除了寫回TSDB中存儲(chǔ)之外, TSCE也支持將數(shù)據(jù)流轉(zhuǎn)儲(chǔ)為Reactive查詢視圖. Reactive查詢視圖除了可以支持以SQL/API方式查詢結(jié)果之外, 也可以通過指定Subscriber訂閱相關(guān)數(shù)據(jù)流更新, 當(dāng)結(jié)果集在視圖中產(chǎn)生變動(dòng)時(shí), TSCE會(huì)投遞數(shù)據(jù)變更事件至相關(guān)Subscriber指定的渠道中(適合監(jiān)控告警以及自動(dòng)化處理等業(yè)務(wù)).

時(shí)序流處理規(guī)則

定義一個(gè)流處理規(guī)則包含了3個(gè)元素: 1.數(shù)據(jù)源(TSDB中的時(shí)間線), 2.自定義計(jì)算規(guī)則, 3.計(jì)算結(jié)果的輸出源；其中數(shù)據(jù)源來自于TSDB數(shù)據(jù)庫, 業(yè)務(wù)方可以通過規(guī)則匹配1條或多條時(shí)間線作為數(shù)據(jù)輸入源. 而計(jì)算結(jié)果的輸出源可以是寫會(huì)TSDB, 或者轉(zhuǎn)儲(chǔ)為Reactive視圖.

此外用戶也可以通過lambda自定義與業(yè)務(wù)邏輯處理相關(guān)的函數(shù), 加入到整體的規(guī)則處理鏈中.

（3） 時(shí)序分析與智能引擎

除了配置TSCE的 ?時(shí)序計(jì)算能力 與 自定義時(shí)序流處理之外, TSCE也提供一些常見的時(shí)序分析與智能處理能力:

時(shí)序分析

簡(jiǎn)單的時(shí)序流復(fù)雜事件處理(CEP): 提供時(shí)間線上數(shù)據(jù)點(diǎn)之間的關(guān)系偵測(cè),模式匹配等.

智能引擎

TSCE支持與時(shí)序智能引擎進(jìn)行聯(lián)通,讓用戶具備針對(duì)時(shí)序數(shù)據(jù)流進(jìn)行時(shí)序異常探測(cè),故障root-cause分析,流式模型訓(xùn)練等相關(guān)高級(jí)能力. 技術(shù)實(shí)現(xiàn)上TSCE以Function,DSL等形式進(jìn)行智能引擎的規(guī)則定義與轉(zhuǎn)換,?TSCE在數(shù)據(jù)流的計(jì)算過程中會(huì)基于內(nèi)存間數(shù)據(jù)共享/RPC等方式完成與智能引擎的聯(lián)動(dòng)與交互

4. ?應(yīng)用場(chǎng)景

雙十一期間, ?TSCE時(shí)序計(jì)算引擎支撐的幾個(gè)典型業(yè)務(wù)場(chǎng)景:

• 海量數(shù)據(jù)下的時(shí)間線降維度,預(yù)聚合查詢

• 基于閾值的簡(jiǎn)單事件告警

• 時(shí)序數(shù)據(jù)的降維歸檔存儲(chǔ)

• 驗(yàn)證初期的時(shí)序分析能力(與智能引擎結(jié)合)

三、分布式MPP SQL引擎：

1. 需求

今年我們決定在TSDB上設(shè)計(jì)開發(fā)一個(gè)分布式的SQL查詢引擎，為什么要這么做呢？主要有以下幾個(gè)原因：

• 從簡(jiǎn)單時(shí)序監(jiān)控到復(fù)雜時(shí)序分析
  TSDB引擎所支持的查詢主要是簡(jiǎn)單的降采樣和分組聚合，隨著越來越多業(yè)務(wù)把時(shí)序數(shù)據(jù)存儲(chǔ)到TSDB，我們需要提供一個(gè)基于SQL的分布式查詢引擎，支持更復(fù)雜的時(shí)序計(jì)算(聚合，時(shí)序Join, SQL Window function， UDF), 從而推廣TSDB到更廣泛的業(yè)務(wù)中。

• 擴(kuò)展時(shí)序數(shù)據(jù)庫的生態(tài)系統(tǒng)
  生態(tài)系統(tǒng)是一個(gè)產(chǎn)品是否成功的關(guān)鍵因素。通過時(shí)序SQL查詢引擎，TSDB數(shù)據(jù)庫可以和現(xiàn)有的BI tool實(shí)現(xiàn)無縫對(duì)接。在集團(tuán)內(nèi)部，我們正在和阿里云的QuickBI和IDB等團(tuán)隊(duì)合作，把TSDB演進(jìn)成一個(gè)支撐重要BI數(shù)據(jù)分析的數(shù)據(jù)庫產(chǎn)品。未來，通過時(shí)序SQL查詢引擎，可以對(duì)接市場(chǎng)上常見的BI tool, 比如Tableau, Qlik, Power BI等眾多工具。

• 支持多種異構(gòu)數(shù)據(jù)源的聯(lián)合分析
  通常，業(yè)務(wù)把時(shí)序相關(guān)的數(shù)據(jù)存儲(chǔ)在TSDB，非時(shí)序數(shù)據(jù)存儲(chǔ)在其他系統(tǒng)中，比如維度信息存儲(chǔ)在MySQL等。業(yè)務(wù)需要在多種數(shù)據(jù)中進(jìn)行Join。時(shí)序SQL查詢引擎支持業(yè)務(wù)在多種數(shù)據(jù)源之間直接進(jìn)行查詢分析，避免業(yè)務(wù)方復(fù)制異構(gòu)數(shù)據(jù)源再進(jìn)行聯(lián)合分析。

• 對(duì)標(biāo)業(yè)界主要競(jìng)爭(zhēng)產(chǎn)品
  時(shí)序數(shù)據(jù)庫在國外最主要的競(jìng)爭(zhēng)產(chǎn)品包括TimeScaleDB, InfluxDB， KDB+，Prometheus。TimeScaleDB作為Postgres的一個(gè)擴(kuò)展，提供了標(biāo)準(zhǔn)SQL的支持，而InfluxDB/KDB+提供了類似于SQL (SQL-like)的查詢支持。我們TSDB系統(tǒng)通過時(shí)序SQL查詢引擎，更好地對(duì)標(biāo)國外主要時(shí)序競(jìng)爭(zhēng)產(chǎn)品。

2. SQL引擎的挑戰(zhàn)

除了海量時(shí)序數(shù)據(jù)帶來的挑戰(zhàn)外，時(shí)序SQL查詢引擎還面臨和時(shí)序場(chǎng)景相關(guān)的挑戰(zhàn)：

• 數(shù)據(jù)table Schema的管理

  • 時(shí)序metric數(shù)目海量：Sunfire等集團(tuán)內(nèi)部業(yè)務(wù)有上億規(guī)模的時(shí)間線，而盒馬業(yè)務(wù)中將tag編碼進(jìn)metric, 時(shí)間線數(shù)目巨大，這和一般數(shù)據(jù)庫中數(shù)千或數(shù)萬的table是巨大的區(qū)別;

  • 時(shí)序metric schema動(dòng)態(tài)變化：業(yè)務(wù)方隨著應(yīng)用的變化，經(jīng)常需要增加或減少一個(gè)tag。這意味著metric所對(duì)應(yīng)的schema也在不斷變化之中。海量時(shí)間線+動(dòng)態(tài)變化對(duì)查詢引擎獲取metric的schema 是一個(gè)挑戰(zhàn)。

• 數(shù)據(jù)schema-on-write對(duì)查詢引擎的影響

大多數(shù)的數(shù)據(jù)庫在用戶寫入數(shù)據(jù)或查詢之前，必須先通過DDL創(chuàng)建table schema，這些table schema等元數(shù)據(jù)又被存放在一個(gè)catalog或meta data store, 供數(shù)據(jù)寫入或查詢時(shí)使用。而時(shí)序數(shù)據(jù)庫的業(yè)務(wù)中，大部分的數(shù)據(jù)源來自于監(jiān)控設(shè)備的一個(gè)agent, 或者IOT物聯(lián)網(wǎng)的一個(gè)sensor, 要求先定義DDL再寫入數(shù)據(jù)會(huì)嚴(yán)重影響可用性; 同時(shí)，時(shí)序metric所對(duì)應(yīng)的tag集合在應(yīng)用演進(jìn)過程中，變化很常見。針對(duì)這一的應(yīng)用特點(diǎn)，時(shí)序數(shù)據(jù)庫TSDB，InfluxDB， Prometheus都采用了一種'Schema-on-write'的機(jī)制，應(yīng)用直接寫入數(shù)據(jù)，table schema是隱含在數(shù)據(jù)中。在'Schema-on-write'的機(jī)制下，需要解決沒有DDL的情況下SQL查詢引擎如何從海量時(shí)間線中獲取table schema等元數(shù)據(jù)的問題。

• 時(shí)序功能擴(kuò)展

在現(xiàn)有以關(guān)系運(yùn)算為基礎(chǔ)的SQL查詢引擎中。為支持時(shí)序功能擴(kuò)展，我們需要一個(gè)易于擴(kuò)展功能的架構(gòu)，能支持開發(fā)時(shí)序相關(guān)的功能，比如時(shí)序Join, 時(shí)序相關(guān)的用戶自定義函數(shù)(UDF)。

• 時(shí)序查詢優(yōu)化

一個(gè)SQL查詢引擎，優(yōu)化器是性能優(yōu)劣的關(guān)鍵。需要在通用的SQL查詢引擎中，引入時(shí)序數(shù)據(jù)統(tǒng)計(jì)信息，作為輸入提供給優(yōu)化器；同時(shí)，在優(yōu)化器中，引入時(shí)序相關(guān)的優(yōu)化Rule, 比如FilterPushDown/ProjectPushDown規(guī)則，這些都是時(shí)序SQL查詢引擎需要解決的問題。

3. SQL引擎

SQL查詢引擎是一個(gè)分布式的系統(tǒng)，其特點(diǎn)：

• 每個(gè)計(jì)算節(jié)點(diǎn)在系統(tǒng)中是對(duì)等的，并沒有主從關(guān)系，

• 任何一個(gè)節(jié)點(diǎn)都可以成為Foreman, 負(fù)責(zé)SQL查詢計(jì)劃的生成，而其他節(jié)點(diǎn)成為worker nodes

• 無狀態(tài)，一個(gè)節(jié)點(diǎn)失效后，可以快速啟動(dòng)備用節(jié)點(diǎn)。

4. ?應(yīng)用場(chǎng)景

• 盒馬零售業(yè)績(jī)時(shí)序數(shù)據(jù)查詢: 業(yè)務(wù)方需要通過SQL查詢TSDB的時(shí)序數(shù)據(jù)，接入業(yè)務(wù)方的分析圖表大屏。此外，業(yè)務(wù)方需要支持簡(jiǎn)單的SQL簡(jiǎn)單查詢外，還包括異構(gòu)多種數(shù)據(jù)源的join的支持。![image]

• 云監(jiān)控：通過提高SQL查詢支持，業(yè)務(wù)方能統(tǒng)一數(shù)據(jù)訪問方式![image]

四、 時(shí)空數(shù)據(jù)庫

1. 需求

隨著TSDB的業(yè)務(wù)發(fā)展，時(shí)序數(shù)據(jù)庫TSDB漸漸走出APM與監(jiān)控領(lǐng)域，在IoT領(lǐng)域也獲得廣泛應(yīng)用。 而由于IoT領(lǐng)域的特性，其中采集到的很多數(shù)據(jù)不光有時(shí)間信息，還有空間信息與之關(guān)聯(lián)。因此時(shí)序數(shù)據(jù)庫也需要能夠識(shí)別和處理空間信息，以便于更好地服務(wù)IoT場(chǎng)景。

對(duì)于傳統(tǒng)的時(shí)間序列數(shù)據(jù)庫，比如說OpenTSDB，如果用戶想要存儲(chǔ)和查詢地理坐標(biāo)信息，往往需要將經(jīng)度和緯度分開存儲(chǔ)，生成獨(dú)立的時(shí)間線。但是使用時(shí)想要將兩者重新關(guān)聯(lián)起來需要用戶做額外處理。另外一種方式則是需要用戶自己將地理位置信息進(jìn)行編碼，常見有的GeoHash或者Google S2。然后將編碼信息作為時(shí)間線信息進(jìn)行存儲(chǔ)。即使這樣，用戶依舊需要開發(fā)時(shí)空過濾功能等等。

2. 方案

在IoT場(chǎng)景中，對(duì)于地理坐標(biāo)信息的采集十分普遍。因此在時(shí)序數(shù)據(jù)庫的基礎(chǔ)上，我們添加了對(duì)空間信息的存儲(chǔ)和處理能力，使之成為時(shí)序時(shí)空數(shù)據(jù)庫。TSDB的時(shí)空引擎讓地理位置信息和時(shí)序信息完美結(jié)合起來，力爭(zhēng)解決著一切關(guān)于時(shí)序和時(shí)空相關(guān)的查詢分析。

3. 時(shí)空處理能力

最新版本的阿里云TSDB支持地理坐標(biāo)位置信息的直接寫入。用戶只需要通過新版本的SDK以及Http Restful APIs可以將地理空間信息（地理經(jīng)緯度）寫入，并且可以對(duì)經(jīng)緯度信息進(jìn)行讀取。下面兩個(gè)通過Http Restful API接口TSDB多值寫入和單純的軌跡查詢示例：（注意：Coordinate是一個(gè)關(guān)鍵字，表示地理坐標(biāo)點(diǎn)寫入，不可用于其他監(jiān)控指標(biāo)名稱(metric)。）

說完TSDB對(duì)于地理坐標(biāo)信息最基本的存儲(chǔ)和查詢功能，我們來看一下TSDB所提供的常用時(shí)空分析功能。

對(duì)于寫入的地理坐標(biāo)數(shù)據(jù)點(diǎn)，TSDB將自動(dòng)生成時(shí)空索引提高查詢和分析效率。TSDB的時(shí)空索引基于傳統(tǒng)空間索引（Google S2和GeoHash都是支持）結(jié)合時(shí)序數(shù)據(jù)特征創(chuàng)建的時(shí)空索引格式。同時(shí)為了提高，用戶可以根據(jù)自己需求在開始使用時(shí)空功能之前提前配置時(shí)空索引按照時(shí)間分片。偏實(shí)時(shí)的業(yè)務(wù)，可以將按照小時(shí)或者半小時(shí)對(duì)時(shí)空索引進(jìn)行分片。對(duì)于偏分析的場(chǎng)景，可以按照天進(jìn)行分片。

時(shí)空索引為TSDB提供時(shí)空過濾分析功能提供了便捷和提高效率，現(xiàn)在最新版本的TSDB支持一些常用的時(shí)空過濾功能，比如BBOX查詢和DISTANCE_WITHIN查詢。

目前TSDB時(shí)空功能已經(jīng)在云上推出了公測(cè)版本，大家在官網(wǎng)就可以看到我們時(shí)空功能。

4. 下一代時(shí)空數(shù)據(jù)庫核心技術(shù)全力研發(fā)中

針對(duì)萬億級(jí)，EB級(jí)別的時(shí)空數(shù)據(jù)，全團(tuán)隊(duì)在全力研發(fā)下一代時(shí)空數(shù)據(jù)庫，包括新型分布式列式存儲(chǔ)引擎，GPU加速，智能壓縮，冷熱分離，高效時(shí)空索引，分布式時(shí)空計(jì)算等等；

五、邊緣計(jì)算

今年，為了進(jìn)一步支持外部IoT市場(chǎng)的需求，我們?cè)赥SDB云版的基礎(chǔ)上，開發(fā)了邊緣計(jì)算版本（在廣州云棲大會(huì)工業(yè)物聯(lián)網(wǎng)專場(chǎng)，正式發(fā)布阿里云工業(yè)物聯(lián)網(wǎng)邊緣計(jì)算平臺(tái)存儲(chǔ)類產(chǎn)品 TSDB Edge，TSDB Edge 主要提供物聯(lián)網(wǎng)邊緣端設(shè)備相關(guān)數(shù)據(jù)的本地存儲(chǔ)，本地分析，數(shù)據(jù)清洗和云端數(shù)據(jù)同步能力。）；

1. 兩節(jié)點(diǎn)HA

• 兩節(jié)點(diǎn)HA通過兩個(gè)TSDB節(jié)點(diǎn)實(shí)現(xiàn)HA。兩個(gè)TSDB節(jié)點(diǎn)沒有主從的區(qū)別，二者都可以接受讀寫請(qǐng)求，也都可以響應(yīng)讀寫服務(wù)（不需要轉(zhuǎn)發(fā)讀寫請(qǐng)求）。兩個(gè)TSDB節(jié)點(diǎn)能夠同時(shí)接受寫請(qǐng)求，兩個(gè)TSDB通過同步WAL日志的方式實(shí)現(xiàn)數(shù)據(jù)同步，保障數(shù)據(jù)的最終一致性。同時(shí)，兩節(jié)點(diǎn)HA通過WAL與云端同步數(shù)據(jù)。

• 兩節(jié)點(diǎn)HA提供了在邊緣設(shè)備端TSDB的高可用性，當(dāng)一個(gè)節(jié)點(diǎn)發(fā)生宕機(jī)，另外一個(gè)節(jié)點(diǎn)能夠繼續(xù)提供服務(wù)，宕機(jī)節(jié)點(diǎn)恢復(fù)以后，通過數(shù)據(jù)同步功能，數(shù)據(jù)能夠在兩個(gè)節(jié)點(diǎn)上迅速實(shí)現(xiàn)同步，不會(huì)引起非硬盤故障下的數(shù)據(jù)丟失。

2. WAL日志管理器

• 實(shí)現(xiàn)本地的WAL日志管理，通過WAL日志保證寫入的數(shù)據(jù)不丟失。同時(shí)WAL日志管理器，自動(dòng)判斷并刪除過期日志文件，減少硬盤空間占用，減輕運(yùn)維工作。

3. 內(nèi)存管理器

• 管理大對(duì)象的內(nèi)存使用情況，通過監(jiān)控實(shí)時(shí)內(nèi)存使用情況，自動(dòng)判斷是否將內(nèi)存中的數(shù)據(jù)寫入文件系統(tǒng)以減少內(nèi)存使用。內(nèi)存管理器根據(jù)內(nèi)存使用情況，自動(dòng)設(shè)置保留的chunks數(shù)量，可以減少/杜絕OutOfMemoryError錯(cuò)誤的發(fā)生。

4. HAServer/HAClient數(shù)據(jù)同步器

• HAClient通過自有的協(xié)議，采用PUSH的方式傳輸WAL。HAServer收到WAL以后，直接通過WAL replay數(shù)據(jù)插入操作，從而實(shí)現(xiàn)數(shù)據(jù)同步。HAServer/HAClient通過保存讀取偏移量的方式，實(shí)現(xiàn)斷點(diǎn)續(xù)傳。

• CloudSynchronizer云同步器

• 通過讀取WAL，并調(diào)用TSDB云版客戶端實(shí)現(xiàn)向云端同步數(shù)據(jù)的功能。該同步器對(duì)云端透明，同時(shí)實(shí)現(xiàn)了斷點(diǎn)續(xù)傳。

5. 新型壓縮算法

• 邊緣計(jì)算提出自研的新型壓縮算法，該壓縮算法，采用流式壓縮方式，支持?jǐn)?shù)據(jù)通過append的方式加入，同時(shí)在內(nèi)部采用整字節(jié)的方式進(jìn)行編碼，提高壓縮/解壓性能。

經(jīng)測(cè)試，該新型壓縮算法的壓縮率為3-40倍。與Facebook Gorilla算法相比，該算法壓縮率提高約20%-50%，壓縮性能提高3-5倍，解壓性能提高4-6倍。

6. GPU硬件加速

• 邊緣計(jì)算還在探索與GPU等新型硬件集成。TSDB邊緣版使用GPU進(jìn)行解壓，降采樣以及聚合操作；

通過測(cè)試，使用GPU以后，查詢性能可以達(dá)到原來的50倍。

六、智能引擎

背景

TSDB 提供了強(qiáng)大的數(shù)據(jù)存儲(chǔ)、處理和查詢能力。在這個(gè)堅(jiān)實(shí)的基礎(chǔ)之上，越來越多的業(yè)務(wù)場(chǎng)景需要通過挖掘海量數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)價(jià)值的提升，TSDB 智能引擎就是在這個(gè)大趨勢(shì)之下應(yīng)運(yùn)而生的。

能力

TSDB智能引擎專注于時(shí)序時(shí)空數(shù)據(jù)的分析、檢測(cè)、挖掘、預(yù)測(cè)能力，著力打造從數(shù)據(jù)到知識(shí)再到商業(yè)價(jià)值的高效引擎，爭(zhēng)取達(dá)到價(jià)值鏈與數(shù)據(jù)能力的兩個(gè)全覆蓋。
市場(chǎng)上現(xiàn)有的商業(yè)智能與數(shù)據(jù)科學(xué)工具往往只利用數(shù)據(jù)庫的存儲(chǔ)查詢功能，進(jìn)行數(shù)據(jù)挖掘和分析之前需要從數(shù)據(jù)庫中提數(shù)，之后的流程也脫離數(shù)據(jù)庫環(huán)境進(jìn)行。TSDB 智能引擎從架構(gòu)上與數(shù)據(jù)庫存儲(chǔ)查詢引擎進(jìn)行深度整合，高效的利用數(shù)據(jù)庫現(xiàn)有關(guān)系代數(shù)能力，并適當(dāng)引入線性代數(shù)計(jì)算能力，自然的形成數(shù)據(jù)閉環(huán)，提供一站式的數(shù)據(jù)科學(xué)能力。相信隨著不斷地努力打造與突破，智能引擎也會(huì)逐步沉淀行業(yè)數(shù)據(jù)模型與智能定制算法，并最終形成端到端的行業(yè)智能分析解決方案。

限于篇幅，這里就不詳細(xì)描述了。

八、其他

時(shí)序洞察

時(shí)序標(biāo)準(zhǔn)

我們?cè)诮衲?月份也是參與國家的時(shí)間序列標(biāo)準(zhǔn)的制定，并且在與其他廠商的競(jìng)爭(zhēng)中取得優(yōu)異的成績(jī)。

結(jié)束語

2018年，是阿里云TSDB產(chǎn)品成長(zhǎng)最快的一年；上文中提到的需要技術(shù)和能力目前只是應(yīng)用在阿里巴巴集團(tuán)內(nèi)部的場(chǎng)景；未來，我們會(huì)逐步把這些能力開發(fā)給外部用戶，讓外部客戶也能享受到阿里巴巴強(qiáng)大的技術(shù)實(shí)力帶來的價(jià)值。
最終，我們的目標(biāo)是把TSDB打造成業(yè)內(nèi)領(lǐng)先的“智聯(lián)網(wǎng)數(shù)據(jù)庫”！