| 技术类别 | 关键技术 | 代表性工作 | 主要优点 | 主要缺点 |
| 时间序列索引优化技术 | 面向索引模型和架构的优化技术 | InfluxDB TSI[55] TimescaleDB[12] TDengine[56] QuestDB[57] DolphinDB[24] |
性能高 | 复杂度高 |
| 面向基数分析的索引优化技术 | VictoriaMetrics[58] TimescaleDB[12] |
定位准确 | 需手动执行 | |
| 内存数据组织技术 | 基于内存压缩的数据组织技术 | ByteSeries[59] DolphinDB[24] |
压缩比高 | 复杂度高，需要数据解压缩 |
| 对齐时间序列 | IoTDB[54] | 复杂度低 | 内存占用减小有限 | |
| 高吞吐量数据摄取和 低延迟数据查询技术 |
LSM-tree：减小写放大 | IoTDB 分离策略 Cassandra TWCS[60] |
提高写入性能 | 影响查询性能 |
| LSM-tree：减小读放大 | BloomFilter[42] 聚合计算索引 |
提高查询性能 | 影响写入性能 | |
| 海量历史数据 低成本存储技术 |
数据生命周期管理 | InfluxDB[10] IoTDB[54] TDengine[56] |
- | - |
| 数据压缩 | IoTDB[54] InfluxDB[10] VictoriaMetrics[58] |
- | - | |
| 分级存储 | TDengine[56] | - | - | |
| 注：“-”表示该技术没有显著的优缺点对比. | ||||
下载:
导出CSV
时序数据库关键技术总览
相关文章
-
2022, 59(9): 1869-1886. DOI: 10.7544/issn1000-1239.20220012
-
2020, 57(8): 1663-1673. DOI: 10.7544/issn1000-1239.2020.20200202
-
2019, 56(7): 1567-1577. DOI: 10.7544/issn1000-1239.2019.20180792
-
2018, 55(9): 1843-1852. DOI: 10.7544/issn1000-1239.2018.20180126
-
2018, 55(3): 524-536. DOI: 10.7544/issn1000-1239.2018.20170804
-
2010, 47(3): 416-425.
-
2009, 46(5): 770-778.
-
2008, 45(11): 1865-1873.
-
2005, 42(11): 2004-2009.
-
2005, 42(1): 72-78.
