时序数据库国产替代的下一站：从能用到好用，再到敢用作核心

在工业数字化持续深入的今天，一个变化愈发明显：企业开始重新审视数据基础设施的价值。 当设备越来越多、数据越来越密、实时决策需求越来越强，过去够用的工业数据系统正在面临新的挑战，时序数据库开始走进人们的视野，成为越来越多企业的选择。

为什么现在越来越依赖时序数据库？

过去很长一段时间里，工业企业的数据系统更多依赖 PLC、SCADA、关系型数据库以及工业 Historian（如 PI System）等架构：设备采集数据、平台做监控、数据库存历史记录，再定期生成报表。在那个时代，数据量不大、采集频率有限、分析需求简单，“能存、能查、能出报表”已经足够。

但现在，底层逻辑正在发生变化。

首先，最明显的变化是数据规模。

一条现代化产线可能包含数万个测点，一个大型电厂可能部署数十万传感器，新能源汽车、储能、电网等行业更已进入百万级设备时代。与此同时，数据采集频率也在提高——从分钟级到秒级，甚至毫秒级采样逐渐成为常态。单个工厂每天新增 TB 级数据，已经不再罕见。

其次，业务需求也在发生变化。

过去，工业数据更多用于事后分析；现在，企业希望数据能够参与实时决策。设备故障需要秒级预警，生产参数需要动态优化，跨工厂协同需要实时感知状态，预测性维护、数字孪生、工业 AI 等新应用，更要求系统持续提供稳定、高质量的时序数据。

工业系统处理的，已经不再是数据库中的记录，而是持续不断的数据流。

这意味着，传统通用数据库架构开始显得笨重——它们擅长事务处理，却不擅长海量时序数据的持续写入、高压缩存储和实时分析。时序数据库由此从可选工具逐渐变成工业数字化的关键基础设施。

但新的问题又出现了：当时序数据库快速普及后，光是能用已经不够了。

为什么“能用”的时代正在结束？

时序数据库的第一阶段目标是解决接收数据、查询历史记录、支持基础分析的需求。这意味着产品至少具备了替代能力。

但当数据规模从 GB 上升到 TB、PB 时，传统数据库的问题会迅速暴露：写入性能下降、查询延迟上升、存储成本飙升。一旦高频设备同时上报，系统很容易出现数据堆积甚至延迟失控。

而决策、预警这类关键场景最怕的恰恰是慢。设备异常预警晚一分钟，可能意味着停产损失；电网负荷调节慢几秒，可能引发系统波动……与此同时，企业也希望直接在实时数据上完成异常检测、趋势预测、设备健康评估乃至 AI 推理。但许多传统方案依旧停留在“采—存—算”分离架构：设备数据进入消息系统，经过 Kafka 缓冲，写入时序数据库，再同步到 Spark、Flink 或 Python 环境完成分析。

这类方案在工业级压力下短板明显：

•写入性能拉胯：高并发下写入吞吐骤降，甚至在边缘端测点批量上报时出现数据丢失或延迟堆积

•存储效率低：缺乏针对时序数据特性的高效编码与压缩算法，原始数据存储膨胀严重，长期持有成本飙升

•协议兼容差：无法直连 OPC UA/DA、MQTT 等主流工业协议，需要额外转发组件，增加系统复杂度和故障点

•分析能力弱：只解决了存的问题，分析仍需将数据导出到 Python/Spark 等外部引擎，实时性大打折扣

•跨平台迁移难：不同系统间的数据格式与模型不统一，历史数据难以平滑迁移到新平台，容易形成数据孤岛

于是，国产时序数据库进入了新的竞争阶段：从能用转向好用。

怎样才算真正的好用？

对于工业企业而言，好用意味着数据库在场景适配、存算效率、运维体验三个维度同时达标：

•全场景数据接入：从 OPC UA 到 MQTT、从边缘到云端，数据通路通畅，减少集成适配成本

•高效存算一体：简化技术栈，降低跨平台数据迁移成本，避免数据反复搬运带来的延迟与开销

•低门槛生产运维：自动化部署、可视化监控、智能诊断，并支持利用 AI 以自然语言编写业务脚本，大幅降低编程门槛

在国产化替代与自主可控的趋势下，越来越多工业企业开始关注本土自研的数据库产品。DolphinDB 作为完全自研的国产时序数据库，从四个维度实现了真正的好用：

 

 

存储引擎：列式存储 + 两级分区 + 自适应压缩

时序数据的天然特性是写入连续、查询按时间范围和标签过滤。DolphinDB 的存储引擎围绕这一特性做了三层针对性设计：

•列式存储：按列而非按行组织数据，同列数据类型一致，天然适合压缩和向量化计算。

•两级分区机制：数据库首先按时间（天/月/年）分区，再按标签（设备 ID、测点编号等）进行二级分区。查询时只需扫描相关分区而非全表。

•自适应压缩：针对不同类型的时序数据，自动选择最适配的编码压缩算法。在工业客户的实际场景中，DolphinDB 的压缩比通常达到 10:1～20:1。

计算引擎：向量化 + 分布式 SQL + 内置分析函数

DolphinDB 让计算尽量靠近数据：

•向量化执行：计算引擎基于列式存储逐列操作，对于移动平均、滑动窗口等时序场景的常见操作，性能相比行式引擎提升 5～10 倍。

•分布式 SQL：SQL 语法兼容性强，支持窗口函数、滑动聚合、Pivot 等时序场景的高频操作。查询自动下推到各数据节点并行执行，对用户透明。

•2000+ 内置函数：覆盖时间序列分析（移动平均、指数平滑、FFT）、流式计算（事件时间窗口、累计聚合）、机器学习（KMeans、XGBoost、ARIMA）等场景。

一体化架构：告别多系统拼接

DolphinDB 将消息订阅、实时写入、流式计算、时序存储、交互分析整合为一个平台。某大型水务集团用这套架构替换了原有的"SQL Server + InfluxDB + Kafka + RabbitMQ"多系统方案后，省去了超八成的运维组件，存储与计算资源成本降低 90%，告警响应从分钟级缩短至秒级。

 

 

全链路工业协议适配

DolphinDB 对工业协议的对接以原生插件而非网关中转的方式实现。目前已上线的插件包括：OPC UA/DA 插件、MQTT 插件、S7 插件。这种模式减少了一个或多个中间转发节点，既降低了端到端延迟，也减少了因中间件故障导致的数据丢失风险。

DolphinDB × AI

DolphinDB 还支持多项 AI 应用：AI Agent 实现自然语言数据检索与分析；内置多种机器学习算法，并提供 xgboost、libtorch 等插件，支持模型训练与推理；基于 MCP 接口，既服务传统展示层，也支撑 AI 告警、参数优化、电力交易分析等场景，加速数据向智能决策转化；DolphinDB 推出的 CPU-GPU 异构计算平台 Shark，能将 GPU 的极致算力充分应用于工业仿真、参数优化等高性能场景；提供的文本存储引擎（TextDB）和向量存储引擎（VectorDB）可用于实现 RAG 的知识库。

 

 

不仅好用，还敢用作核心

真正衡量数据库能力的，从来不是实验室的 benchmark，而是能不能把核心业务压上去。在这一点上，DolphinDB 在中广核的实践就极具代表性。

场景挑战

核反应堆运行监控对数据系统提出了以下几重极端要求：

•毫秒级精度：反应堆状态参数（温度、压力、中子通量等）的变化以毫秒为单位，错过一个数据点可能意味着遗漏一次潜在的异常征兆

•全量数据覆盖：单个反应堆涉及 6500+ 个关键测点，涵盖中子测量、热工水力、设备振动、电气参数等数十类数据

•7×24 零中断：核反应堆连续运行周期以年为单位，数据库不能有任何计划外停机

•隐蔽故障诊断：如蒸汽管道小破口泄露等早期征兆极其微弱，需要高效的时域/频域关联分析才能识别

替代方案：从进口 PI System 到 DolphinDB

在采用 DolphinDB 之前，中广核的核反应堆状态数据主要依赖 OSIsoft PI System（美国进口工业数据管理平台，已被 Aveva 收购）。该方案存在以下痛点：

•数据写入实时性不足，批处理模式导致预警响应存在分钟级延迟

•分析能力有限，复杂诊断需要将数据导出到 MATLAB/Python，牺牲实时性

•国产化合规压力：关键基础设施行业对进口软件的依赖存在政策与供应链风险

•运维成本高：PI System 的商业许可和驻场运维费用逐年上涨

技术架构

DolphinDB 在中广核的部署采用边缘-云两级架构：

边缘层：在核电机组本地部署轻量级 DolphinDB 实例，直接通过 OPC UA 采集 PLC 和 DCS 系统的实时数据。边缘端完成数据清洗、预聚合和本地实时分析——只需将关键聚合指标上传云端，避免海量原始数据跨网传输。

云端层：集中管理多个边缘节点的聚合数据，提供跨机组、跨基地的趋势分析、对比分析和全局看板。历史数据保留 10 年以上，支持任意时间范围的即席查询。

 

 

量化成果

经过长期稳定运行，DolphinDB 在中广核实现了：

•数据完整性：持续运行期间未发生数据丢失或因数据库导致的计划外中断

•故障诊断效率：蒸汽管道小破口泄露等隐蔽故障的诊断时间，从传统人工报表分析的数小时级缩短到 分钟级

•分析深度：在库内完成振动信号的时域/频域分析、趋势异常检测、多测点关联分析，无需数据导出

•运维效率：边缘实例实现无人值守运行，无需专职 DBA 维护

国产替代的未来：从单点突破到生态协同

国产时序数据库从能用到好用，再到敢用作核心的三级跳，本质上是技术成熟度曲线的必经之路。DolphinDB 的路径代表了其中一种务实选择：不追求全能，而是在最难的场景中打磨出极致的性能和可靠性，再降维覆盖通用工业场景。

展望下一步，国产时序数据库还需补齐以下短板：

•生态兼容性：降低从国外产品迁移的改造成本，提供兼容 InfluxDB Line Protocol、Prometheus Remote Write 等标准协议的接入层

•云原生能力：适应 K8s 容器化部署、存算分离、自动弹性伸缩等云原生趋势

•行业解决方案：针对电力、石化、制造等细分行业，输出预配置的最佳实践模板，降低客户选型和试错成本

对于正在评估国产时序数据库的工业客户，一个务实的建议是：从非核心的边缘监控场景入手，积累运维经验和团队信心；一旦验证通过，逐步替代进口数据库向核心业务推进。这条路 DolphinDB 在中广核已经走过一遍了，其方法论和经验是可以被复制的。