[时序数据库] Apache IoTDB :面向工业物联网的、端边云协同的高吞吐、高压缩开源时序数据库
0 序
-
调研方式: 人工 + AI
-
调研时间: 2026.10.12
-
调研对象: Apache IoTDB ( https://github.com/apache/iotdb )
-
概览
-
产品定位:端边云协同的工业物联网时序数据库,低成本、高性能、物联网原生,Apache 顶级项目。
-
发展历程:2011 清华 863 课题 → 2016 TsFile → 2018.11 进入 Apache 孵化器 → 2020 毕业为 TLP → 2021 天谋科技成立 → 2022 1.0 分布式发布 → 2026 迭代至 2.0 系列。
-
三大组件:IoTDB 时序数据库 + Apache TsFile 存储格式 + IoTDB AINode(DB+AI 训推一体)。
-
核心优势:端边云一体化、10 倍压缩比、百万级设备吞吐、多协议兼容(InfluxDB/Prometheus/KairosDB)、极简运维。
-
主要短板:依赖 Java/JVM、TsFile 生态偏封闭、开源版缺商业运维、监控可观测场景生态薄弱(无 PromQL)。
-
竞品:InfluxDB、TDengine、TimescaleDB、Prometheus、VictoriaMetrics、OpenTSDB 等。
-
社区趋势:约 6.4k Stars / 1.1k Forks,版本迭代快,正向「DB + AI」工业数据底座演进。
-
已落地场景:能源电力、航空航天、钢铁冶金、核电、车联网、智能制造,服务超 1000 家企业(金风科技、中国商飞、长安汽车、国家电网等
-
1 概述
产品介绍
Apache IoTDB 是一款低成本、高性能、物联网原生的时序数据库管理系统,采用端边云协同的轻量化架构,支持一体化的物联网时序数据收集、存储、管理与分析。它由中国清华大学发起、现为 Apache 顶级项目(TLP),也是 Apache 基金会旗下唯一的开源时序数据库项目。
它重点解决企业组建物联网大数据平台时遇到的核心难题:
- 应用场景复杂、数据体量大
- 采样频率高、数据乱序到达
- 数据处理耗时长、分析需求多样
- 存储与运维成本高

URLs
- 官网:https://iotdb.apache.org/zh/
- GitHub:https://github.com/apache/iotdb
- 开源安装包:https://iotdb.apache.org/zh/Download/
- 商用支持方(天谋科技):https://www.timecho.com/
产品体系(三大组件)
- 时序数据库(Apache IoTDB):核心存储与查询组件,提供高压缩存储、丰富时序查询、实时流处理、数据高可用与集群高扩展、全方位安全保障。
- 时序数据标准文件格式(Apache TsFile):专为时序数据设计的列式存储格式,可在采集、管理、应用&分析阶段统一使用,简化从采集到分析的全流程。
- 时序模型训推一体化引擎(IoTDB AINode):面向智能分析场景,提供时序数据分析工具与模型训练引擎,支撑机器学习/深度学习与
DB + AI融合。
发展历程
| 时间 | 里程碑 | 意义 |
|---|---|---|
| 2011 | 863 计划课题实践 | 在三一重工等场景验证传统技术鸿沟 |
| 2016 | 提出 TsFile 格式 | 奠定自研列式时序存储基础 |
| 2018.11 | 进入 Apache 孵化器 | 成为我国高校唯一主导的 Apache 项目 |
| 2020.09 | 毕业成为顶级项目 TLP | 建成全球认可的国际开源社区 |
| 2021.10 | 天谋科技成立 | 开源 + 企业版双轨商业化 |
| 2022 | 1.0 分布式版发布 | 打通分布式集群能力 |
| 2026 | 2.0 系列持续迭代 | 引入边缘版、AINode 大模型、表模型等 |
主要功能
- 高通量读写:支持百万级设备接入、乱序/多频采集等复杂工业读写场景。
- 超高压缩比存储:支持高压缩比磁盘存储,无需区分历史库与实时库,数据统一管理。
- 层级化测点组织:按设备实际层级建模,与工业测点管理结构对齐,支持目录查看与检索。
- 丰富时序查询语义:原生时序计算引擎,查询时时间戳对齐,提供近百种内置聚合与函数,支持时序特征分析与 AI 能力。
- 端边云一体化:文件格式、数据库、数据仓库贯穿端-边-云,避免重复计算与 ETL 开销。
- AI 能力:AINode 时序模型训推一体化引擎,支持时序大模型(如 Chronos-2)与并发推理。
- 多协议兼容:兼容 InfluxDB、Prometheus、KairosDB 等 TSDB 接口,降低迁移成本。
- 多语言 API 与生态集成:支持 Java、Python、C/C++、Go/C#/Rest 等;对接 Grafana、Flink、Spark、Hadoop、Thingsboard、DBeaver 等。
- 数据管理与运维工具:数据同步、流处理框架、权限管理、可视化控制台、集群部署与监控工具。
核心优势
- 端边云协同一体化方案:一种 TsFile 文件格式贯穿端、边、云,简化数据流转、避免重复计算。
- 低成本高性能:千万点级写入吞吐、10 倍压缩比、TB 级数据毫秒级响应(官网称存 1GB 数据成本 < $0.23)。
- 极简运维:只依赖 JDK/JRE,开箱即用;不依赖第三方系统与外部组件。
- 工业级稳定高可用:支持 7×24 不间断服务,节点故障不影响系统运行,支持异构服务器组建集群并自动负载均衡。
- 便捷迁移:兼容多种 TSDB 接口,降低从 InfluxDB/Prometheus 等迁移成本。
- 丰富生态:与 Hadoop、Spark 等大数据系统无缝集成,具备触发器、UDF、连续查询等高级功能。
主要短板
- Java 技术栈依赖:底层基于 Java/JVM 实现,早期版本需管理 JVM 与 ZooKeeper,对运维团队技术要求较高,JVM 内存调优门槛较高。
- TsFile 生态相对封闭:TsFile 格式目前以 Java 实现为主,尚未被 IoTDB 生态之外广泛采用,跨语言工具链有限。
- 开源版运维支持有限:开源版本依赖社区支持,故障排查周期较长,生产级运维需依赖企业版(TimechoDB)。
- 轻量边缘设备资源占用偏高:在资源受限的终端/设备侧,JVM 与完整功能带来一定资源开销。
- 监控可观测场景支持不足:缺乏 PromQL 与 OpenTelemetry 集成,在纯监控/可观测性场景中不如 Prometheus、VictoriaMetrics 顺手。
- 版本升级与兼容成本:1.x→2.x 及表模型引入带来建模迁移与学习成本。
局限性
- 主要面向工业物联网/IIoT场景设计,在通用监控、APM、可观测性等场景生态相对薄弱。
- 依赖外部大数据生态(Hadoop/Spark)时才充分发挥分析价值,独立使用分析能力有限。
- 开源版缺少企业级商业化运维保障、PB 级集群管理与可视化运维平台(需企业版 TimechoDB)。
- 早期单机版无法满足云端海量设备接入的高可用需求(需集群版/分布式部署)。
适用场景
IoTDB 已服务规模以上中央骨干与工业龙头企业超 1000 家,覆盖“天、空、地、海”场景:
- 能源电力:电网智慧调控、用电终端监测、新能源(风电)数据管理、智慧电厂。
- 航空航天:国产大飞机(中国商飞)多地试飞端边云协同、卫星(北邮一号)边缘侧部署。
- 钢铁冶金 / 石油化工 / 核电:工艺过程监控、设备故障预测与数字孪生。
- 智慧车辆:车联网传感器数据存储、远程诊断、百万级车辆实时采集(长安汽车、蔚来等)。
- 智能制造:设备状态监控与异常处理、生产工艺控制与改进。
- 金融(扩展):期货、基金等行业的时序行情数据处理。
典型用户:金风科技、国家电网、中国石化、中国商飞、中核集团、中广核、中国船舶、长安汽车、潍柴动力、中国中车、华为生态伙伴等。
同类竞品
| 竞品 | 底层语言 | 数据模型 | 核心特点 | 与 IoTDB 差异 |
|---|---|---|---|---|
| InfluxDB | Go | Tag-Field | 监控/可观测生态成熟,被广泛采用 | IoTDB 更贴合工业层级建模;InfluxDB 监控部署更主流 |
| TDengine | C | 超级表(表模型) | 国产、单表模型、高性能 | IoTDB 支持树/表孪生模型与端边云协同 |
| TimescaleDB | C(基于 PostgreSQL) | 关系表继承 | 兼容标准 SQL,生态成熟 | 基于 PG 改造,存储压缩率偏低 |
| Prometheus | Go | 指标(Metrics) | 监控告警标准、PromQL | 仅适合轻量监控,缺复杂分析 |
| VictoriaMetrics | Go | Metrics | 边缘监控、高压缩 | 强于监控指标,弱于工业分析 |
| OpenTSDB | Java | 指标 | 基于 HBase 的老牌 TSDB | 架构较重,性能弱于 IoTDB |
| KairosDB | Java | 指标 | 基于 Cassandra | 功能较简单 |
| QuestDB / GreptimeDB | Java/Rust | 表模型 | 高性能新锐 | 侧重金融/可观测,工业生态不及 IoTDB |
选型结论(官网 TSDB-Comparison 观点):IoT 与 IIoT 场景往往受益于 IoTDB 的层级 schema;监控平台部署则 InfluxDB 仍是常见方案。
发展趋势
- 开源社区活跃:Apache 顶级项目,版本迭代迅速(2026 年内发布 2.0.8→2.0.11 多版本),持续增强查询、AI、边缘能力。
- GitHub 指标:约 6.4k Stars / 1.1k Forks,开放 issue 数百个,Apache 社区治理成熟。
- DB + AI 融合:AINode 集成时序大模型(Chronos-2 等)与并发推理,是 2.0 系列重点方向。
- 商业化双轨:天谋科技(红杉领投)支撑企业版 TimechoDB 与可视化运维,反哺开源社区。
- 行业规模化落地:在能源、航空、汽车等关键工业领域持续扩大应用面。
总结:Apache IoTDB 正从「国产工业时序数据库标杆」向「DB + AI 的端边云一体化工业数据底座」演进。
典型行业的架构案例 (必读)
摘自官网( https://iotdb.apache.org/zh/ # 应用场景 )。
物联网通用
物联网通过海量设备互联与智能数据分析重构行业运营,驱动高效实时、稳定可扩展的数据管理系统,支撑设备监测与故障诊断等核心应用。IoTDB作为原生时序数据库,提供边缘到云端的全链路数据同步及分析能力,高并发处理特性适配大规模设备接入,为企业挖掘数据价值、提升运营效率提供灵活解决方案,推动物联网业务全面发展

航空航天
科技进步驱动航空航天数字化智能化转型,企业通过全周期数据管理整合实时遥测与试飞数据,实现关键系统精准监测,推动设计优化与安全管控。IoTDB以国产自研技术优势,通过高效低流量同步、离线迁移、灵活部署及低资源占用特性,为行业构建可靠数据底座,支撑技术创新与可持续发展。

交通运输(车辆数采)
交通运输行业依托实时车辆数据采集分析,驱动铁路、地铁等核心场景的智能调度与高效运维,满足高实时、高可靠管理需求,实现提效降本。IoTDB凭借高效时序数据处理及低延迟查询能力,应对数据爆发增长,支撑多源异构数据流转,为构建稳定可靠的智能交通系统提供技术底座,助力行业智能化与自动化升级。

钢铁冶炼(工厂制造)
钢铁冶炼行业加速数字化转型,依托工业物联网平台实现生产全流程实时数据采集与分析,助力产能提升、质量优化与能耗降低。IoTDB凭借高效数据存储、计算能力及灵活部署特性,提供跨平台支持与低资源占用的解决方案,并通过丰富接口实现系统高效集成,推动智慧工厂建设,赋能传统工业新质生产力发展。

能源电力
全球能源变革驱动电力行业数字化转型,企业依托物联网与时序数据库技术升级智慧能源系统,通过全环节数据实时采集分析提升能效、保障电网安全。IoTDB以高可用集群、低流量同步、跨网闸支持及高性能优势,提供自主可控的时序数据管理方案,支撑企业应对海量数据挑战,推动传统能源与可再生能源高效整合。

2 工作原理与架构
概念术语
| 术语 | 说明 |
|---|---|
| 时间序列(Time Series) | 一条时间序列由设备测点(Measurement)+ 时间戳 + 数值组成,是 IoTDB 基本数据单元 |
| 测点(Measurement) | 采集的物理量字段,通过 . 分割形成树形目录结构 |
| 设备(Device) | 承载测点的物理/逻辑实体 |
| TsFile | IoTDB 自研的时序列式存储文件格式(类似 Parquet/ORC 但专为时序优化) |
| LSM(Log-Structured Merge Tree) | 底层采用 LSM 结构以提升写入吞吐 |
| ConfigNode | 集群“大脑”,管理元数据、监控节点状态、执行数据分区策略,通过 Raft 一致性协议通信 |
| DataNode | 集群“肌肉”,负责存储时序数据、执行读写请求 |
| SchemaRegion | 元数据分区,管理一部分设备和测点的元数据 |
| DataRegion | 数据分区,管理一部分设备一段时间的数据 |
| 树表孪生模型 | 同时支持树模型(测点层级)与表模型(每类设备一张表) |
架构与运行原理
总体架构 (必读)
- 完整覆盖「客户端 → 接入 → 集群管控 → DataNode(查询 + LSM 写入)→ 磁盘存储」全链路
- 关键要素说明
| 要素 | 图中位置 | 作用 |
|---|---|---|
| WAL 预写日志 | 写入引擎入口 | 先落日志保证崩溃恢复,再写内存 |
| MemTable(Mutable → Immutable) | 写入引擎中段 | 【内存】中维护有序数据,写盘前冻结 |
| Flush 刷盘 | 写入引擎出口 | 将【内存表】刷成【磁盘】上的有序 TsFile(Sorted Run) |
| Compaction(Space / Series) | 后台合并模块 | 将多个有序/乱序文件合并重写,控制文件数与 LSM 深度 |
| Delayed TsFile(乱序文件) | 存储层 | 承接【乱序/迟到数据】的独立文件,避免阻塞写入 |
| Tombstone(墓碑文件) | 存储层 | 记录删除标记,延迟物理删除 |
| Bloom Filter / 索引 | 存储层 | 快速判断序列是否存在,加速点查、减少无效读盘 |
| 查询与写入分离 | 查询引擎 / 写入引擎 | 读路径直查内存+磁盘,写路径走 LSM,互不阻塞 |
整条 LSM 写入链路为:WAL → Mutable MemTable → Immutable MemTable → Flush → TsFile(有序)→ Compaction 合并;查询则按「SQL 解析 → 优化 → MPP 执行 → 内存/磁盘多路读」完成。
集群整体架构(以 3C3D 为例)
- ConfigNode:集群的“大脑”,负责元数据管理与集群协调;多个 ConfigNode 通过 Raft 一致性协议通信,实现元数据服务无单点故障。
- DataNode:集群的“肌肉”,负责存储与读写;数据被切分为多个分区(SchemaRegion / DataRegion)均匀分布到各 DataNode。
- 高可用与扩展:3C3D 集群中部分节点故障仍可对外服务;可通过增加 DataNode 线性扩容,系统自动负载均衡,支持异构服务器。
产品分层体系
存储引擎(TsFile + LSM)
- TsFile 列式存储:数据按时间序列(Series)组织,同一序列数据连续存储,提高查询效率与压缩率;结构含 Chunk、Page 与索引。
- LSM 组织:采用 Log-Structured Merge Tree 提升写入吞吐,写入先入内存(MemTable),再刷盘、后台 Compaction 合并。
- 编码与压缩:支持多种无损/有损编码(如 RLE、Delta、Gorilla 等),按数据类型优化存储效率,实现超高压缩比。
- 乱序处理:通过延迟文件(Delayed TsFile)、墓碑文件(Tombstone)与 Compaction 机制,高效处理乱序、覆盖、删除的工业写入场景。
- 双维度分区:按时间与设备双维度设计数据分区策略与负载均衡算法,提升集群可用性与性能。
查询引擎
- 时间戳对齐:查询时自动对齐多设备/多测点的时间戳。
- 预聚合与索引:通过预聚合、时序索引支持快速过滤、聚合查询、降采样查询。
- 丰富函数:近百种内置聚合与时序计算函数,支持触发器、UDF、连续查询、查询结果写回。
- SQL 兼容:提供类 SQL(类标准 SQL)接口,支持多维度联合查询、聚合、趋势分析;2.0 引入窗口函数、RPR、ASOF JOIN 等高级能力。
- 分布式 MPP:面向分布式读写采用 MPP(大规模并行处理)框架。
数据模型:采用「树/表孪生」双数据模型
IoTDB 采用「树表孪生」双数据模型,既能用层级树结构贴合工业测点,又能用关系表贴合批量设备。
一、树模型(Tree Model)— 经典模型
以时间序列(Time Series)为基本单元,测点用 . 分层,从 root 出发构成一棵树,与物理设备结构一一对应:
- 每条时间序列 = 设备路径 + 测点,即一条完整的测点名(如
root.工厂A.设备1.温度)。 - 序列上的每个数据点是 (时间戳, 数值) 二元组,时间戳为毫秒精度。
- 序列(Series)按是否对齐分为:对齐序列、非对齐序列。
二、表模型(Table Model)— 2.0 新增
面向同类设备批量采集,每类设备建一张表,更接近传统关系型建模:
CREATE TABLE vehicle.device (
device_id STRING ID, -- 标识字段(ID)
ts TIMESTAMP TIME, -- 时间字段(TIME)
temperature FLOAT FIELD, -- 物理量字段/传感器字段(FIELD)
...
);
-
字段(Column)分3类:
- ID(设备/标签标识)
- TIME(时间戳)
- FIELD(测量值)
-
表模型的 FIELD(物理量)字段除了
FLOAT,还支持以下类型:
| 类型 | 说明 |
|---|---|
| BOOLEAN | 布尔值(true/false) |
| INT32 | 32 位有符号整数 |
| INT64 | 64 位有符号整数 |
| FLOAT | 单精度浮点数(32 位) |
| DOUBLE | 双精度浮点数(64 位) |
| STRING | 可变长字符串(等价树模型的 TEXT) |
| DATE | 日期 |
| TIMESTAMP | 时间戳(可与 TIME 列类型一致) |
| BLOB | 二进制大对象 |
补充说明:
- INT32 vs INT64 / FLOAT vs DOUBLE:按精度与存储开销权衡,整数大值用 INT64,高精度小数用 DOUBLE。
- STRING:表模型中的字符串类型(树模型中叫
TEXT),可用于设备描述、状态文本等。 - BLOB:用于存图片、文件等二进制内容,配合 2.0 的多模态数据管理能力。
- ID(标识)字段也支持
STRING / INT32 / INT64 / FLOAT / DOUBLE / TIMESTAMP / DATE / BLOB等,其中STRING必须可用。 - TIME 字段固定为
TIMESTAMP类型。
说明:以上是表模型(Table Model)的字段类型;树模型(Tree Model)的测点类型为
BOOLEAN / INT32 / INT64 / FLOAT / DOUBLE / TEXT,不含 DATE/TIMESTAMP/BLOB。
三、对比: 树模型 vs. 表模型
- IoTDB 1.x(1.0~1.3)原生只有「树模型」;「表模型」是在 2.0.x(beta) 才正式引入的,二者合称树表孪生模型。
多角度对比
| 维度 | 树模型(Tree) | 表模型(Table) |
|---|---|---|
| 管理对象 | 以测点为中心,每个测点=一条时间序列 | 以设备类型为中心,一张表=一类设备 |
| 结构 | 路径按 . 分割成树形目录,如 root.ln.wf02.wt02.status |
关系表,标准 SQL(SELECT/JOIN/GROUP BY…) |
| 适用场景 | 工业监控、SCADA/DCS 点位读写 | 数据分析、从其他 DB 迁移、数据治理 |
| 语法 | 简洁灵活,非标准 SQL | 标准 SQL,分析能力强 |
| 切换方式 | SET SQL_DIALECT=TREE(默认) |
SET SQL_DIALECT=TABLE |
同一集群内两种模型空间默认互不可见,还支持「树转表」视图——写入用树模型、分析用表模型查同一份数据。
测点(Timeseries / Measurement)到底是什么
测点是 IoTDB 里最核心的概念——一个测点 = 一条时间序列,即某设备采集的某个物理量(温度、电压、状态…)随时间变化的值序列。
树模型里的测点:
- 完整路径示例:
root.ln.wf02.wt02.statusroot.ln→ 数据库(Storage Group)wf02.wt02→ 设备(路径倒数第二层)status→ 测点(叶子节点)
- 每个测点有独立数据类型(INT32/DOUBLE/BOOLEAN/TEXT/FLOAT…)
- 工程建议:路径倒数第二层(设备层)节点数 ≥1000 以发挥并发优势;设备少但测点极多时,末尾加
.value拆层
表模型里的测点:
一张时序表有4类列:
| 列类别 | 说明 |
|---|---|
| 时间列 TIME | 列名固定为 time,类型 TIMESTAMP,必选 |
| 标签列 TAG | 设备唯一标识(联合主键),不可改删、可增 |
| 测点列 FIELD | 随时间变化的物理量,可多至数十万列 |
| 属性列 ATTRIBUTE | 不随时间变的【设备静态描述】,可更新 |
筛选效率:
时间列 = 标签列 > 属性列 > 测点列。
2 种表模型能同时共存
- 同一集群实例里,树模型和表模型的空间可以同时存在,官方称为「树表孪生模型」。但 "共存" 有三个关键约束:可以共存,但要注意边界
结论:同一集群实例里,树模型和表模型的空间可以同时存在,官方称为「树表孪生模型」。但"共存"有三个关键约束:
1) 默认互不可见,按连接隔离
两种模型的语法、数据库命名方式完全不同,同一个【连接】在【同一时刻】只能用一种【模型】,通过 sql_dialect 切换:
SET SQL_DIALECT=TREE; -- 切到树模型空间
SET SQL_DIALECT=TABLE; -- 切到表模型空间
- CLI 连接时也要指定:
start-cli.sh -sql_dialect tree|table。JDBC URL 里加?sql_dialect=table。
2) 不是"同一份数据自动双写"
两种模型是两套独立的元数据空间:
- 树模型写的数据 → 树模型空间可见
- 表模型写的数据 → 表模型空间可见
- 互不自动同步,不能在【树模型】里直接
SELECT【表模型】的表,反之亦然
3) 真正的"协同"靠「树转表的视图」
如果想让同一份数据既能用【树模型写入】、又能用【表模型分析】,IoTDB 提供了 Tree-to-Table 视图:在表模型下基于已有【树模型数据】创建一个【表视图】,之后用【标准 SQL】(JOIN/GROUP BY 等)查这个视图即可。
写入侧:树模型 INSERT root.ln.wf02.wt02.status → 灵活接入
分析侧:表模型 CREATE VIEW ... AS ... → 标准 SQL 复杂分析
注意:建视图的 SQL 只能在表模型下执行,视图本身是只读映射,不复制数据。
小结:共存2种模型
两个模型能在同一集群里"并存",但一个连接同一时间只连一种;要打通同一份数据的树写表查,用树转表视图,而不是指望它们自动互通。
总结
- 1.x:只有树模型,测点就是
root.数据库.设备.测点名这种点分路径的叶子节点。 - 2.0+:树表孪生,表模型下测点变成表里的 FIELD 列,用标准 SQL 分析。
四、核心概念速览
| 概念 | 说明 |
|---|---|
| Database(数据库/存储组) | 顶层逻辑容器,按数据库隔离管理与分区(旧版称 Storage Group) |
| Device(设备) | 采集数据的实体,树模型中是一段路径前缀,表模型中是一行行设备记录 |
| Measurement(测点) | 单个物理量字段; 树模型中是序列的叶子,表模型中是 FIELD 列 |
| Time Series(时间序列) | 树模型的基本单元 = 设备 + 测点 + 全部时间点 |
| Timestamp(时间戳) | 每点的毫秒级时间标记,支持时间对齐查询 |
| 数据类型 | BOOLEAN / INT32 / INT64 / FLOAT / DOUBLE / TEXT |
| Tag(标签)/ Attribute(属性) | 测点的附加元信息:Tag 可索引检索,Attribute 仅描述不索引 |
| SchemaRegion / DataRegion | 分布式下的元数据分区 / 数据分区单元 |
| TsFile | 底层自研的时序列式存储文件格式 |
五、如何选
- 工业测点层级管理、点位多且关系固定 → 用树模型(直观、贴合物理层级、查询简单)。
- 同类设备量大、字段相对规整、偏 SQL 分析 → 用表模型(建模简单、批量读写高效)。
两者可共存(树表孪生),根据场景混用。
3 使用指南
Z FAQ for Apache IoTDB
Q: 如何降低 ConfigNode / DataNode 的内存占用?
在 conf/confignode-env.sh、conf/datanode-env.sh 中调整 ON_HEAP_MEMORY、OFF_HEAP_MEMORY 等选项可调整最大堆内、堆外内存;修改后重启服务生效。
Q: 部署时提示端口被占用 / 节点起不来怎么办?
先检查默认端口(ConfigNode 10710/10720;DataNode 6667、10730、10740、10750、10760、9090、9190、3000)是否被占用;可通过健康检查工具或 lsof(Linux)/netstat 排查并释放端口,或修改配置。
Q: 为什么 DataNode 停止不掉 / 启动报 JDK 相关错误?
老版本 JDK 部分场景性能有问题且 DataNode 无法正常停止。请升级并部署 JDK 17,并确保已设置 JAVA_HOME 环境变量。
Q: 为什么选择树模型还是表模型?
树模型按测点层级组织,与物理世界一一对应,适合工业测点管理;表模型为每类设备建表,适合批量/共性物理量采集。IoTDB 2.0 支持树表孪生模型,可按需选择或混用。
Q: IoTDB 能兼容 InfluxDB / Prometheus 数据吗?
能。IoTDB 提供多协议兼容能力,兼容 InfluxDB、Prometheus、KairosDB 等 TSDB 接口,可降低迁移成本;同时支持 CSV、TsFile 等数据导入导出。
Q: AINode 启动报错“找不到 venv 模块”怎么办?
需在系统安装 Python3 的 venv 模块,如 Ubuntu 执行 apt-get install python3.10-venv,或安装自带 venv 的 Python 版本。
Q: IoTDB 测点的标签、属性的区别?适用场景? (必读)
缘起
-- 创建【带标签/属性】的测点
CREATE TIMESERIES root.turbine.d1.s1
WITH DATATYPE=FLOAT, ENCODING=RLE, COMPRESSOR=SNAPPY
TAGS(tag1=v1, tag2=v2)
ATTRIBUTES(attr1=v1);
-- 查看测点
IoTDB> SHOW TIMESERIES;
+-----------------------------------------+-----+------------+---------+--------+-----------+-------------------------+--------------+--------+------------------+--------+
| Timeseries|Alias| Database| DataType|Encoding|Compression| Tags| Attributes|Deadband|DeadbandParameters|ViewType|
+-----------------------------------------+-----+------------+---------+--------+-----------+-------------------------+--------------+--------+------------------+--------+
| root.turbine.d1.s1| null|root.turbine| FLOAT| RLE| SNAPPY|{"tag1":"v1","tag2":"v2"}|{"attr1":"v1"}| null| null| BASE|
| root.ln.wf02.wt02.status| null| root.ln| BOOLEAN| RLE| LZ4| null| null| null| null| BASE|
| root.ln.wf02.wt02.hardware| null| root.ln| TEXT| PLAIN| LZ4| null| null| null| null| BASE|
| root.sg1.d1.s1| null| root.sg1| DOUBLE| GORILLA| LZ4| null| null| null| null| BASE|
| root.sg1.d1.s2| null| root.sg1| DOUBLE| GORILLA| LZ4| null| null| null| null| BASE|
|root.factory.device_monitor.total_runtime| null|root.factory| INT64|TS_2DIFF| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.temperature| null|root.factory| FLOAT| GORILLA| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.humidity| null|root.factory| DOUBLE| GORILLA| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.firmware_bin| null|root.factory| BLOB| PLAIN| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.deploy_time| null|root.factory|TIMESTAMP|TS_2DIFF| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.alarm_flag| null|root.factory| BOOLEAN| RLE| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.firmware| null|root.factory| TEXT| PLAIN| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.rpm| null|root.factory| INT32|TS_2DIFF| LZ4| null| null| null| null| BASE|
| root.factory.device_monitor.report_date| null|root.factory| DATE|TS_2DIFF| LZ4| null| null| null| null| BASE|
+-----------------------------------------+-----+------------+---------+--------+-----------+-------------------------+--------------+--------+------------------+--------+
Total line number = 14
It costs 0.009s
- IoTDB(时间序列数据库)的测点元数据。两者都是写在序列创建语句
tag/attributes字段里的键值对,但定位完全不同。
核心区别
| 维度 | Tags(标签) | Attributes(属性) |
|---|---|---|
| 本质 | 索引键,参与查询定位 | 描述信息,纯存储 |
| 能否用于查询过滤 | ✅ 可作为筛选/分组条件(WHERE timeseries.tag.xxx = ...) |
❌ 不可作查询条件 |
| 索引能力 | 参与构建 Tag 索引,支撑倒排/哈希检索 | 无索引 |
| 语义定位 | 标识"这个测点是谁/属于哪个维度" | 描述"这个测点是什么样子" |
| 更新频率 | 一般稳定、低频 | 更稳定,偶尔补充 |
| 典型内容 | 设备ID、传感器类型、区域、型号 | 安装位置、生产厂家、量程、精度、安装日期 |
| 存储开销 | 参与索引,占用更多 | 相对轻量 |
适用场景
Tags —— 用于"检索与聚合"
- 从海量序列中快速筛选出目标测点,如"所有区域=华东 且 设备ID=A01 的温度测点"。
- 按标签分组做聚合统计(同一 tag 值的测点归为一组)。
- 适合做维度建模、设备画像、按业务维度动态发现序列。
Attributes —— 用于"查证与展示"
- 记录测点的非查询类元信息,如量程范围、精度、生产厂商、备注说明。
- 适合做序列登记台账、文档化、工单追溯,写入后按需读取展示。
总结
Tag 是给系统"检索用的钥匙",Attribute 是给人"查阅用的备注"。
需要被筛选、分组、聚合的维度 → 放 Tags;只做说明、不参与检索的描述 → 放 Attributes。
实践建议:两者都是【静态属性】,一旦写入后【修改成本高】(改 tag 会变更【序列】,历史数据索引需【重建】),所以建库前要先想清楚哪些维度会成为查询入口,再决定放哪一类。
若不确定,宁可多放 tags 少放 attributes——tags 的多余【检索维度成本】远低于事后把 attributes 迁移成 tags。
Q: IoTDB (2.x)树模型下,有哪些性能限制、最佳实践是怎样的?
IoTDB (2.x)树模型下,有哪些性能限制、最佳实践是怎样的?例如:一个设备最大可以创建多少个量级的测点?百毫秒级的读写性能要求下,允许的数据量是多少?
一、核心结论:官方对"测点数量"的定位
【树模型】以"测点"为【对象】管理,官方文档明确"任一层级的子节点数量没有限制"——即单个【设备】下能建多少测点没有【硬性上限】,真正受约束的是【集群的总时间序列量】(与内存相关),以及建模结构对【并发性能】的影响。
相关硬约束/配置:
-
集群的总序列数上限由
cluster_timeseries_limit_threshold控制,默认-1(不设限),另有cluster_device_limit_threshold(设备数阈值),均重启生效。真正决定上限的是【内存预算】。 -
资源规划官方建议(采集频率 ≤1Hz 口径):
| 总序列数 | 单机CPU | 单机内存 |
|---|---|---|
| 10万以内 | 2–4核 | 2–4G |
| 30万以内 | 4–8核 | 6–12G |
| 50万以内 | 8–16核 | 12–24G |
| 100万以内 | 16–32核 | 24–48G |
| 200万以内 | 32–48核 | 48–96G |
| 1000万以内 | 48核 | 128G |
存储/网络另算:磁盘按
测点数×采样频率×每点字节×时长×副本/压缩比估算;写入吞吐超 1000 万点/秒需配万兆网卡。
二、"一个设备最多多少测点"的正确打开方式
没有绝对值,但有结构性最佳实践,比追问硬上限更有用:
- 设备数量(Path 倒数第二层节点)建议 ≥1000。【设备数】是【并发读写能力的锚点】,【设备充足】时【并发效率】更高。
- 遇到"设备少、单设备测点多"(如 3 台设备各 1 万个测点)时,官方明确推荐在最后层级加一层
.value:root.db.device01.metric.value,以此抬高倒数第二层节点数、改善并发。这是对"【测点爆炸】"场景的官方解法。 - 【单设备的测点】越多,【写放大】与【内存占用】越高(每个测点都有独立时间序列元数据);
所以,【测点超量】时应优先"【拆设备维度】"或"【加 value 层】",而不是硬塞进一个【设备】。
三、百毫秒级读写下允许的数据量
分写入和查询两个维度看:
写入吞吐(高吞吐、低延迟)
- 官方宣传:单节点每秒千万级,宣传口径最高 2000 万点/秒;
- TPCx-IoT 基准实测约 363 万点/秒(同期 InfluxDB 开源版约 52 万点/秒);
- 单机常规可达数百万点/秒。即百毫秒窗口内写入数十万~上百万点是可行的,瓶颈通常在网络与批量大小,而非测点数。
查询延迟(100ms 是一个常见 SLA)
- SIGMOD 论文(Apache IoTDB: A Time Series Database for IoT Applications)给出的基线:10 万点/天的数据选择、以及 1000 万点的 3 年聚合,可在 100ms 内完成;
- 工业界案例(蔚来支撑百万级车辆实时采集)的实测查询响应 <100ms。
注意:100ms 延迟 SLA 主要取决于单次查询涉及的数据量、时间跨度与聚合方式,测点数本身不是主要瓶颈。测点越多、时序越"宽",写入内存占用和元数据开销越高,这才是需要靠建模结构规避的点。
四、树模型最佳实践清单
- 路径层级 ≤10 层,把低基数字段放前面,便于公共前缀压缩。
- 设备(倒数第二层)≥1000,测点密集时加
.value层抬高设备数。 - 数据库(root 下一级)无需为性能多建,一个库即可充分利用资源;数量上限与内存相关。
- 测点层级命名含特殊字符时,所有层级统一用反引号封装,避免注册失败/写入中断。
- 设备维度与测点维度在树模型下没有物理硬上限,一切以内存预算和并发结构为准,优先用官方"资源规划表"倒推总序列数是否在单机能力内。
Q: Apache IoTDB (2.x) 的 树模型和表模型 2种模型下,其底层数据结构、读写性能有什么差异吗?
- 结论:两者共享同一套底层存储引擎(LSM-Tree + TsFile),官方文档对比的"性能"维度结论是"相同";真正的差异在逻辑建模层和 SQL 执行层——树模型短查询略优、表模型【复杂分析】更强。依据官方《建模方案设计》和天谋工程师的《双模型架构详解》,详细对比如下。
底层数据结构:同一个底座,两种逻辑组织
| 维度 | 树模型 | 表模型 |
|---|---|---|
| 逻辑单位 | 测点路径 root.db.风机组1.风机1.电流,叶子=测点 |
表 = 时间列 + 标签列(TAG) + 属性列 + 测点列(FIELD) |
| 设备定义 | 路径倒数第二层节点 | 全部 TAG 列取值的组合(联合主键,与 TIME 列共同构成行主键) |
| 元数据 | PBTree 管理,支持亿级时间序列 | 表/列级 Schema,测点列数无上限(数十万+) |
| 物理存储 | 树写 → TsFile | 表写 → TsFile(同一列式文件格式) |
| 公共底座 | WAL → MemTable → TsFile → Compaction,完全共用 | 同左 |
官方"树转表"示意图明确画出:树写和表写最终都落为 TsFile,这也是"性能相同"的物理基础。
读写性能:引擎相同,开销差异在解析/寻址层
-
写入:基本一致(同引擎)。表模型多一层"TAG 组合 → 设备 ID"映射和模式/类型校验;【树模型】支持无模式自动建表(动态Schema),写入【更"轻"】。
-
读取:
- 官方对比表:
性能对比:相同。 - 天谋官方分享补充:树模型语法简洁,简单查询/短查询目前性能仍略优于表模型;表模型则在【复杂分析】上更强——子查询、JOIN(含时序特色的 ASOF JOIN)、窗口函数、distinct 等,覆盖树模型难以实现的场景。
- 表模型筛选效率排序:时间列 = 标签列 > 属性列 > 测点列(时间/标签列建有稀疏索引,测点列只有文件内 block 级索引)——这是表模型建模时把设备标识设计成 TAG 的原因之一。
- 官方对比表:
选型:实时监控、按点位短查询 → 树模型;设备台账 + 多属性关联分析、标准 SQL 团队 → 表模型。两者可在同一集群共存、互不可见,树数据还可建"树转表视图"用表语法查询。
下图给出两者的架构关系与性能定位(示意):

Q: Apache IoTDB支持实时订阅来消费吗?
它不仅支持实时订阅,而且做得相当完整。
Apache IoTDB 的实时订阅能力
| 能力 | 说明 |
|---|---|
| 数据订阅模块 | V1.3.3 之后引入,参考 Kafka 设计,有 Topic + Consumer Group + offset/commit 概念 |
| 两种消费模式 | SubscriptionPullConsumer(主动 poll)和 SubscriptionPushConsumer(事件回调推送) |
| Pipe 管道 | 另有一套跨集群/跨目录的实时同步机制(Realtime Pipe),支持历史回灌 + 实时增量 |
| 内置 MQTT Broker | 服务端自带 MQTT v3.1,设备可直接通过 MQTT 写入,无需第三方中间件 |
主流"时序库自带订阅能力"对照表:
| 时序库 | 实时订阅 | 备注 |
|---|---|---|
| TDengine | ✅ subscribe | 消费组、offset |
| Apache IoTDB | ✅ Pull/Push 两种 | V1.3.3+,另有 Pipe 同步通道 |
| InfluxDB (OSS) | ⚠️ Kapacitor/CQ | 2.x 后 OSS 版订阅能力弱化 |
| OSIsoft PI | ✅ PI Web API Stream / Event Frames | 商业库 |
| TimescaleDB | ❌ 无原生推送 | 需 WAL 逻辑复制或触发器 |
| OpenGemini | ⚠️ 类 InfluxDB 订阅 | 能力相对基础 |
Y 推荐文献
- Apache IoTDB: A Time Series Database for IoT Applications(ACM SIGMOD 2023)
- Apache TsFile: An IoT-native Time Series File Format(VLDB 2024)
- Improving Time Series Data Compression in Apache IoTDB(Semantic Scholar)
- Apache IoTDB 官方用户指南
- Apache IoTDB 官网
X 参考文献
- Apache IoTDB 产品介绍 - 官方文档
- Apache IoTDB 简介 - 天谋科技
- Apache IoTDB 毕业成为 Apache 顶级项目 - 清华大学软件学院
- Apache IoTDB 快速上手 - 官方文档
- 单机版部署指导 - 官方文档
- 常见问题 - 官方文档
- Apache IoTDB GitHub 仓库
- Apache IoTDB - Database of Databases
- TDengine vs IoTDB 对比 - 涛思数据
- 2026 时序数据库选型指南 - CSDN
本文链接: https://www.cnblogs.com/johnnyzen
关于博文:评论和私信会在第一时间回复,或直接私信我。
版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!
日常交流:大数据与软件开发-QQ交流群: 774386015 【入群二维码】参见左下角。您的支持、鼓励是博主技术写作的重要动力!

浙公网安备 33010602011771号