设备数据为什么要有时序库

传感器数据的本质是「按时间顺序不断追加的数值流」：每秒一条，几百台设备持续写，一年就是上亿行。用普通关系数据库存这种数据，写入吞吐和按时间范围查询都会很快成为瓶颈。时序数据库（如 InfluxDB）就是为「高写入、按时间索引、按时间聚合」这个场景专门设计的。

时序库不擅长存复杂的关联查询，但在「某台设备最近 24 小时温度曲线」这类问题上，它又快又省。
为什么不用关系库
  • 写入时序库针对批量追加做了压缩与批写优化。
  • 存储同类数值按列压缩，体积小一个数量级。
  • 聚合内置按时间窗口的降采样与聚合函数。
  • 保留支持自动过期策略，老数据自动归档或删除。
物联网数据分析配图：并排半透明大屏面板上的折线、柱状与环形进度图形
从原始数值流到一屏看板，中间隔着建模、聚合与可视化三层。

数据建模：标签、字段与时间戳

时序数据的结构很简单：一个测量名（measurement）、若干标签（tag）、若干字段（field）和一个时间戳。标签是「用来分组和筛选」的维度，比如设备编号、区域；字段是「被测量的数值」，比如温度、湿度。区别在于标签会被索引，字段不会——把高频变化的量放进标签，索引会爆炸。

// 一条写入：measurement = env, tag = dev, field = t/h
env,dev=room_a t=25.3,h=48.2 1728806400000000000
//    ↑测量  ↑标签        ↑字段            ↑纳秒时间戳

建模的经验法则是：维度（设备、地点、类型）放标签，指标数值放字段。时间戳由上报端或网关统一对齐，避免每块板子用各自不准的本地时钟。

写入与降采样策略

直接把原始高频数据全部长期保留，成本会随设备数线性上涨。成熟的做法是分层：原始数据短期保留（比如 7 天），按分钟或小时聚合后的均值、峰值长期保留。这样既能随时回看最近的细节，又能用历史趋势做长期分析。

降采样分层
  • 原始层1 秒粒度，保留 7 天，用于排障。
  • 分钟层1 分钟均值，保留 90 天。
  • 小时层1 小时均值/极值，保留 1 年以上。
  • 聚合用连续查询自动把高层结果写到低层。

写入时还要注意批量化：网关把短时间内的多条数据攒成一批再写，比逐条写高效得多；同时对同一时间戳的重复数据做去重，防止设备补传造成重复点。

聚合查询与告警规则

看板上的曲线几乎都不是原始点，而是聚合结果：最近一小时按 1 分钟取平均，最近一天按 10 分钟取平均。这样点数从几千降到几十个，图表平滑又不丢趋势。查询时指定时间窗口和聚合函数即可。

// 查 room_a 最近 24 小时、按 10 分钟聚合的平均温度
SELECT mean(t) FROM env
WHERE dev='room_a' AND time > now() - 24h
GROUP BY time(10m);

告警规则是数据最有价值的用法之一：温度持续超过阈值、设备掉线超过几分钟，就触发通知。把告警建立在「聚合后的数据」上而不是原始点上，可以避免单次毛刺就误报。告警通道可对接前面讲过的订阅消息或短信，形成闭环。

可视化大屏的搭建思路

大屏不是把所有曲线堆上去，而是按「决策者关心什么」分区：顶部是总览指标（在线设备数、今日告警数），中部是核心趋势曲线，下部是分设备或分区域的对比。配色统一、留白克制，避免一屏塞满让人无从看起。

  • 趋势类用折线，对比类用柱状，占比类用环形或饼图，别混用。
  • 单位和时间范围要在图表上标明，看图的人不用猜。
  • 关键告警用颜色突出，让异常一眼可见。

工具上，Grafana 这类可视化平台能直接连时序库、拖拽建面板、设置刷新间隔，是物联网大屏最省事的起点；需要深度定制交互时，再用前端图表库自己写。