物联网时序数据库实战：存储、压缩与查询

物联网数据天然带时间戳：传感器读数、设备状态、GPS 坐标，每条记录都是「时间 + 测点 + 数值」。这类数据只追加、极少更新、按时间查询，用关系型数据库存会既浪费又变慢。

时序数据库为这种模式优化：列式存储、高压缩率、时间分区、降采样聚合。一台设备一天上千条记录，十万台设备就是千万级写入，选对存储是第一步。

时序数据的特点决定了它的存储方式：追加为主，按时间聚合。

TDengine 是国产开源时序库，针对物联网场景做了超级表与标签分离，写入吞吐高、自带降采样；InfluxDB 生态成熟、查询语言友好，适合中小规模快速起步。

选型维度：写入吞吐、查询延迟、集群能力、运维成本、与现有技术栈的契合度。数据量百万级以下两者都轻松，千万级以上优先看 TDengine 或云托管的时序服务。

建模核心是「测点表 + 标签表」：设备元信息（位置、型号、固件版本）放标签，随时间变化的读数放测点。查询按标签过滤设备，按时间取窗口数据。

-- TDengine 建表：超级表 + 子表
CREATE STABLE meters (ts TIMESTAMP, val FLOAT)
  TAGS (device_id NCHAR(32), site NCHAR(32));
CREATE TABLE meter_001
  USING meters TAGS ('d001', '工厂A');

写入用批量插入，一次带多条记录；数据通过消息队列进入，保证顺序与背压。高频测点按需降频，原始数据与聚合数据分层存储。

时序库的压缩率通常能达到十几倍：相同测点数值变化小、时间戳规律性强。分区按天或月切分，过期数据直接删分区，不用逐行清理。

保留策略分级：原始数据保留三十天，分钟级聚合保留一年，小时级聚合永久保存。成本与可用性平衡的关键就在保留策略设计。

典型查询：某设备最近一小时温度曲线、某站点设备平均电量、异常波动检测。时序库原生支持时间窗口聚合，查询语句简洁。

-- 最近一小时每五分钟平均温度
SELECT AVG(val) FROM meter_001
WHERE ts >= NOW - 1h
INTERVAL(5m);

聚合结果直接喂给可视化看板与告警引擎，趋势图、热力图、异常标注都在查询层完成。