时序数据库

时序数据的特点与挑战

时序数据有几个典型特征：写入量巨大且几乎只追加（一台服务器每秒可产生数百个指标点）；查询几乎总是基于时间范围；历史数据价值递减，旧数据可以降精度保留（降采样）；相邻时间点的值往往相近，压缩率极高。

通用数据库处理这类数据时问题明显：按时间戳建索引后写入仍有随机 IO；没有原生的降采样和 TTL 机制；时间范围聚合查询（如「每5分钟的平均 CPU 使用率」）要扫描大量行，效率低下。[1]

主流时序数据库

InfluxDB 是最知名的开源时序数据库，有独立的 InfluxQL 和 Flux 查询语言，内置降采样策略和数据保留策略（Retention Policy），Prometheus 生态中经常用它长期存储监控数据。

Prometheus 本身也内置了时序存储，但设计上只适合短期存储和高频查询，生产中通常配合 Thanos 或 Cortex 做长期持久化。

TimescaleDB 是 PostgreSQL 的扩展，把时序优化叠加在 PostgreSQL 之上，核心机制是将数据按时间自动分块（Chunk），每个块对应一个小的 PostgreSQL 表，同时保留完整的 SQL 支持，对有 PostgreSQL 经验的团队非常友好。