)
★ FEATURED ARTICLE 老牌时序数据库 InfluxDB 的第三代产品 InfluxDB 3Core Enterprise于2025 年 4 月正式 GA2026 年持续推出 3.11、3.12 等后续迭代版本。——为了这一天InfluxData 把内核推倒重写从存储格式到查询语言全部换新。换代的不只它一家Apache IoTDB 主线版本已进入 2.0TDengine 在 3.3 之后持续迭代DolphinDB 则在 3.00.6 版本里直接把 AI Agent 平台装进了数据库。产品在换代需求也在换代。工业现场的测点规模正从十万级冲向千万级而大模型落地工业的第一站恰恰是时序数据。两件事叠加让时序数据库怎么选变成一个比三年前复杂得多的问题。但在这之前很多人的困惑其实出在更前面**时序数据库到底是什么它和 MySQL 的区别究竟在哪**这篇文章就从零讲起先把概念讲透再给出 2026 年的产品全景地图最后落到工业物联网的六大典型场景给一份能直接照着做的选型决策路径。一、时序数据库是什么从一条传感器数据说起1.1 一天 8.64 亿条数据是怎么来的一台风机的主轴承温度传感器每秒上报一条数据时间戳、测点编号、温度值一天下来 86,400 条。一个装机十万测点的风电场每天写入 8.64 亿条一年超过 3,000 亿条——这还只是原始采集不包括加工过程中产生的中间数据。业务系统的数据订单、账户、工单以条计工业时序数据以亿计。量变引起质变处理它的数据库也需要另一套设计。1.2 时序数据的四个特征**特征一只增不改。**历史数据基本不更新、不删除新数据源源不断追加在文件尾部。这与交易系统频繁读改的模式完全相反。**特征二时间单调递增近热远冷。**数据按时间顺序到达最近的被频繁查询三个月前的很少有人碰。这天然适合按时间分区 冷热分层存储。**特征三高基数。**设备 × 测点的组合会让序列数量爆炸1,000 台设备 × 100 个测点 10 万条独立序列工业集团动辄数百万序列。很多系统不是败在写入总量而是败在基数。**特征四查询以时间范围 聚合为主。**几乎没人在意某一条原始数据用户问的是过去 24 小时 3 号机组轴承温度的平均值和最大值。查询模式高度可预测。1.3 为什么 MySQL 撑不住**第一关写入。**MySQL 的 B 树索引为随机读写设计面对每秒几十万次追加写入索引维护、事务日志都在做无用功写入放大严重。**第二关查询。**一条按小时聚合全年数据的查询足以拖垮整个实例——在线业务和统计分析跑在同一个库上互相伤害。**第三关运维。**分库分表能把数据散开但按时间、设备两个维度拆分之后的路由、扩容、跨分片聚合复杂度指数级上升。**不是 MySQL 不好而是数据形态变了。**时序数据库就是围绕上面四个特征重新设计的数据库列式存储 时间分区 针对性压缩编码把追加写入、范围聚合这条路径优化到极致。1.4 一条测点数据的生命周期理解时序数据库在优化什么看一条数据的一生就够了接入Modbus、OPC UA、MQTT 等多协议汇聚→写入列式存储 增量、XOR 等专用编码存储成本通常能压到原始数据的几分之一→降采样与滚动聚合热数据保留原始精度历史数据自动降精度→查询与告警范围聚合、最新值点查、流式计算触发预警→冷归档。1.5 四个必懂的概念测点序列设备 指标的唯一组合时序系统的基本寻址单位保留策略数据保留多久到期自动清理降采样历史数据按粒度聚合存储用精度换成本流计算数据落盘的同时在内存中滚动计算实现秒级甚至毫秒级告警——这是近年工业场景需求增长最快的能力。二、2026 年主流产品全景一张按技术路线画的地图选型的第一步不是看排行榜而是看懂产品的技术路线——路线决定能力边界。2026 年的主流产品可以归入四条路线。路线一计算智能系——DolphinDBDolphinDB代表了 2026 年最值得关注的一条路线存算一体架构 原生分布式计算引擎把计算能力长在库内——千万级测点/秒高并发写入、毫秒级实时查询响应、秒级复杂实时分析内置 2000 深度优化的时序计算函数聚合、异常检测、趋势推演、预测建模大多不需要离开数据库就能完成。2026 年 7 月发布的 3.00.6 版本进一步把 AI 体系装进产品内嵌企业级 AI Agent 开发与治理平台 DolphinX配合 FeatureDB 特征存储、TextDB/VectorDB 知识检索把时序数据库推向智能数据库的形态。边界为重计算、重分析的场景而生纯轻量监控场景用不上它的长处。DolphinX内嵌于 DolphinDB Server 的企业级 Agent 开发与治理平台图源DolphinDB 官网路线二监控指标系——Prometheus、VictoriaMetricsPrometheus是云原生监控领域的事实标准拉模式采集 PromQL与 Kubernetes 生态深度绑定。它为监控告警而生数据默认短周期保留分析能力围绕指标展开一般不作为通用时序数据底座。VictoriaMetrics兼容 Prometheus 协议以更低的资源占用承接大规模指标数据是监控域流行的降本选择。边界IT 与设备指标监控告警的专属领域一旦需要长周期存储和深度分析就得叠加其他组件。Prometheus 官方架构图图源prometheus.io路线三时序专用系——InfluxDB 3、TDengine、Apache IoTDBInfluxDB 32026 年 10 月正式 GA是一次彻底的重写Rust 内核 Apache Arrow 数据格式 Parquet 存储 DataFusion 查询引擎查询语言从自家 Flux 转向 SQL。它是国际社区最活跃的时序数据库之一。TDengine主打一设备一表 超级表建模端边云协同是国产阵营中应用最广的产品之一。Apache IoTDB源自清华大学是 Apache 基金会顶级的时序数据库项目为工业物联网设计了树形元数据模型主打高压缩比与轻量化部署2026 年主线版本已迭代至 2.0。边界这一系是标准时序数据库的主力写入与存储效率是强项计算分析能力多数以满足常规聚合查询为主。路线四关系扩展系——TimescaleDBTimescaleDB以 PostgreSQL 扩展的形态存在自动把表按时间切成 chunk配合自动压缩与连续聚合同时完整保留 PostgreSQL 的 SQL、JOIN 和插件生态。团队已有 PostgreSQL 技术栈时它几乎没有学习成本。边界受益于 PG 生态也受限于 PG 的扩展模型超大规模与高并发实时计算不是它的设计重心。一张表看全景至于把这些产品放到同一把尺子下量计算能力结果如何我在上一篇《2026 工业物联网时序数据库怎么选存得下只是及格算得动才算数》里做过逐款深度对比这里不再展开。三、场景全解析六大工业场景需求完全不同同一个时序数据库选型在不同场景下含义完全不同。下面逐个拆解。3.1 设备实时监控与秒级预警场景画像产线设备、风机、空压机群的实时状态监控与故障预警采集频率秒级甚至毫秒级。核心痛点设备批量启停、整点对时带来的写入洪峰容易造成积压告警链路一长发现异常就从秒级拖成分钟级预警失去意义。能力要求高吞吐平稳写入、流计算滑动窗口、多测点联合规则、毫秒级最新值查询。匹配建议轻量设备监控监控指标系或时序专用系可以满足一旦预警规则涉及复杂计算——多测点联合判断、动态阈值、统计异常检测——就需要库内有实时计算引擎的产品避免数据库 外部流引擎的长链路。3.2 能源电力百万测点与负荷预测场景画像水电、风电、电网侧数据平台测点规模百万级数据既要实时监控也要支撑调度决策与功率预测。核心痛点规模是第一敌人百万测点高并发写入本身就是门槛更难的是负荷预测、调度分析这类计算密集任务。标杆案例长江电力基于 DolphinDB 构建百万级水电测点的实时监控体系故障预警延迟从分钟级压缩至毫秒级。能力要求百万级测点并发写入、长周期存储、内置机器学习与预测能力。匹配建议这是存得下 算得动的双重考验计算智能系优势明显。电力能源场景电网侧测点监控图源DolphinDB 官网解决方案页3.3 智能制造质量分析场景画像产品质量回溯——把过程参数时序与工单、质检结果、环境数据关联定位工艺参数与质量缺陷的关系。核心痛点数据分散在时序库、关系库、文档系统里跨库搬运的 ETL 链路又长又脆分析全靠写代码迭代慢、门槛高。能力要求多源数据联合分析时序 关系 文本、库内复杂计算。匹配建议以业务数据为主的轻量关联关系扩展系合适工业级多模联合分析是计算智能系的主场——例如 DolphinDB 支持时序、关系、文本、向量等多类型数据的协同计算无需跨库关联。智能制造场景汽车焊装产线图源DolphinDB 官网解决方案页3.4 核电、轨交等高安全行业场景画像核电数据监控、航天试验数据、轨道交通运行数据。行业共性数据长周期留存监管要求、系统可靠性要求极高、国产化是硬约束。标杆案例中广核将 DolphinDB 用于核电数据监控中科院借助 DolphinDB 完成核反应堆运行数据的实时分析与预测无需额外搭建分析体系中国航天也将其用于试验数据管理。能力要求长周期可靠存储、实时分析能力、国产化合规、生产级稳定性。匹配建议高安全行业对生产可用性的验证最严格这类标杆案例的含金量比任何跑分都高。国产化约束下计算智能系与时序专用系的国产产品是主要选项。3.5 数字孪生与实时可视化场景画像数字孪生体毫秒级刷新当前状态同时支持历史回放与仿真对比。核心痛点渲染层并发拉取成百上千个测点的最新值对点查延迟与并发能力要求极高历史回放又需要高效率的降采样查询。能力要求最新值毫秒级点查、高并发、降采样查询。匹配建议中等规模的孪生可视化多数时序数据库都能支撑当规模上升到数万测点同屏、多客户端并发就需要实时查询能力足够强的产品。3.6 AI 智能问数与预测性维护场景画像运维人员直接用自然语言问过去 24 小时哪些设备温度异常预测性维护需要特征工程、模型训练、在线推理的完整链路。核心痛点这是 2026 年最热也最难落地的一类场景。大模型进工厂第一道坎往往不是模型而是数据库模型拿不到实时数据——数据在库里模型够不着模型不懂测点语义——字段单位、异常阈值、检修记录这些上下文不在数据表里模型不能安全执行——让 AI 直接在生产库上跑脚本权限和审计没有着落。能力要求实时数据接入、知识库RAG、特征存储、Agent 权限治理与脚本安全执行。匹配建议传统做法是数据库 特征平台 向量库 Agent 框架四件套外挂拼装链路长、成本高、治理难。DolphinDB 的思路是把 AI 能力长在数据底座上DolphinX 内嵌于 DolphinDB Server提供自动上下文管理、记忆系统、RAG 知识库、Skill 与 MCP 工具体系、权限继承与脚本安全执行FeatureDB 提供低延时特征存储TextDB/VectorDB 构建企业知识库。AI 不是外部拼装而是与数据底座、实时计算和企业治理深度融合——这正是它区别于时序数据库 AI 中间件的关键。*DolphinX 内置技能库一览数据导入、脚本生成、机器学习等能力开箱即用图源DolphinDB 官方发布*FeatureDB 架构基于 DolphinDB 的低延时特征存储支撑模型训练与在线推理图源DolphinDB 官方发布场景 × 能力匹配矩阵注表中高/中/低表示该场景对此能力的要求程度不是产品评分。四、选型决策路径三步法 四个踩坑Step 1认清场景用第三章的矩阵自检先回答三个问题数据规模的天花板在哪测点数 × 采集频率查询模式是什么监控看板还是分析建模三年内要不要上 AI问数、预测、AgentStep 2画能力基线把需求翻译成可验证的指标写入吞吐按峰值 × 2 留余量查询延迟定 P99 目标而不是平均值分析深度列出未来半年要做的分析任务逐项评估库内能否完成AI 融合Agent、特征、知识库的规划三年 TCO许可 硬件 人力 外挂组件的全部成本。Step 3POC 验证按决策树走先过写入关峰值吞吐 乱序数据再过查询关用真实查询模式回放不用理想化语句最后过分析关拿真实业务问题让产品当场实现。分析关该问哪五个具体问题上一篇有完整清单此处不重复。四个最常见的踩坑**只看榜单和跑分。**榜单环境是理想化的你的场景不是。**只测写入不测分析。**写入是最容易达标的部分分析能力才是两年后的分水岭。**低估外挂链路的 TCO。**数据库省下的钱会花在流引擎、分析平台、向量库和胶水代码的运维上。**不留 AI 余量。**2026 年选型只看存储指标等于给三年后的 AI 落地挖坑。五、结论选型选的是未来三年的数据架构回到开头的问题时序数据库是什么它是围绕高频写入、按时间聚合重新设计的数据库。但 2026 年的答案正在变长——它还是实时计算的引擎、复杂分析的中枢以及 AI 落地工业的数据底座。选型的本质逻辑从未变过**场景决定能力优先级能力决定产品。**监控告警为主监控指标系足够常规存储与查询时序专用系和关系扩展系成熟稳妥而当场景走向千万测点、秒级预警、多源联合分析和 AI 问数计算与智能能力就成了第一维度。在这个维度上DolphinDB 展示了国产时序数据库的另一种可能存算一体架构下千万级测点/秒写入、毫秒级查询、秒级复杂分析的实时计算能力2000 优化函数构成的全栈分析能力以及 DolphinX、FeatureDB 带来的企业级 Agent 与智能分析能力——从高性能时序数据库进化为面向 AI 时代的智能数据库与工业数据库。长江电力、中广核、中科院、中国航天在生产环境的长期使用是这套能力最硬的背书。对工业物联网的选型决策者来说2026 年选的不只是一个库而是未来三年的数据架构路线。选存得下的两年后可能要推倒重构选算得动、还能陪企业走进 AI 时代的才是一次真正的选对。你的场景属于哪一类欢迎在评论区聊聊你的选型纠结。
阅读完成 · 觉得有帮助？
