登录社区云,与社区用户共同成长
邀请您加入社区
DolphinDB并非单纯的时序数据库,而是一款集高性能时序存储、实时流式计算、离线批量分析、智能建模于一体的实时计算平台,同时DolphinDB 位居 DB-Engines 时序数据库全球前五,是目前进入全球前十的国产时序数据库之一,连续入选Gartner中国数据库市场指南,在企业级海量时序场景中具备不可替代的核心优势。通过主流时序数据库的架构对比与能力拆解可以清晰看出:轻量监控、小规模指标展示
TDengine设备监测应用实践摘要 本文介绍了TDengine在设备监测中的实际应用方案。针对烟感、温湿度、气体等多种传感器数据,提出了一套完整的时序数据处理链路: 数据模型设计:按设备类型拆分为不同超级表,采用"稳定指标拆列+原始JSON保留"的混合存储策略,平衡查询效率与灵活性。 写入流程:通过统一接口将业务对象转换为时序模型,自动提取Tag和Field,封装Schemaless写入逻辑,支
金仓时序数据库通过多模融合架构解决工业AI数据碎片化难题,整合时序、关系、空间及向量数据,实现设备故障精准诊断。其核心技术优化写入、存储及查询性能(毫秒级响应),并内置数据质量修复功能。在北京地铁案例中,写入效率提升10倍,存储成本降低80%,助力实时监控与历史分析。该方案以"计算前置+业务关联"为核心,为AI提供高质量多模态数据底座,缩短决策路径,推动工业智能化落地。
【摘要】AI在工业场景中难以准确判断设备异常,因其需要结合时序数据、设备属性、维修记录等多维信息。传统分散的数据系统导致分析链路冗长、信息割裂。人大金仓KES数据库采用融合架构,原生集成时序、关系、GIS和向量数据,实现围绕业务对象的直接关联。通过写入优化、高效压缩和内置计算功能,支持千万级指标点/秒写入和90%存储压缩。典型案例显示性能提升10倍,存储减少80%,为实时监控和AI应用提供统一数据
国产时序数据库TimechoDB V2.0通过国家级安全可靠测评,成为首个获此认证的时序数据库产品,标志着国产基础软件在核心技术自主性和供应链安全方面取得突破。同时推出的时序数据智能分析平台TimechoAI,基于自主创新的Timer模型提供预测分析和异常检测能力,形成"存储+分析"的完整解决方案。该方案在工业场景中实现从数据采集、存储到智能分析的全链路协同,并通过国产化适配和安全机制满足关键基础
摘要:北京积水潭医院贵州医院作为贵州省首家国家区域医疗中心,采用一院两区运营模式,面临多院区数据割裂、信创合规要求等挑战。项目团队通过全栈国产化改造,以金仓数据库为核心搭建统一数据底座,实现双院区40余个业务模块批量上线,完成诊疗数据实时同步与业务协同。改造中复用成熟案例降低风险,并通过专项团队攻坚解决跨院区资源调度等难题。技术架构采用主备高可用集群,确保医疗业务不间断运行,同时提供适配代码示例,
银行核心数据底座国产化规模化落地实战:成都银行20+系统批量迁移与读写分离高可用架构解析
数据库(Database)是 TDengine 中最顶层的数据组织单元。每个数据库拥有独立的存储参数、保留策略和副本配置。理解数据库的创建参数对于生产环境的性能调优和容量规划至关重要。CREATE DATABASE 的完整语法和所有参数每个参数的含义、默认值、取值范围、调优建议ALTER DATABASE 可修改的参数数据库创建时内部的资源分配逻辑。
国产数据库KingbaseES通过“三低一平”技术(低难度、低成本、低风险、平滑迁移)有效解决了企业数据库国产化替代中的核心痛点。其Oracle兼容模式可实现语法无缝适配,DCI接口兼容主流中间件,配合全流程工具链实现自动化评估、迁移与验证,大幅提升效率。实际案例显示,迁移后系统性能显著提升,业务连续性得到保障,同时降低了运维成本。KingbaseES不仅完成技术替代,更通过数据整合与优化实现业务
ISDT(嵌入式软件时间分析工具)正式完成对旗芯微FC7300系列MCU的适配
进入2026年,在“数字中国”与工业物联网浪潮的强劲推动下,国产时序数据库市场持续繁荣,竞争格局日趋清晰。本文将对当前主流的国产时序数据库进行梳理盘点,并特别聚焦于金仓数据库(Kingbase),深入剖析其以融合多模架构为核心的差异化竞争实力,为企业在数字化转型中的时序数据底座选型提供参考。
进入 2026 年,在“数字中国”与工业物联网浪潮的强劲推动下,国产时序数据库市场持续繁荣,竞争格局日趋清晰。本文将对当前主流的国产时序数据库进行梳理盘点,并特别聚焦于金仓数据库(Kingbase),深入剖析其以融合多模架构为核心的差异化竞争实力,为企业在数字化转型中的时序数据底座选型提供参考。
时序数据库选型指南:TDengine的竞争优势与应用实践 随着物联网和工业互联网的快速发展,时序数据已成为全球数据总量的主要组成部分。本文分析了时序数据库的核心分类、行业痛点及技术突破,重点介绍了国产时序数据库TDengine的创新价值。TDengine通过超级表架构、虚拟表技术、专属压缩算法和一体化架构,解决了高基数性能衰减、存储成本高企和架构复杂等痛点。通过技术架构、性能、成本等维度的横向对比
本文深入解析了Flux语言在InfluxDB Notebook中的应用,帮助用户高效处理时序数据。从核心概念如存储桶(Bucket)、Measurement到Flux语法特点,再到Notebook的交互式数据分析功能,全面展示了如何利用这些工具进行复杂时序数据分析,提升数据处理效率。
本文深入探讨工业时序数据库选型的关键考量,超越单纯性能对比,构建了涵盖数据模型、查询模式、写入存储经济性、集群高可用性、生态集成及开源许可的深度决策框架。通过对比InfluxDB、TimescaleDB和Apache IoTDB在数据模型、压缩算法、分布式架构等方面的差异,为技术决策者提供可操作的选型指导,强调结合真实业务场景进行概念验证的重要性。
本文系统介绍了时序数据库在物联网时代的关键作用与技术特点。文章首先阐述了时序数据"只增不改、高频产生、价值时变"的独特性质及其管理挑战,随后重点解析了Apache IoTDB的创新存储设计,包括分层存储结构、智能编码机制和多级索引系统。通过工业4.0和智慧城市等应用场景,展示了IoTDB在实时监控、预测性维护等领域的实践价值。最后提出了包含数据特征分析、业务需求梳理和技术评估的
时序数据智能管理新高度:Apache IoTDB技术解析 Apache IoTDB作为新一代时序数据库,凭借创新的TsFile存储格式和极致的压缩技术(15-20倍压缩比),实现了毫秒级查询和百万级数据点写入能力。其核心优势包括: 革命性架构:专为时序数据优化的列式存储+多级索引体系 部署灵活性:端边云一体化架构,最小512MB内存即可运行 企业级可靠性:多副本机制+自动故障检测,可用性达99.9
并不是压缩包或直接的数据文件。文本指针指向真正的大文件内容,真正的数据需要通过 Git LFS 下载。(如果失败的话,就更新一下系统源:`sudo apt-get update`,然后再跑上面命令)我们要做的是,把先前的URL进行截断,使得URL的结尾为上面复制到的字符串。=================二编=================咋样才能把这个整个OpenCity-dataset文件
本文系统性地介绍了时序数据库及其选型标准,重点分析了Apache IoTDB的核心技术架构与应用优势。文章首先定义了时序数据库的特点,提出了五维评估框架(性能、存储、运维、生态、成本),并对比了主流时序数据库的性能表现。随后深入解析了IoTDB的三层部署架构、数据处理流水线和智能压缩算法体系,展示了其在车联网、智能运维等场景的应用价值。最后提供了IoTDB的环境准备与安装部署指南,为读者构建了从理
《时序数据库选型指南:从IoTDB看未来数据管理趋势》 本文全面剖析了时序数据库的核心特性与应用场景。随着物联网和大数据技术的普及,时序数据库凭借高效写入、压缩存储和快速查询能力,在工业监控、金融分析等领域展现出独特价值。文章重点介绍了国产开源时序数据库IoTDB的四大优势:树状数据模型与工业场景高度契合、自研TsFile格式实现超高压缩比、强大的乱序数据处理能力,以及轻量化的边云协同设计。通过上
本文深入解析时序数据库的核心概念与选型策略,针对物联网、监控等时序数据处理场景,对比分析了InfluxDB、Prometheus、TDengine等主流产品的优劣。文章提供了从需求分析到性能测试的实战选型指南,帮助开发者根据数据规模、读写模式及运维成本,选择最适合的时序数据库技术方案。
DBeaver 是一款流行的跨平台数据库管理工具,方便开发者、数据库管理员、数据分析师等用户管理数据。DBeaver 从 23.1.1 版本开始内嵌支持 TDengine。既支持独立部署的 TDengine 集群也支持 TDengine Cloud。
在这一节里,会为大家整体介绍2024年的时间序列一些具有突破性进展的领域。后续章节将持续在知识星球中更新,深入解读和串联这些领域的相关工作。
机器学习和深度学习已越来越多应用在时序预测中。ARIMA 或指数平滑等经典预测方法正在被 XGBoost、高斯过程或深度学习等机器学习回归算法所取代。尽管时序模型越来越复杂,但人们对时序模型的性能表示怀疑。
时序数据库与实时数据库,作为两种在特定领域表现出色的数据库类型,正逐渐受到业界的广泛关注。时序数据库以其对时间序列数据的高效存储、查询和分析能力,在物联网监控、金融分析等领域大放异彩;而实时数据库则以其对数据实时性、一致性和可靠性的严格保证,在工业自动化、实时交易系统等对时间敏感的应用中占据一席之地。
基于时域卷积网络TCN实现多变量时间序列预测(案例+源码)
基于LSTM+Attention实现单变量时间序列预测(源码)
20 世纪 90 年代开始,国际上关于绿色市场和绿色管理的学术文献日渐丰富,众多企业积极响应碳排放政策的号召,但其中有多少企业是实实在在的进行碳减排技术创新,又有多少企业打着绿色低碳行为的口号来吸引眼球、博得关注,这种漂绿被认为是一种形式上适应而实质上对抗的社会责任响应方式。【1】黄溶冰,谢晓君,周卉芬. 企业漂绿的“同构”行为[J]. 中国人口·资源与环境,2020,30 ( 11 ) : 13
比如最近的数据,即最热的数据,我们希望能够用最快的速度去访问它,把它缓存在内存里。针对热数据我们会将其存放在高性能存储中,与之对应的称为冷数据,它的应用频率较低,所以从成本上考虑,可以把它放在性能差一点同时也是更便宜的存储上。把最新的数据缓存在内存里,落盘的数据则是按照用户的时间定义放在不同的文件中,新旧数据可按需放在不同的介质上。所以,数据摄入一定要能够匹配多种不同的数据源。时序数据是物联网数据
OpenMLDB 的线上服务部分为了满足不同的性能和成本需求,提供了两种分别基于内存和磁盘的存储引擎。关于这两种存储引擎的使用考量,和推荐匹配场景,见如下表。
Kafka 是一个高吞吐量的分布式消息中间件,可用于海量消息的发布和订阅。当面对大量的数据写入时,以消息中间件接收数据,然后再批量写入到时序数据库中,这样可以将消息中间件的高并发能力和时序数据库的高吞吐量联合起来,更好地解决海量数据的实时处理和存储问题。本篇教程,我们会向大家详细介绍 DolphinDB Kafka 插件的使用方式,并以一个“DolphinDB + Kafka 实时计算k线”的案例
投资机会:基础设施(低轨星座、地基增强网、星地融合 PNT)、核心元器件(抗辐射芯片、芯片原子钟、高精度 ADC)、应用层(自动驾驶、低空运营、精准农业 SaaS、海洋信息服务)、跨界融合(时空大模型、空间智能、机器人+导航)。北斗产业正经历从"卖硬件"到"卖服务"、从"系统建成"到"生态繁荣"、从"中国制造"到"中国创造"的三重跃迁。上游三条投资主线:国产替代(抗辐射加固芯片、高精度 ADC、超
8月24日,宇树科技收跌10.3%,报603.08元,较上市首日开盘价回撤超过40%,总市值降至约2439亿元,短短四个交易日蒸发约2000亿元。2023年至2025年,公司营收从1.59亿元增至16.99亿元,主营业务毛利率升至60.13%,2025年归母净利润2.78亿元,经营活动现金流净额6.70亿元。发行价对应2025年扣非后摊薄市盈率已达219倍,而王兴兴对人形机器人商业化周期的判断,也
落地算力券、场景补贴等普惠举措,着力构建上下联动、全域覆盖的AI推广格局。接下来,除6大市级主活动外,东莞各镇街园区也将结合自身特色开展28场AI产业相关活动,还有医院、学校、银行、工厂、行业协会等将举办各类活动,全市合计将开展近百场人工智能相关活动,展现东莞“ALL in AI”的决心与行动。其中,主题展示区集中展示了东莞市《“人工智能+”城市实施方案》政策解读、6场市级主活动简介以及围绕AI+
更关键的是,特斯拉开始向第三方企业出售整套超充技术与运营服务,“白牌版”超级充电站,任何企业都可以购买特斯拉超充桩、贴上自己的品牌运营,特斯拉从中获得硬件、软件授权和后续服务三重收入。当一家公司同时控制着地面上的汽车、天上的卫星、工厂里的机器人和驱动这一切的芯片与算力时,它的竞争对手面对的不再是一家“车企”,而是一张无处不在的基础设施网络。现在,特斯拉开始向第三方售卖“白牌版”超充站:设备是你的,
实时数据库的诞生主要是因为现代工业制造流程及大规模自动化的发展,导致大量的数据需要集成和存储。世界上第一款实时数据库是美国的PI 系统(Plant Information System),即工厂信息化系统。
摘要:时序数据已成为数字经济时代核心资产,预计2026年占比超70%。面对传统数据库在时序数据处理上的性能瓶颈,电科金仓KESV92025数据库创新性提出"融合为体,AI为用"理念,通过多模数据一体化存储、智能分层存储、内置时序分析函数和AI集成等核心技术,有效解决了时序数据管理的三大痛点:存储成本与效率平衡、分析实时性要求、技术栈割裂问题。该方案已在智能制造预测性维护和智慧城
TDengine 的设计是基于单个硬件、软件系统不可靠,基于任何单台计算机都无法提供足够计算能力和存储能力处理海量数据的假设进行设计的。因此 TDengine 从研发的第一天起,就按照分布式高可靠架构进行设计,是支持水平扩展的,这样任何单台或多台服务器发生硬件故障或软件错误都不影响系统的可用性和可靠性。同时,通过节点虚拟化并辅以自动化负载均衡技术,TDengine 能最高效率地利用异构集群中的计算