2. 时序数据库核心能力拆解

工业时序数据库的选型，不能停留在“支持不支持”的功能清单层面，而要落到“在什么数据规模、什么查询模式下、达到什么量化水平”。本节把工业场景最关心的六项核心能力逐一拆开，给出定义、量化指标与可测量的评估口径，最终形成一套可打分的选型指标体系。

一、写入吞吐：先看稳态，再看峰值与乱序

写入吞吐指单位时间内成功持久化的数据点数，工业场景常用“点/秒（points/s）”或“测点·秒/秒”衡量。评估时不能只看单机峰值，要区分三个口径：稳态吞吐（连续写入 1 小时以上的平均速率）、突发吞吐（如产线启停时 10 秒内的高密度写入）、乱序写入能力（补传历史数据、网络抖动导致的迟到数据）。

一个可复现的评估方法：以 10 万测点、1 秒采集周期构造负载，即稳态写入约 10 万 points/s，持续写入 2 小时，记录写入延迟 P99、失败率与磁盘增长量；再注入 5% 的乱序数据（时间戳回退 30 秒至 5 分钟），观察写入是否被拒绝、是否触发合并放大。判断依据建议为：稳态写入延迟 P99 小于 50 ms、失败率为 0、乱序数据可正常落盘且不显著拖慢正常写入。

二、压缩效率：用压缩比与查询代价共同衡量

压缩效率通常用压缩比表示：原始数据字节数 ÷ 落盘后字节数。工业数据具有强规律性，整型状态量、缓变模拟量、布尔量压缩比差异极大。评估时必须按数据类型分层测试，而不是只报一个总体数字。

例如，某示例场景中，1 亿个 float64 模拟量点原始约 800 MB，若落盘后为 80 MB，则压缩比约 10:1；同规模的布尔量原始约 100 MB，落盘后可能仅 2 MB，压缩比约 50:1。但压缩比越高，往往意味着编码越复杂，点查或随机区间查询的解压代价越高。因此建议同时记录压缩比与解压后查询延迟，避免“省了磁盘、慢了查询”。

三、时间窗口查询：范围、聚合与返回规模

时间窗口查询指给定时间区间与测点集合，返回原始点或聚合结果。工业场景的典型模式包括：单测点最近 1 小时原始曲线、多测点某班次最大值/最小值/平均值、跨设备对比某时间窗口的均值。量化指标应包含：扫描点数、返回点数、查询延迟 P95/P99、并发查询数。

评估时建议固定三类查询：① 单测点 1 小时原始点（约 3600 点）；② 100 测点 24 小时按 1 分钟聚合（约 14.4 万点）；③ 1000 测点 7 天按 1 小时聚合。分别记录延迟与资源占用。若第二类查询 P95 超过 2 秒，通常说明索引或分区裁剪不足，需要进一步检查时间分区粒度与测点索引设计。

四、降采样与连续查询：把计算前移

降采样指将高频率原始数据按固定时间粒度聚合为低频率结果，如 1 秒原始点降为 1 分钟均值。连续查询则是数据库按计划自动执行的降采样任务，把结果写入目标表，供长期查询使用。二者共同解决“原始数据太大、长期查询太慢”的问题。

量化指标包括：降采样粒度（1s→1min、1min→1h）、聚合函数支持（avg/max/min/sum/count/first/last）、连续查询调度延迟（从窗口结束到结果可查的时间）、结果一致性（迟到数据是否触发重算）。工业场景中，若连续查询调度延迟超过一个采集周期，就可能影响实时看板。建议将“窗口结束后 10 秒内结果可查”作为示例验收线。

五、数据保留策略：分级存储与自动过期

数据保留策略定义数据在库中的生命周期，通常按“原始数据保留 N 天、降采样数据保留 M 月、归档数据保留 Y 年”分级。量化指标包括：保留粒度（按表、按测点、按时间分区）、过期删除方式（分区 drop 还是逐行 delete）、删除对写入的影响、冷热分层能力。

评估时要特别关注删除方式：按时间分区整体 drop 通常秒级完成且不影响写入；逐行 delete 可能产生大量墓碑记录，拖慢查询与压缩。建议在测试中模拟“保留 30 天原始数据”，观察第 31 天过期删除的耗时与写入延迟抖动。

六、选型评估指标体系

把上述能力整合为可打分的指标体系，建议按权重分配：写入吞吐 25%、压缩效率 15%、时间窗口查询 20%、降采样与连续查询 15%、数据保留策略 10%、运维与生态 15%。每项按 1～5 分打分，乘以权重后汇总。下表给出一个示例评分表，实际使用时可根据项目优先级调整权重。

这套指标体系的价值在于把“感觉快”“看起来省”转化为可复现、可比较的数字。实际选型时，先明确项目对写入规模、查询模式、保留周期的硬约束，再按权重打分，避免被单一亮点指标带偏。