InfluxDB与TimescaleDB时序数据库对比

1. 核心架构

• InfluxDB
  专为时序数据设计的分布式数据库，采用**时间结构化合并树（TSM）存储引擎。数据模型基于时间线（Time Series）**组织：
  $$ \text{Measurement} + \text{Tag Set} \rightarrow \text{唯一时间线} $$
  标签（Tags）建立索引，字段（Fields）存储实际值，写入优化针对高吞吐场景。

• TimescaleDB
  基于PostgreSQL的时序关系型数据库，通过**超表（Hypertable）**实现时序管理：
  $$ \text{标准SQL表} \xrightarrow{\text{分区}} \text{按时间分块的Chunk} $$
  兼容完整SQL语法，支持ACID事务，利用PostgreSQL的生态扩展。

2. 查询能力对比

3. 性能指标

• 写入吞吐量
  InfluxDB在高频率写入场景（如每秒百万点）表现更优，TSM引擎压缩比达$1:10$。
  TimescaleDB依赖PG的写优化，单节点上限约$10^5$点/秒。

• 复杂查询
  TimescaleDB在多维度关联分析（如设备+地理位置+时间）显著占优，支持：
  $$ \text{JOIN} + \text{空间索引} + \text{时间分区} $$ InfluxQL对跨测量（Measurement）查询较弱。

4. 扩展性与运维

• 集群部署
  InfluxDB企业版支持水平扩展，开源版仅单节点。
  TimescaleDB通过PG分片方案（如Citus）实现分布式扩展。

• 数据保留
  两者均支持自动降采样（Downsampling）和保留策略（Retention Policy）。
  TimescaleDB额外提供分层存储（Tiered Storage），冷数据转储至对象存储。

• 监控生态
  InfluxDB深度集成Telegraf+Grafana，为监控场景优化。
  TimescaleDB兼容PG工具链（如pgAdmin, Promscale）。

5. 适用场景建议

• 选InfluxDB当：

  • 需要处理极高频率数据流（IoT传感器、实时监控）
  • 业务以简单聚合查询为主
  • 追求开箱即用的时序优化存储

• 选TimescaleDB当：

  • 需复杂分析（如关联业务数据）
  • 已投入PostgreSQL技术栈
  • 要求ACID事务或GIS空间计算

关键公式对比
存储压缩效率：
InfluxDB压缩率 $C_I \propto \frac{\text{时间戳冗余度}}{\text{列式编码}}$
TimescaleDB压缩率 $C_T \propto \frac{\text{PG TOAST压缩}}{\text{分区局部性}}$

-- TimescaleDB示例：创建超表
CREATE TABLE sensor_data (
  time TIMESTAMPTZ NOT NULL,
  device_id INT,
  temperature FLOAT
);
SELECT create_hypertable('sensor_data', 'time');

// InfluxDB示例：Flux脚本聚合
from(bucket: "iot")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "temperature")
  |> aggregateWindow(every: 1m, fn: mean)