一、什么是时序场景？⏳

时序场景的核心的就是围绕时间维度做文章——按指定间隔采集记录数据并存储，就像温度传感器每秒都会记下当前温度一样。而且这类场景往往有明确的查询分析需求，还带着几个鲜明特点：

• 数据量超大：设备多、指标杂、采集频率高，得能支撑海量设备和指标的并发处理；
• 数据持续流入：秒级、分钟级的实时数据不断入库，对接收能力是不小的考验；
• 查询要高效：既要能快速搞定特定时间段的连续聚合查询（比如查过去一周某设备的运行数据），也得支持各类专项分析查询，响应速度得跟上；
• 成本要可控：时序数据有时效性，过了一定时间就没那么大价值了。所以数据压缩、冷热数据分离这些功能必不可少，能大大降低存储成本。

我们的目标，是成为世界卓越的数据库产品与服务提供商！🌟

二、丰富的应用场景 🌐

时序数据库的应用范围广，几乎覆盖了多个关键行业和领域：

（一）核心应用方向

• 实时分析与流式数据处理：金融交易、用户行为事件流、点击流分析这些场景，都需要在数据到达的瞬间就做复杂统计分析。就拿股票交易来说，数百万条行情数据点能被秒级聚合计算指标，直接为实时决策系统提供支撑。根据Gartner报告，到2025年，全球超过80%的金融交易系统都会采用高并发时序数据库；
• 工业控制与大数据存储：工业控制系统里，大量传感器和日志产生的海量数据，既需要可靠存储，也得支持长期趋势分析；
• 高基数型数据管理：智慧城市里成千上万个交通传感器、物流追踪中每件商品的状态变化——这类需要跟踪大量独立实体时间序列数据的场景，时序数据库都能hold住，像智慧城市、车联网、供应链跟踪等领域都能用；
• 混合负载场景：有些场景既要处理事务性写入，又要做分析性查询，比如线上游戏运营。一方面要持续记录玩家在线数、操作日志等行为事件，另一方面还得定时统计在线人数、行为频次，帮运营团队做决策，时序数据库就能完美适配这种边写边分析的需求。

（二）各行业具体用途

市场	用途
金融	管理交易数据、市场数据，支撑风险管理、合规监控和投资决策
电信	实时监控分析网络性能、用户行为和设备状态，优化网络资源分配、提升服务质量
制造	监控生产设备状态、分析生产数据，助力智能制造和预测性维护
能源	监测能源消耗、优化能源分配，提高能源利用效率
其他	在智慧城市、医疗健康等领域也有广泛应用

三、时序产品市场规模与竞争格局 📈

（一）市场规模

2024年，全球时序数据库市场规模已经达到3.88亿美元。随着物联网和云平台的兴起，时序数据规模正以前所未有的速度爆发式增长——依托海量传感器的智能硬件、智能制造，再加上云数据库本身具备的高成本效益、强大数据处理能力和高灵活性，越来越多客户开始青睐这类解决方案。

（二）全球主流产品市场份额

产品	应用领域	全球市场份额
InfluxData	物联网和DevOps	20%
Oracle TimesTen	金融、电信等行业	15%
IBM InfoSphere TimeSeries	金融、电信等行业	10%
亚马逊AWS	云	25%
微软Azure	云	15%
谷歌Cloud	云	10%

（三）竞争格局

时序数据库行业发展势头迅猛，吸引了众多企业入局，市场参与者越来越多。有意思的是，商业模式上呈现出明显的国内外差异：国外以开源为主，国内则偏向商业路线。

• 国内开源时序数据库代表：Tdengine、openGemini、CeresDB等；
• 国内商业时序数据库代表：KaiwuDB、DlhinDB、UTSDB、TimeLyre等。

截止2025年6月，全球时序产品数量为41个，较上年同期减少14个；中国时序产品数量17个，较上年同期有显著增长。

（四）国内主要厂商及产品特点

厂商	产品	部署方式	商业模式
浪潮云嘉	-	-	商业
-	-	分布式	商业
清华大学	Apache loTDB	分布式/集中式	商业/开源
西安索思信息科技有限公司	SourceDB openGemini	-	-
诺司时空	CnosDB	分布式/集中式/云原生	商业/开源
格睿科技	GrepttimeDB	-	商业/开源
四维纵横	YMatrix	分布式	-
紫金桥软件	RealHistorian	分布式	-
-	GoldenData	集中式	商业
优刻得	UTSDB	集中式	商业
-	-	集中式	-
亚控科技	KingHistorian	-	-

四、金仓时序数据库（KES）现有产品情况 🚀

（一）强大的数据迁移能力

KES支持多种数据源的迁移，不管是国外主流数据库、国产数据库，还是时序数据库、消息队列、大数据平台、分布式数据库，大多都能实现源端到目标端的顺畅迁移。

1. 主流数据库迁移支持

类别	数据源	源端	目标端
国外交易型数据库	Oracle	支持	支持
	SQL Server	支持	支持
	MySQL/MariaDB	支持	支持
	DB2	支持	支持
	Informix	支持	支持
	PostgreSQL	支持	支持
	Sybase	支持	N/A
NoSQL	MongoDB	支持	N/A
	ElasticSearch	支持	支持
	Redis	支持	支持
国产交易型数据库	KinbgaseES	支持	支持
	DM	支持	支持
	Gbase8s	支持	支持
	Oceanbase	支持	支持
	PolarDB	支持	支持
	openGauss	支持	支持
	Vastbase	支持	支持
	PanWeiDB	支持	N/A
	AntDB	支持	支持

2. 时序数据库、消息队列等迁移支持

类别	数据源	源端	目标端
消息队列	Kafka	支持	支持
	RabbitMQ	支持	支持
	RocketMQ	支持	支持
时序数据库	OpenTSDB	支持	N/A
	InfluxDB	支持	N/A
	TDengine	支持	N/A
大数据	星环 Inceptor/ArgoDB	支持	N/A
	Hive	支持	支持
分布式数据库	TDSQL	支持	支持
	KADB	支持	支持
	Greenplum	支持	支持
	Clickhouse	支持	支持
	Gbase8a	支持	支持
	华为DWS	支持	支持

注：标红为新支持项

（二）全面的工业化接口

KES兼容所有主流工业化接口，支持多种工业级数据传输协议，像OPC-UA、modbus、mqtt、http、Websocket等，能轻松对接终端设备、芯片、采集代理、日志、监控分析平台、程序等各类终端和系统，数据传输无障碍。

（三）亮眼的性能优化

• 集群数据插入速度飙升：支持预定义子表，完美解决集群多节点插入时的分区阻塞问题，多个节点能并行插入数据，实现线性插入效率；
• 数据更新性能大幅提升：数据在压缩状态下也能直接更新，更新性能一下子提升了50%；
• 并行创建时序分区：支持在节点间并行创建时序分区，进一步提升整体处理效率。

（四）实用的冷热数据分离

满足指定条件的数据，会自动移动到不同的表空间，既保证了热点数据的访问速度，又能合理利用存储资源，降低整体存储成本。

（五）完善的sharding集群监控运维

支持单机、RWC部署，还完善了sharding集群监控功能：不仅完成了多节点集群的运维指南，Kemcc也支持sharding和kwc，能实现对sharding集群和kwc集群的全面监控运维。

（六）典型案例：海洋观测监测系统信创升级 🚢

1. 项目基本情况

2024年，该项目对预警报产品制作发布系统、智能网格海上突发应急决策系统进行信创升级改造，以满足海洋观测监测能力使用需求。

2. 业务规模

• 涉及船舶12-15万艘，12-15万台终端定位数据；
• 日峰值写入3000万条数据，预估3年需支持300亿条定位数据的查询分析。

3. 架构升级

• 原系统：Intel芯片 + Redhat操作系统 + 5节点GP数据库；
• 新环境：x86 + 统信UOS操作系统 + 3节点KES Sharding。

4. 用户核心痛点

• 痛点1：新增数据压力大，历史数据容量高，写入和统计都需要横向扩展方案支撑；
• 痛点2：平台未来会接入更多数据，需要灵活的扩展能力。

5. 金仓解决方案

• KES Sharding方案提供数据写入吞吐量、容量和查询的全方位扩展能力；
• 5节点（32VCPU/64G）分片，最高可支持1.5亿/天的1KB数据写入；
• 按年查询涉及5个节点共100亿行数据的某一范围船舶信息，能实现毫秒级响应；
• 总体性能表现超过GP数据库及其他竞争对手。

6. 核心价值呈现

• 高性能：5节点100亿条数据，毫秒级响应；
• 灵活扩展：依托Sharding分片技术，轻松应对业务增长；
• 大数据量写入：1.5亿/天的1KB数据写入能力，满足高并发需求。

五、金仓时序数据库面临的形势 📋

（一）核心能力对比

能力	描述	Kingbase表现
数据类型	支持数值、字符时间、布尔、枚举等数据类型存储；支持GIS	都支持，包括SQL中所有类型
数据模型	采用国产数据库产品，支持树形物联网模型管理时序数据，支持灵活增删，树形结构的路径不少于20层（尽量测试到极限高于20层），创建设备模板并在数据写入时动态扩展模板	不支持
数据写入	1. 写入性能：每秒最大可支持千万级时指标点写入；2. 支持的数据采集容量：支持数据库容量不低于200万点（尽量测试到极限可高于200w点）；3. 支持实时/历史数据并发写入，支持批量数据写入，支持时间随机乱序历史数据写入；4. 支持缓存、断点续传，支持edge版本；5. 支持数据补充	1. 单机支持秒级千万行指标；2. 原则上不限制；3. 支持；4. 不支持；5. 支持
查询	1. 提供常用的SQL查询、基于时间的聚合查询；2. 支持关系数据和时序数据混合存储和处理分析，多表关联；3. 支持时空联合查询；4. 支持特定高级查询	1. 支持；2. 支持；3. 支持；4. 不支持
事务	支持事务，支持ACID	支持
访问接口	SQL	支持
数据存储	1. 支持冷热数据分级存储；2. 支持生命周期管理，支持历史数据的滚动删除；3. 支持基于字段类型匹配压缩算法，支持有损和无损压缩，压缩比1:40	1. 支持；2. 支持；3. 压缩比可以到5:1到10:1
可扩展性	1. 支持计算/存储分离架构，可根据业务负载在线灵活添加/删除计算节点/存储节点；2. 支持sharding，支持数据分片和负载均衡机制，实现系统数据容量和性能的线性伸缩	1. 支持；2. 支持
支持的工业协议	OPC DA、OPC AE、OPC UA、MODBUS TCP、Modbus RTU、IEC-101、IEC 104、CDT、BACNet、WebService、SQL、RestAPI、MQTT	支持较少
其他	1. 支持流批处理，支持流数据、批处理数据的集成；2. 支持数据迁移（支持业界主流时序数据库的迁移：influxdb、tdengine、opentsdb）；3. 安全：支持采集点的策略；4. 支持订阅同步（支持异构数据库集群和时序数据库集群间的数据双向实时同步）	1. 支持；2. 支持；3. 不支持；4. 支持

（二）竞品核心指标对比

对比项	二级对比项	KES_TSDB	TDengine	influxdb	IotDB
监控指标容量	采集点	亿级	亿级	百万级	千万级
数据加载	每秒多少指标项入库	单机千万级	单点百万级，集群千万级	秒级百万指标	单机千万级，集群亿级
存储-压缩算法	一级压缩算法个数	7	7	8	9
	二级压缩算法个数	1	5	2	5
时序查询能力	聚集查询	SQL支持完全	SQL不完整	SQL不完整	类SQL
	分析函数	45	25	12	23
	时序函数	10	11	5	9
扩展性	分布式	支持	支持	支持	支持
TSDB性能	数据加载吞吐	1240892	持平	261858	1340979
	数据读取吞吐	2402	低一些，还在分析	1063	3625
AI能力	基本机器学习和大模型能力	目前最成熟	刚起步	-	-
工业化协议	Modbus TCP	支持	支持	支持	支持
	OPC UA	支持	支持	不支持（老协议）	支持
	OPC DA	支持	支持	支持（通过taosExplorer支持）	支持
	Modbus RTU	支持	支持	支持	支持
	Modbus Ascii	支持	支持	支持	支持
	BACnet/CDT	不支持	不支持	不支持	不支持
	IEC101/IEC104	不支持	支持（支持PI系统作为数据源，PI系统支持IEC）	不支持	不支持

（三）竞品性能测试对比

1. 场景一：模拟Tdengine官网公开测试场景

• 服务器配置：x86架构虚拟机，CPU 4核，内存 4G，硬盘 245M HDD；
• 测试工具：TSBS 50 works；
• 数据模型：devops场景模拟10台设备，产生24小时数据，共7776000条记录数据，实际查询中只有cpu（864000 rows）和tags（10 rows）表参与查询。

场景说明	KES执行结果	Tdengine执行结果
所有数据，8标签，查询1个max(字段)	3843.84ms	1010ms
所有数据，8标签，1小时为粒度，查询1个max(字段)	5252.61ms	12020ms
12h数据，8标签，10min为粒度，查询1个max(字段)	3705.47ms	6720ms
1h数据，8标签，1min为粒度，查询1个max(字段)	565.60ms	1980ms

差距说明：场景1在测试环境下KES版本CPU占有率达到满负荷，Tdengine官网测试报告中提到Influxdb也有同样现象。

2. 场景二：模拟第三方测试榜单benchANT官网公开测试场景

• 服务器配置：x86架构虚拟机，CPU 4核，内存 4G，硬盘 245M HDD；
• 测试工具：TSBS 50 works；
• 数据模型：DevOps标签1000，查询类型：single-groupby-1-1-1；
• 数据规模：3天，插入批次：1000。

场景说明	KES	InfluxDB v1.8.10	IotDB v1.2.1	Timescale DB v2.7.0
WRITE THROUGHPT（秒级）	1240892	261858	1340979	1243999
READ THROUGHPT（秒级）	2402	1063	3625	116（数据明显不合理，暂不比较）

结果分析：该场景下KES与IotDB在读写吞吐量上存在一定性能差距，但表现优于InfluxDB。

3. 场景三：插入性能摸底测试

• 服务器配置：x86架构，CPU 64核，内存 512G，硬盘 245T HDD；
• 测试工具：TSBS；
• 数据模型：“cpu-only”，标签数=10，固定设备数目scale=100，间隔为1s，连续3天的数据，合计25920000条；
• 测试目标：探究tsbs_load_timescaledb插入工具workers、chunk-time、batch-size这几个变量对插入性能的影响。

（1）chunk-time对写入性能的影响

chunk-time	子分区数	写入性能 (metrics/sec)
0.25	288	4068699.04
0.5	144	6785639.00
1	72	11952295.53
10	8	11735843.34
100	1	11949829.53

（2）workers对写入性能的影响

workers	写入性能 (metrics/sec)
1	2927236.74
12	12380815.40
24	12483463.38
240	4156468.63

（3）batch-size对写入性能的影响

batch-size	写入性能 (metrics/sec)
360	8870846.32
3600	11158004.53
36000	12195698.97
360000	6457407.20

（4）测试结论

• workers：随着workers参数数目增加，写入速度会加快，但设置过多反而会导致性能下降；
• batch-size：随着batch-size参数数目增加，写入速度会加快，但过度设置也会影响性能；
• chunk-time：随着chunk-time参数数目增加，子分区数量减少，每个子分区容纳的数据更多，写入速度也会加快。

当前配置下，当workers为24、插入批次为36000、不建立任何索引时，写入速度最快，可达到千万级别（12740848.69 metrics/sec，即1274084.87 rows/sec）。

（四）竞品AI能力对比

产品	AI能力	技术特点	用户接口
KES_TSDB	pgai，需要使用Openai API KEY、postgresML	支持训练和推断，需要使用SQL函数自己训练模型	支持超过47个分类和回归算法，支持大模型，支持NLP任务，支持向量检索
TDengine	TDgpt，taosd适配的外置式时序数据分析智能体	内置Statsmodel、Pycularity等经典统计分析模型库，内嵌了Pytorch/Keras等深度学习框架，还可以通过请求转发直接调用涛思时序大模型TDtsfm	1. 时序数据异常检测；2. 时序数据分析预测；3. 时序数据补全；4. 时序数据分类（文档说明开发中，2025年12月发布）；5. 用户自定义分析算法
IoTDB	内置AI能力，使用SQL语句能完成机器学习模型管理与推理完整流程	-	1. 时间序列预测；2. 时序异常检测；3. 时间序列标注
influxdb2.x	-	-	-

（五）竞品分析总结

vs	应用场景	对方优势	KES优势	评价
influxdb	监控测量、轻量级数据量	生态成熟，WEB界面工具体现好	采集点数量不限制，数据加载吞吐高，支持更新和事务，SQL支持更友好	可以替代
tdengine	物联网、工业互联网、车联网、IT运维，轻量级数据量（蔚来汽车、海尔、地震台等）	一体化架构（内置缓存、流计算、消息队列），云边计算，安全模型，时序大模型	SQL支持更优化，窗口函数和分析函数更完整，查询效率更高，支持多模态融合查询	基本场景可以满足
IoTDB	原生物联网场景，工业制造、能源电力、高端装备等	工业协议集成好，学术界影响力较好，数据加载和读取吞吐都较好	SQL支持更好，窗口函数和分析函数更完整，查询效率更高，支持多模态融合查询	基本场景可以满足

六、时序行业技术发展趋势 🔮

• 存储技术持续升级：面对越来越庞大的数据量，分布式存储、内存数据库会得到更广泛的应用，同时更高效的索引和查询优化算法也会不断涌现；
• 预测分析成核心方向：趋势预测、异常检测、模式识别这些预测分析能力，会成为时序数据库技术的重要发展方向。到2025年，超过60%的企业都会用预测分析来指导业务决策；
• 量子计算与边缘计算发力：量子计算有望在数据加密、优化算法等方面带来突破性进展；而边缘计算能把数据处理放到数据产生的源头，大大减少数据传输延迟。根据麦肯锡研究，到2025年，全球超过50%的数据都会在边缘设备上进行处理。

七、金仓时序数据库未来研发规划 🛣️

（一）产品三年规划总览

时间	产品能力	应用场景	目标替代市场	竞争力变化	宣传点（控标点）
2026年6月	分析能力增强，压缩和IotDB持平	高基数型数据管理、物联网、工业控制	tdengine、influxdb、IotDB	数据加载和数据读取吞吐高	加载和查询效率高，分析查询全面
2026年12月	支持云边协同，补充timescaledb 2.18+的功能	混合负载场景	dolphindb、timescaledb	优化云上集群版本的性能（包括IO优化）	成本低廉
2027年	实时计算，时序大模型，异常检测、趋势分析	实时分析与流式数据处理	-	集成流批方案	内核级多模数据融合
2028年	采集点权限控制，产品生态成熟，界面易用	几千万以上的监控指标，关注存储成本；工业控制、智慧xx厂等有智慧终端的所有场景	-	-	无限监控指标

（二）产品能力分阶段规划

产品能力	2026年6月	2026年12月	2027年	2028年
存储	支持常用压缩算法snappy压缩	支持列存	-	-
写入	支持AIO	-	-	-
查询	-	支持趋势分析能力、预计算、向量计算	时序分析模型	实时计算
部署架构	-	-	支持云边协同（项目驱动）	-
生态	-	支持hadoop等平台对接，与分析生态产品集成	-	支持流批
安全	-	-	支持采集点安全控制	-
高可用	sharding整体的备份恢复	-	-	-
其他	1. 增强界面易用性（vs influxdb）；2. 完成插件重构；3. 第三方测试：TSDB读写负载高	1. 通过信通院的时序标准测试；2. 第三方测试：成本最低	-	-

---

金仓：www.kingbase.com.cn