当前位置：首页 > news >正文

InfluxDB和IotDB介绍与性能对比

news 文章来源：https://blog.csdn.net/yinjl123/article/details/129674026 2025/5/20 0:28:47

InfluxDB简介

InfluxDB 是用Go语言编写的一个开源分布式时序、事件和指标数据库，无需外部依赖。用于存储和分析时间序列数据的开源数据库。
适合存储设备性能、日志、物联网传感器等带时间戳的数据,其设计目标是实现分布式和水平伸缩扩展。
InfluxDB 包括用于存储和查询数据，在后台处理ETL或监视和警报目的，用户仪表板以及可视化和探索数据等的API。

InfluxDB是一个由InfluxData开发的开源时序型数据。它由Go写成，着力于高性能地查询与存储时序型数据。InfluxDB被广泛应用于存储系统的监控数据，IoT行业的实时数据等场景。

类似的数据库有Elasticsearch、Graphite、IotDB等。

InfluxDB优点

专为时间序列数据编写的自定义高性能数据存储。 TSM引擎允许高摄取速度和数据压缩
完全用 Go 语言编写。它编译成单个二进制文件，没有外部依赖项
简单，高性能的写入和查询HTTP API
插件支持其他数据提取协议，如Graphite，collectd和OpenTSDB
专为类似SQL的查询语言量身定制，可轻松查询聚合数据
标签允许对系列进行索引以实现快速有效的查询
保留策略有效地自动使过时数据过期
连续查询自动计算聚合数据，以提高频繁查询的效率

InfluxDB缺点

InfluxDB 的开源版本只支持一个节点。
开源版本没有集群功能,集群版本需要收费
存在前后版本兼容问题
存储引擎在变化

IotDB简介

Apache IoTDB 是用Java语言编写的, 是专为物联网时序数据打造的数据库，提供数据采集、存储、分析的功能。IoTDB 提供端云一体化的解决方案，在云端，提供高性能的数据读写以及丰富的查询能力，针对物联网场景定制高效的目录组织结构，并与 Apache Hadoop、Spark、Flink 等大数据系统无缝打通；在边缘端，提供轻量化的 TsFile 管理能力，端上的数据写到本地 TsFile，并提供一定的基础查询能力，同时支持将 TsFile 数据同步到云端。

IotDB优点

国产项目,现在国家大力推行自主研发,国产化. IotDB是清华自研时间序列数据库,Apache 孵化项目,2014年项目启动,2018年11月18号 iotdb 正式进入 apache 孵化器,成为中国高校首个进入 apache 孵化器的项目。
为用户提供数据收集、存储和分析等特定的服务
轻量级的结构、高性能和可用的特性，以及与Hadoop和Spark生态的无缝集成，满足了工业IoTDB领域中海量数据存储、高吞吐量数据写入和复杂数据分析的需求。
灵活的部署策略。IoTDB为用户提供了一个在云平台或终端设备上的一键安装工具，以及一个连接云平台和终端上的数据的数据同步工具。
硬件成本低。IoTDB可以达到很高的磁盘存储压缩比。
高效的目录结构。IoTDB支持智能网络设备对复杂时间序列数据结构的高效组织，同类设备对时间序列数据的组织，海量复杂时间序列数据目录的模糊搜索策略。
高吞吐量读写。IoTDB支持数以百万计的低功耗设备的强连接数据访问、高速数据读写，适用于上述智能网络设备和混合设备。
丰富的查询语义。IoTDB支持跨设备和测量的时间序列数据的时间对齐、时间序列字段的计算(频域转换)和时间维度的丰富聚合函数支持。
学习成本非常低。IoTDB支持类似sql的语言、JDBC标准API和易于使用的导入/导出工具。
与先进的开放源码生态系统的无缝集成。IoTDB支持分析生态系统，如Hadoop、Spark和可视化工具(如Grafana)。

IotDB缺点

目前只有单节点版本,不过集群版本马上要发布了
IoTDB TsFile 的结构，目前仅有 java 版本，资源占用方面对边缘轻量级设备不友好，限制了其在端/设备侧的应用。
存储上支持使用 HDFS 或本地盘，通过使用 HDFS 来存储可保证存储层高可用，但计算层没有进一步的高可用保障。

关系数据库VS键值数据库

关系数据库	键值数据库
单表列数上限: MySQL InnoDB 为1017列	可管理海量条时间序列
单表行数不易过多:小于1000万行	查询受限（表达能力低）如下:
水平、垂直分表；分库	按时间维度的查询,按值维度的查询,多序列的时间对齐查询

时序数据库

基于关系数据库	基于键值数据库	原生时序数据库	轻量级时序数据库
Timescale	opentsdbKairosDB	influxdb	IodDB
基于PG开发的插件	基于Hbase/Cassandra	基于LSM机制的时序库	工业领域千万条量级时间序列管理

时序数据自动分区	时序分区键	专属文件结构	单节点万亿数据点管理
查询计划做优化	定时任务构建索引	专属查询优化	单节点数十TB级时间序列数据管理
定制并行查询			支持Hadoop、Spark、Matlab、Grafana等多种生态
随着导入时间的增加导入速率不断下降	压缩比低，查询慢	长期历史数据查询性能下降	高效的数据持久化,丰富/低延迟的数据查询

InfluxDB和IotDB性能测试

测试配置

总数据量	1500 亿 points
client	10
group num	10
device num	100
sensor num	100
每个 sensor	1500 万 points
encoding	RLE
持续高压力写入测试。

测试结果

	elapseTime(h)	elapseRate(points/s)	accuTime(h)	accuRate(points/s)
IoTDB	25.5	1632058.82	13.2	3156988.07
InfluxDB	38.7	1077684.22	25.8	1617748.51

测试共生成 1500 亿个 points，InfluxDB 总耗时 38.7 小时，IoTDB 总耗时 25.5 小时。测试过程中，InfluxDB 和 IoTDB 都保持了平稳的插入速度，中途没有出现异常。

压缩性能

	占磁盘空间(G)	平均每个 point(B)
InfluxDB	627	4.49
IoTDB	180	1.29

InfluxDB 占磁盘空间为 IoTDB 的 3.5 倍。

监控项

	CPU usage(%)	系统盘 wRate(M/s)	数据盘 wRate(M/s)	net 流量(M/s)
InfluxDB	21.78	18.62	69.15	32.33
IoTDB	15.29	27.58	69.01	37.15

对于系统盘(SSD)的 IO 使用 blktrace 工具做的更详细的统计。在 benchmark 平稳运行时，采样 1 分钟的 IO 数据，统计结果如下:

	Q2C 平均耗时 (ms)	D2C 占比	BLKavg	IOPS	%util
InfluxDB	1.12	93.83%	521	88	4.4%
IoTDB	0.33	96.09%	207	1097	13.7%

其中:
Q2C:平均每个 IO 请求所消耗的时间;
D2C:IO 请求在 driver 和硬件上所消耗的时间;
Q2C = Q2I + I2D + D2C
BLKavg:平均每个 IO 请求处理的 block 数量;
IOPS:平均每秒处理的 IO 请求数;
%util:IO 设备的繁忙程度。
从上面的监控数据可以看到，对于每个 IO 请求的处理效率，IoTDB 是要优于 InfluxDB;但是
IoTDB 每秒钟处理了大量的 IO 请求，IOPS 过高。

可以关注IotDB开发者博客:https://blog.csdn.net/qiaojialin
IotDB开发者的博客地址