15 倍提升 & 40 倍存储优化，TDengine 在领益智造的实践

作者：张红朋

小 T 导读：广东领益智造股份有限公司是全球领先的智能制造平台企业，致力于以技术先进、质量可靠为核心竞争力，为客户提供“一站式”精密智造解决方案，实现精密、美观、高品质、低成本于一体的终端产品。业务涵盖消费电子、医疗器械、汽车零部件等多个行业，凭借先进的研发与制造能力，领益智造与世界知名企业建立了稳固的战略合作关系，综合实力位居全球同行业前三强。

在对生产设备的 AOI 全检数据进行质量分析时，我们对关系型数据库做了很多预处理运算，但是在计算正态分布、盒须图、尺寸分析及原始数据查询上遇到了致命的性能问题。此前我们选择的数据库服务器已达到较高的硬件配置（1.5T 的内存、96 逻辑核的 CPU、全闪盘的专业存储），再想要通过提高服务器配置来实现响应速度的提升是非常困难的。即使数据库对查询做了相应的索引，选择一周的数据进行查询时，系统的响应时间仍然在 20 秒以上。

为了解决当下的问题，我们找了很多方案进行测试。首先使用 Hadoop 生成 10 亿的数据量进行查询的模拟测试，发现实时查询时的查询效率还没有关系型数据库好，因此排除了 Hadoop 替代方案。接着对杉岩的对像存储方案进行测试，因其对象存储的缘故，采用此方案的话才购买不久的服务器资源就无法使用了，同时还需要再投入软硬件费用，成本较高。

正当我们准备验证 ClickHouse 方案时，却在查询资料时无意中发现了 TDengine，查看官方的性能报告后，我们决定对其进行测试。我们下载了 2020 年的 TDengine 社区版进行测试，发现在写入、查询时的效率很惊艳，随即开始展开其与业务匹配度的评估，确认了在计算正态分布、盒须图、尺寸分析时的匹配度均很高，而这些问题恰好又是我们现在所急需解决的。

最终我们决定使用关系型数据库和时序数据库同时保存两份数据，以此来满足不同的业务场景。

一、经验分享

结合数据特点和使用场景，我们开始构建超级表，以其中一张表为例，数据模型创建如下：

create table t_qualityproductdetail (ftime TIMESTAMP,fqualityproductid BINARY(32),fpromachineid BIGINT,fjobnumber BINARY(50),fsn BINARY(250),value FLOAT,standard FLOAT,max FLOAT,min FLOAT,createon TIMESTAMP,fisok INT) TAGS (fproductid BIGINT,fprocessesid BIGINT,faiid BIGINT,fmachineid BIGINT,fresult INT,fcount INT)

在引入 TDengine 时首先面临的就是时间戳的问题。因为我们每一个产品在同一个时间点会有多个数据产生，且这些数据是在同一台机器上产生的，按照官方文档，在一个超级表中一台机器一个子表的方式会造成“只能存储最后一条数据”的问题，经分析后最终我们决定把表拆到每个检测点的粒度，以此方式解决了此问题。

但由此也带来了一个新的问题，那就是表数量超限。在 2.2 以前的版本上，官方建议超级表的数量不应超过 4 万个，而我们的产品、生产机台号、检测机台号外加检测点的集合，按计算会远大于 4 万个，我们也很担心在上线后会对性能造成较大影响，但所幸新的 2.2 版本没有这一限制了。

通过与官方的沟通，我们在使用过程中接触到了更多 TDengine 的特性，将其应用到业务中支持更多的时序数据场景，目前 TDengine 已经被应用在中间表预处理、良率计算、通过序列号查询产品实例的测点明细等业务中，其中在良率计算上还用到了一些小技巧，在此给大家做一下经验分享。

在良率计算逻辑调整上，关系型数据库中是通过子查询的关联来进行每台机器的良率计算，判断良品是通过一个 Fresult 进行判断，结果为 1（良品）、2（不良品）、3（重测），计算时采用以下方式：

select FProcessesID,FConmpyID,FMachineID,FProductID,FProMachineID,cast(FTime as date) FTime,FCount,count(0) FTotalCount,sum(case FRESULT when 1 then 1 else 0 end) FOKCount  from [T_QualityProduct] t0 WITH (nolock) where FTime  >=@currdate  and FTime <@currenddate group by FProcessesID,FConmpyID,FMachineID,FProductID,FProMachineID,cast(FTime as date),FCount

而 TDengine 不支持 case when 的运算，在处理时需要计算两次，先是通过以下方式来计算总数：

select FProMachineID,FCount,count(*) FTotalCount  from [T_QualityProduct]  where FTime  >=@currdate  and FTime <@currenddate group by FProcessesID,FConmpyID,FMachineID,FProductID,FProMachineID,FCount interval(1d)

然后再通过以下方式计算良品数量：

select FProMachineID,FCount,count(*) FOKCount  from [T_QualityProduct]  where FTime  >=@currdate  and FTime <@currenddate and FRESULT =1 group by FProcessesID,FConmpyID,FMachineID,FProductID,FProMachineID,FCount interval(1d)

算出结果后通过程序代码把上述多条件分组汇总的数据合并到一起。

以上这种计算方式有两个缺点，一是需要查询两次，效率不高；二是程序代码中需要做多条件的匹配汇总，代码改造工作量较大，效率低。经反复沟通后，最终我们决定增加一个 fisok 的 Int 类型的字段，良品用 1，其余用 0 来展示，经此改造后，代码和执行效率有了质的提升。可以直接使用以下的代码来实现查询：

select FCount, count(*) FTotalCount,sum(fisok) FOKCount，sum(fisok)/count(*) yeild  from [T_QualityProduct]  where FTime  >=@currdate  and FTime <@currenddate   group by FProcessesID,FConmpyID,FMachineID,FProductID,FProMachineID,FCount interval(1d)

最终我们使用此方式成功计算出了良率，且性能远高于关系型数据库，程序代码也不用改动。

二、效果展示

在 TDengine 成功上线接入后，我们将每日良率、线别机台良率、尺寸良率分析、正态分布、361 分析、盒须图、原始数据查看等业务都移到了 TDengine 中，而 TDengine 在实际业务中也展现出了如测试时所表现的高效性能。

1. 存储容量对比

1）某关系型数据库的数据空间和索引空间大小，QualityProductDetail 和 QualityProduct 两张表分别求和。

2）TDengine 通过在 CentOS 执行 du -sh /var/lib/taos 查看文件夹大小。

2. 查询效率对比

• 通过正态分布语句进行查询对比

1）5 天查询条件：FTime between '2021-06-21 00:00:00.000000' and '2021-06-25 23:59:59.999999' and FAIID=1693 and FProcessesID=1 and value<999 and FCount=1

2）3 月查询条件：FTime between '2021-06-01 20:00:00.000000' and '2021-09-01 19:59:59.999999' and FAIID=1693 and FProcessesID=1 and value<999 and FCount=1

• 查询效率对比详细测试数据

1）5 天数据

某关系型数据库——查询结果量 414,995 条，平均耗时 328.13 秒

TDengine——查询结果量 413,180 条，平均耗时 4.61 秒

2）3 个月数据

某关系型数据库——查询结果量 1,949,501 条，平均耗时 340.29 秒

TDengine——查询结果量 1,848,385 条，平均耗时 20.80 秒

通过以上的对比测试，我们发现在同等条件下，查询最近 5 天的数据，某关系型数据库平均耗时 328.13 秒，而用 TDengine 则平均耗时 4.61 秒，用时为原来的 70 分之一，查询效率提升了 70 倍，把数据拉长到 3 个月，效率也有 15 倍的提升。在我们正常的业务场景下，80%的情况会查询最近 7 天的数据，70 倍的查询效率提升也如实映射为正常业务环境下的表现。

我们使用原来的关系型数据库时，会建立大量的索引来提升查询速度，但发现进行原始数据查询计算时效率还是太低，响应时间以十秒为单位，故而采用了预处理的方案，把每日的良率提前按产品、机台进行混部，这样在查询时就可以有较快的查询速度，但同时也牺牲了空间和实时性。通过以上对比可以看出，在建好索引和中间表的情况下，同样的数据量级，某关系型数据库的空间使用是 TDengine 的 40 倍。

三、写在最后

伴随物联网技术终端和应用的跨越式发展，其背后巨大的市场空间和经济效益日益显现，作为一个大的技术趋势被科技企业广泛关注。在此背景下，TDengine 作为一款专为物联网大数据场景而生的时序数据库，它所展现出的高效性能和成本管控能力都非常惊艳，成为科技企业抓住物联网机遇的一个有力抓手。

目前我们已着手把稼动率的项目迁移到 TDengine 上，同时集团在 2021 年底把物联部门提升为一级部门，后续将会有更多的设备联机数据需要存储和分析。

✨想了解更多TDengine的具体细节，欢迎大家在GitHub上查看相关源代码。✨