TDengine 数据库建模最佳实践

核心建模原则

一个数据采集点一张表 ：每个数据采集点（如传感器、设备）对应一张子表，存储其时间序列数据；同类型数据采集点通过 “超级表”（Stable）进行逻辑聚合管理。超级表定义表结构（时间戳 + 采集指标列）和标签（静态属性，如设备型号、位置），子表通过继承超级表并指定标签值创建。

建模方式选择

多列模型

• 适用场景 : 相同类型设备采集指标完全相同、各指标同时采集（时间戳一致）、数据同一消息上报。

• 建模方法 : 为设备类型创建多列超级表（时间戳 + 各采集指标列），为每个设备创建子表（继承超级表，子表列对应采集指标）。
  扩展场景（采集指标不完全相同） ：若设备有少量个性化指标（总列数≤4096，建议≤500），创建包含所有指标的 “大宽表” 超级表，子表中不具备的指标填 NULL。

单列模型

• 适用场景 ：设备采集指标不固定 / 个性化指标总数 + 共有指标＞1024、各指标采集时间戳不同、数据分消息上报。
• 建模方法 ：创建单列超级表（时间戳 + 采集值），标签增加 “采集指标 ID”；每个设备的每个指标单独创建子表，不同数据类型（数值 / 布尔 / 字符串）分不同超级表。

多列与单列模型对比

• 多列模型 ：插入 / 存储效率更高，适合固定指标、同时间戳采集的场景。
• 单列模型 ：灵活性更高，适合指标频繁变化、不同时间戳采集的场景。

标签与查询优化

• 标签支持事后增删改，建模时可先不确定分析维度；标签可设计为树状结构（如 “北京・朝阳・望京”），缩小查询范围。
• 超级表支持通过标签过滤（如WHERE loc=“BJ.chaoyang”），实现多维分析。

数据分层设计

• 贴源层 ：数据模型与数据源（如设备上报格式）1:1 对齐，简化采集流程。
• 整合层 ：对贴源层数据进行时间戳对齐、关联整合、汇聚转换，衔接采集与应用需求。
• 访问层 ：按业务主题（如车间、产品线）分类建模，支持实时监控与批量查询。

分库分表原则

分表条件 ：列数＞4096、列间无关联需联合查询、采集频率不一致。
分库条件 ：采集点采集频率相差百倍以上、不同库采集点无业务关联。

边界限制

• 表名：仅支持英文字符、数字、下划线，不允许数字开头，不区分大小写。
• 列限制：每行最多 4096 列（建议≤200 列），总长度≤64KB；SELECT 结果最多 4096 列。
• 标签限制：最多 128 个标签，标签值总长度≤16KB。

关键注意事项

• 标签与子表 ：鼓励多使用标签（最多 128 个）和子表（百万级子表属正常），避免单表管理所有数据
  。
• 数据类型优化 ：能设为int类型的标签 / 指标，避免使用字符串
  。
• 资源规划 ：子表数量大时需多分配虚拟节点（vnode），避免百万级子表仅用 2 个 vnode。

总结

TDengine 建模需根据设备类型、指标特性（是否固定、时间戳是否一致）选择多列或单列模型，通过超级表管理同类型设备，合理分库分表，并利用标签优化查询效率；同时可结合数据分层设计满足采集与应用需求。

关于 TDengine

TDengine 是一款专为物联网、工业互联网等场景设计并优化的大数据平台，其核心模块是高性能、集群开源、云原生、极简的时序数据库。它能安全高效地将大量设备每天产生的高达 TB 甚至 PB 级的数据进行汇聚、存储、分析和分发，并提供 AI 智能体对数据进行预测与异常检测，提供实时的商业洞察。