数据模型概述

1. 现实世界数据形式

数据库最终存储的是数据，所以首先要知道现实世界中时序数据都包括哪些，形式是怎样的。

时序数据最基本的信息就是指标。如下所示：

27.5
27.6
27.3
......

但是只有指标还不行，因为指标只是一堆数值，这些数值又是什么含义呢？这就引出了另外一个维度，指标名。指标名即指标的含义，如：温度、转速、湿度等等。

所以，重建模后的时序数据如下所示：

温度：27.5℃
温度：27.6℃
温度：27.3℃
......

有了指标名和指标值后，又带来了新问题，即该指标是什么时间的值。因为时序数据就是基于时间序列的数据，没有时间的话是没有意义的。每个指标值都是某个时间点的采集结果，所以还要带有时间戳信息。

所以，更新后时序数据如下所示：

时间：2021-11-16 13:57:13，温度：27.5℃
时间：2021-11-16 13:57:14，温度：27.6℃
时间：2021-11-16 13:57:15，温度：27.3℃
......

有了时间，还剩最后一个问题，即该指标是谁发来的。指标数据由采集设备产生，而采集设备本身又会带有许多标识与标签，所以时序数据完整的形式如下：

气象传感器，型号1，编号0001，北京市，怀柔区，时间：2021-11-16 13:57:13，温度：27.5℃
气象传感器，型号1，编号0001，北京市，怀柔区，时间：2021-11-16 13:57:14，温度：27.6℃
气象传感器，型号1，编号0001，北京市，怀柔区，时间：2021-11-16 13:57:15，温度：27.3℃
......

2. 数据存储模型

知道了时序数据的形式后，下面需要考虑时序数据如何存储。目前，时序数据存储方案概况起来又两种：

关系模型
非关系模型

2.1 关系模型

关系模型基于传统的关系型数据库。在关系模型中，需要先定义模式，即数据表。表的模式确定下来后，修改成本较高。以刚才的时序数据为例，在关系模型中，可以建如下模式的数据表：

设备标识	温度	风力	湿度	时间戳
气象传感器，型号1，编号0001，北京市，怀柔区	29.2	3.2	55	2021-11-16 13:57:13
气象传感器，型号2，编号0010，上海市，崇明区	21.5	8.5	35	2021-11-16 13:57:13

MatrixDB采用的是关系模型。

2.2 非关系模型

非关系模型通常使用Key-Value模式，将指标值作为Value，其他的作为Key。以刚才的时序数据为例，在非关系模型中，可以按如下方式存储：

Key	Value
气象传感器，型号1，编号0001，北京市，怀柔区，时间2021-11-16 13:57:13，温度	29.2
气象传感器，型号1，编号0001，北京市，怀柔区，时间2021-11-16 13:57:13，风力	3.2
气象传感器，型号1，编号0001，北京市，怀柔区，时间2021-11-16 13:57:13，湿度	55
气象传感器，型号2，编号0010，上海市，崇明区，时间2021-11-16 13:57:13，温度	21.5
气象传感器，型号2，编号0010，上海市，崇明区，时间2021-11-16 13:57:13，风力	8.5
气象传感器，型号2，编号0010，上海市，崇明区，时间2021-11-16 13:57:13，湿度	35
......

非关系模型的时序数据库代表产品有：OpenTSDB、InfluxDB等。

2.3 存储模型对比

关系模型与非关系模型对比起来有如下差别：

关系模型中不同采集指标存储在一起，便于一起分析；非关系模型则分散存储
非关系模型Key中存在大量冗余信息，相同时间相同设备的回传数据中，除了指标名不同外，其他都是相同的，浪费存储空间
关系模型模式固定，设备增加新采集指标时需要改表，成本较高；非关系模型则无此问题