InfluxDB 应用场景与使用指南

InfluxDB 是当今最受欢迎的开源时序数据库之一，在物联网、DevOps监控、金融交易等领域得到广泛应用。本文将从基本概念、功能特点、应用场景、技术架构、竞品对比以及具体使用方法六个维度，为你全面解析 InfluxDB 的技术内涵

InfluxDB 是当今最受欢迎的开源时序数据库之一，在物联网、DevOps 监控、金融交易等领域得到广泛应用。本文将从基本概念、功能特点、应用场景、技术架构、竞品对比以及具体使用方法六个维度，为你全面解析 InfluxDB 的技术内涵与实践价值。

一、InfluxDB 基本概念

1.1 定义与产品定位

InfluxDB 是一个专为时间序列数据设计的开源时序数据库，由 InfluxData 公司开发，使用 Go 语言编写(4)。其核心使命是高效处理时间戳数据，能够管理高容量、高速率的时间序列数据而不牺牲性能(7)。

从技术定位来看，InfluxDB 属于时序数据库（Time Series Database, TSDB）类别，这类数据库专门针对按时间顺序记录的数据点进行存储和管理(126)。与传统关系型数据库相比，InfluxDB 在设计理念上有根本性差异：它以时间为第一要素，所有数据都围绕时间戳进行组织和索引，而非传统的主键或外键关系(38)。

InfluxDB 的产品定位经历了从监控工具到通用时序数据库的演变。最初由 Paul Dix 和 Todd Persen 在 2012 年创立 Errplane 公司时，目标是构建一个类似 Datadog 的 SaaS 监控平台。但在开发过程中，他们发现几乎所有监控、APM、指标分析公司都在重复开发自己的时序数据库，意识到这是一个可以标准化的基础架构需求(19)。

1.2 发展历程与版本演进

InfluxDB 的发展历程可以分为四个重要阶段：

初创期（2012-2013）：2012 年 6 月，Paul Dix 和 Todd Persen 共同创办 Errplane 公司(15)。2013 年，他们基于在 Errplane 开发过程中积累的经验，将后端时序数据库作为独立项目开源，推出 InfluxDB 0.0.1 版本(12)。

成长期（2014-2016）：2014 年推出 InfluxDB 2.0，引入数据模型和存储结构的改进(12)。2015 年，Errplane 正式更名为 InfluxData Inc.(13)。2016 年 9 月，InfluxDB 1.0 正式发布，同时完成了 1600 万美元的 B 轮融资(14)。同年推出 InfluxDB Cloud，提供基于云的数据存储和分析服务(12)。

商业化探索期（2017-2023）：InfluxDB 在 2016 年早期因商业化压力，将集群和高可用性功能改为商业授权(29)。这一时期推出了多个重要版本，包括 2019 年发布的 InfluxDB 2.0，引入了 Flux 查询语言和新的数据模型(18)。

架构重构期（2024-2025）：2025 年 1 月，InfluxDB 3.0 正式发布，这是一次重大的架构重构。新版本采用 Rust 语言重写，基于 FDAP 技术栈（Flight、DataFusion、Arrow、Parquet）构建(144)，分为开源的 InfluxDB 3 Core 和商业的 InfluxDB 3 Enterprise 两个版本(25)。

1.3 开源属性与许可证

InfluxDB 的开源策略经历了从完全开源到分层开源的转变。目前的许可证结构如下：

InfluxDB 3 Core：采用 MIT/Apache 2.0 双重许可证，完全开源(25)。这是一个单节点时序数据引擎，专为实时用例设计，支持查询最近 72 小时的数据（后取消了时间限制）。

InfluxDB 3 Enterprise：商业版本，在开源核心基础上增加了高可用性配置、读副本、增强安全功能、历史数据压缩索引、行级删除支持等企业级功能。

这种分层策略反映了 InfluxData 的商业化需求。在 2016 年早期，公司因商业化压力将集群功能改为商业授权(29)。但通过采用宽松的开源许可证，InfluxDB 保持了强大的社区活力，同时为企业用户提供了增值服务。

1.4 与传统数据库的本质区别

InfluxDB 与传统关系型数据库在多个维度存在本质差异：

数据模型差异：传统关系型数据库基于表格结构，遵循严格的 Schema 设计，支持事务（ACID）和复杂的关系查询如 JOIN 操作。而 InfluxDB 采用时序优化模型，以时间戳为核心，数据按时间窗口分区存储，天然支持时间戳、指标值和标签（Tags）的组合(38)。

存储方式差异：关系型数据库按行存储数据，适合频繁更新的 OLTP 场景。InfluxDB 采用列式存储或混合存储，大幅提升写入速度和压缩率，压缩率可达 90% 以上(38)。

性能特征差异：InfluxDB 针对时序数据的 “时间有序、写入密集、查询按时间范围” 特性进行了深度优化，写入速度可达每秒百万条(38)。而传统数据库在处理大规模时序数据时，往往需要复杂的索引和查询优化。

查询能力差异：关系型数据库的时间查询通常需要全表扫描或复杂索引，性能随数据量增长而下降。InfluxDB 以时间戳为索引，支持高效的时间范围查询和时间序列分析，查询性能不随数据量线性下降(42)。

二、InfluxDB 功能特点

2.1 核心功能模块

InfluxDB 的核心功能架构围绕时序数据的高效处理展开，主要包括以下模块：

数据模型设计：InfluxDB 采用三层数据模型结构(51)：

• Measurement（测量）：类似于传统数据库的表，代表被收集数据的名称（如 “cpu_usage”、“temperature”）

• Tags（标签）：键值对形式的元数据，如 “location=server_room” 或 “device=sensor_1”，这些标签会自动索引，使基于元数据的查询非常高效

• Fields（字段）：实际测量值，如温度读数或 CPU 利用率，这些值未被索引但针对高写入性能进行了优化

存储引擎架构：InfluxDB 3.0 采用全新的存储架构，基于 FDAP 技术栈构建：

• InfluxDB Engine：负责高速数据摄入和查询处理

• Apache Arrow：提供高效的内存数据表示和快速计算能力

• Parquet 文件存储：使用列式存储格式，提供优秀的数据压缩和查询性能

• Ingester（数据写入器）：负责实时数据摄入，将数据加载到内存（通过 Apache Arrow）后写入磁盘

查询处理能力：InfluxDB 支持多种查询语言和处理模式：

• 支持 InfluxQL 和 Flux 两种查询语言

• 提供连续查询（Continuous Queries）功能，可自动执行聚合和降采样

• 支持数据保留策略（Retention Policies），可自动删除过期数据

• 具备数据压缩和下采样功能，优化存储效率

2.2 性能优势

InfluxDB 在性能方面展现出多项优势，这些优势使其成为处理大规模时序数据的首选：

写入性能卓越：InfluxDB 单节点可支持每秒 10 万到 50 万数据点的写入(79)。在 8 节点 InfluxDB 1.8 集群中，优化后的分片策略使峰值吞吐量达到 12 万点 / 秒，较传统方案提升 2.3 倍(80)。InfluxDB 3.0 在 DevOps 场景下的写入性能提升了 5.4 倍，在物联网场景下提升了 4.9 倍(82)。

存储效率极高：InfluxDB 3.0 使用 Parquet 文件和对象存储，存储空间减少高达 4.5 倍，同时提供高达 90% 的存储成本节省(58)。这种高效的压缩能力源于其列式存储格式和专门的时序数据压缩算法。

查询响应迅速：InfluxDB 3.0 的查询性能比之前版本提升 2.5 到 45 倍（取决于查询类型）(189)。其时间索引支持纳秒级精度，所有数据按时间戳排序存储，使得基于时间范围的查询能够快速定位到所需数据(160)。

内存使用优化：InfluxDB 3.0 采用无盘架构设计，支持完全基于对象存储运行，大幅减少了对本地磁盘的依赖。同时，其内存缓存机制确保热数据能够快速访问，而冷数据则自动迁移到对象存储。

2.3 独特功能特性

InfluxDB 具备多项区别于其他时序数据库的独特功能：

数据保留策略（Retention Policies）：用户可指定数据保留时长，过期数据自动删除(72)。这一功能对于需要长期存储大量数据但又要控制成本的场景特别有价值。例如，可以设置保留策略为 “30 天”，确保只保留最近一个月的详细数据，更早的数据自动删除或降采样。

连续查询（Continuous Queries）：自动执行降采样和聚合操作，将高频数据转换为低频汇总数据(72)。CQ 和 RP 结合使用，可以自动将高精度数据降采样为低精度数据，并删除不必要的原始数据(77)。这种机制特别适合监控场景，既能保留长期趋势数据，又不会占用过多存储空间。

标签索引机制：Tags 自动索引，支持高效的查询过滤和分组操作。这使得 InfluxDB 能够快速执行基于元数据的查询，例如 “SELECT * FROM cpu_usage WHERE location=‘New York’” 这样的查询可以在毫秒级完成。

数据下采样：InfluxDB 3.0 使用下采样技术聚合数据，随时间降低数据分辨率。通过聚合数据，InfluxDB 3.0 只保留相关的汇总数据用于长期分析，使存储成本可控。

无盘架构设计：InfluxDB 3.0 支持 “无盘” 模式运行，仅使用对象存储作为持久层。这种架构设计带来了多重好处：数据可以被第三方系统无缝访问、支持多可用区持久化保证、利用成熟的对象存储备份工具等。

2.4 查询语言体系

InfluxDB 支持两种主要的查询语言，每种都有其特定的应用场景：

InfluxQL：InfluxDB 1.x 版本引入的类 SQL 查询语言，语法类似 SQL，学习成本低，但功能相对有限(65)。InfluxQL 专为时序数据设计，支持基本的 SELECT、WHERE、GROUP BY 等操作，但不支持 JOIN、跨 measurement 计算等复杂操作。

Flux：InfluxDB 2.x 引入的函数式管道语言，功能更加强大(65)。Flux 克服了 InfluxQL 的许多限制，支持以下高级功能：

• JOIN 操作：支持跨 measurement 的数据关联查询(65)

• 跨 measurement 计算：可以对来自不同 measurement 的数据进行数学运算(65)

• 按标签排序：不仅限于时间排序，还可以按任何标签或字段排序(65)

• 按任意列分组：InfluxQL 只能按标签或时间分组，而 Flux 可以按任何列分组，包括值列(65)

• 日历窗口：支持按日历月、年等可变长度时间窗口进行聚合(65)

• 多数据源支持：Flux 不仅可以查询 InfluxDB 数据，还可以查询 CSV、PostgreSQL、MySQL、Google BigTable 等多种数据源

从 InfluxQL 迁移到 Flux 是 InfluxDB 2.x 的一个重要变化。虽然 InfluxQL 仍被支持以保持向后兼容性，但 Flux 已成为 InfluxDB v2 的原生语言(70)。这种转变反映了 InfluxData 对更强大、更灵活查询能力的追求。

2.5 生态系统集成

InfluxDB 拥有业界最成熟的时序数据生态系统，这是其获得广泛采用的重要原因：

Telegraf 数据采集器：Telegraf 是 InfluxData 开发的开源数据采集代理，拥有超过 50 亿次下载量，是时序数据库领域下载量第一的工具(86)。Telegraf 支持数百种数据源和输出格式，能够轻松采集服务器指标、网络设备数据、物联网传感器信息等，并直接发送到 InfluxDB。

Grafana 可视化集成：Telegraf 收集的指标可以实时推送到 Grafana 仪表板，实现实时可视化和分析(86)。Grafana 内置了功能丰富的 InfluxDB 数据源插件，支持功能丰富的查询编辑器、注释和模板查询(91)。这种集成使得从数据采集到可视化展示形成了完整的闭环。

开发工具支持：InfluxDB 提供了 12 种以上的客户端库，支持 RESTful API，能够与各种开发语言和框架无缝集成。同时，它支持 ODBC 和 JDBC 插件，基于 Flight SQL 标准，可以连接到 Google Data Studio 等 BI 工具和数据仓库。

开源集成生态：InfluxDB 与 Prometheus、Kafka、MQTT 等主流开源项目都有良好的集成能力。例如，InfluxDB OSS 可以直接抓取 Prometheus 格式的指标数据，而 MQTT 集成则使其能够轻松处理物联网设备发送的实时数据(93)。

三、InfluxDB 应用场景

3.1 物联网（IoT）与工业监控

InfluxDB 在物联网和工业监控领域的应用最为广泛，这得益于其对时间序列数据的天然优化：

工业物联网（IIoT）场景：InfluxDB 能够捕获和查询来自传感器、PLC、SCADA 系统和机器的高频数据，以提高效率、降低运维成本并减少停机时间(92)。例如，在智能制造工厂中，InfluxDB 可以实时收集数千台设备的运行参数，包括温度、振动、电流等指标，并通过分析这些数据实现预测性维护，避免设备故障造成的生产中断。

智能建筑与城市监控：InfluxDB 被广泛用于收集来自智能建筑、校园和智慧城市的传感器指标(99)。通过整合来自 HVAC 系统、照明设备、安全传感器等各种设备的数据，城市管理者可以实现能源优化、安全监控和设施管理的智能化。

大规模设备监控案例：BBOXX 使用 InfluxDB 监控 85,000 多个太阳能电池，获取使用模式洞察并进行异常检测(103)。这种大规模的设备监控场景充分展示了 InfluxDB 在处理海量时序数据方面的能力。每个太阳能电池都是一个独立的数据源，产生大量的电压、电流、温度等指标，InfluxDB 能够高效地收集、存储和分析这些数据。

边缘计算集成：InfluxDB 3.0 的无盘架构和轻量化设计使其特别适合边缘计算场景。在工业现场，InfluxDB 可以部署在边缘设备上，就近收集和处理传感器数据，然后将汇总数据同步到云端进行长期存储和分析。这种架构既减少了网络传输压力，又确保了数据的实时性。

3.2 DevOps 与基础设施监控

InfluxDB 在 DevOps 和基础设施监控领域占据重要地位，成为许多公司监控体系的核心组件：

全面的监控覆盖：InfluxDB 为开发人员提供了对应用程序、网络、容器、路由器、交换机、私有云和公共云等环境的更好可见性(105)。这种全方位的监控能力使得运维团队能够及时发现系统异常，快速定位问题根源。

TIG 监控栈：在自动化运维领域，Telegraf、InfluxDB 和 Grafana（简称 TIG 栈）构成了一个强大的监控系统(107)。Telegraf 负责数据收集，InfluxDB 作为时序数据库存储数据，Grafana 提供可视化展示和告警功能。这种组合已成为业界标准的监控架构。

大规模部署案例：Basefarm 使用 InfluxDB 监控 9,000 多台服务器和服务，同时保持用户友好性和可访问性(103)。NetApp 的 SRE 团队使用 InfluxDB 跟踪实时资源趋势，执行 SLO/SLI 计算，并在全球分布式基础设施中触发即时告警(112)。

云原生监控集成：InfluxDB 与 Kubernetes、Docker 等云原生技术有良好的集成。通过与 Prometheus 的集成，InfluxDB 可以作为 Prometheus 的长期存储后端，解决 Prometheus 本地存储容量有限的问题。同时，InfluxDB 自身也提供了对容器、微服务架构的原生支持。

3.3 能源管理与电力系统

能源行业对时序数据的需求极为强烈，InfluxDB 在这一领域展现出独特价值：

电网监控与优化：Ausgrid 使用 InfluxDB 替代了原有的数据历史记录器和 OSIsoft PI 系统，用于监控澳大利亚的电力网络。这一案例表明，InfluxDB 在处理电力系统的高频、高精度数据方面已经达到了专业工业软件的水平。

可再生能源管理：在新能源领域，InfluxDB 被用于监控太阳能板、风力涡轮机等可再生能源设备的性能。ju:niz 公司通过集成 InfluxDB 来处理大量实时时间戳数据，解决了能源存储系统的监控挑战(127)。

能源消耗分析：InfluxDB 能够监控能源消耗、发电和分配，为优化能源使用提供有价值的洞察(130)。例如，通过分析建筑物的能源消耗模式，可以识别节能机会，优化 HVAC 系统运行，实现成本节约。

智能电网集成：考虑一个集成了太阳能板、风力涡轮机和传统发电厂的智能电网，InfluxDB 可以实时收集来自所有这些能源来源的数据，并通过分析帮助实现能源的动态分配和优化(130)。

3.4 金融交易与风险监控

金融行业对数据的实时性、准确性和完整性有着极高要求，InfluxDB 在这一领域也找到了广阔的应用空间：

高频交易监控：时序数据库主要应用于金融交易行情、风险管理等场景(120)。InfluxDB 能够处理金融市场中的高频交易数据，支持风险管理和交易策略优化(121)。在股票、期货、外汇等交易场景中，毫秒级的数据延迟都可能影响交易决策，InfluxDB 的高性能特性使其能够满足这种严苛要求。

市场数据处理：在金融领域，时间序列数据如股票价格、汇率、交易量等对交易决策和风险评估至关重要(122)。InfluxDB 可以进行实时行情分析、历史数据回溯、交易策略评估等。例如，量化交易系统可以使用 InfluxDB 存储和分析历史市场数据，开发和回测交易策略。

风险监控系统：Capital One 使用 InfluxDB 创建了一个容错的可观测性解决方案，用于监控其应用程序和基础设施，最终改善客户服务和正常运行时间。在金融服务中，这种全面的监控能力对于确保系统稳定性和合规性至关重要。

支付处理监控：金融科技公司使用 InfluxDB 监控支付处理系统的性能指标，包括交易成功率、处理时间、错误率等。通过实时分析这些数据，可以快速识别和解决支付处理中的问题，确保服务质量。

3.5 其他行业应用

除了上述主要领域，InfluxDB 在其他行业也有广泛应用：

医疗健康领域：Allscripts 使用 InfluxDB、Kafka、Grafana 和 NGINX 改善医疗 IT 基础设施，实现完全自动化运营，降低运营成本并创造新的收入机会(113)。Augmedix 使用仪表板解决方案监控 500 多台 Windows 工作站，简化医疗技术。

科研领域：CERN（欧洲核子研究组织）的监控栈包括 InfluxDB，用于其加速器系统（如大型强子对撞机）和数据中心的监控。这种极端环境下的应用充分证明了 InfluxDB 的可靠性和性能。

电信行业：InfluxDB 被用于监控电信基础设施、网络和调制解调器，以减少网络停机时间(118)。在 5G 网络部署中，InfluxDB 可以监控基站性能、网络流量、用户体验等关键指标。

零售电商：通过基础设施监控和电商网站的真实用户监控获得可观测性(118)。InfluxDB 可以跟踪用户行为、页面加载时间、转化率等指标，帮助电商企业优化用户体验和营销效果。

四、InfluxDB 技术架构

4.1 存储引擎架构演进

InfluxDB 的存储引擎经历了从传统 TSM 到新一代 FDAP 架构的重大演进：

传统 TSM 存储引擎（1.x/2.x 版本）：TSM（Time-Structured Merge Tree）是 InfluxDB 1.x 和 2.x 版本使用的核心存储引擎，基于 LSM-Tree 架构改进而来(136)。TSM 存储引擎主要由以下组件构成(132)：

1. WAL（Write Ahead Log）预写日志：在存储引擎重启时保留数据，确保意外故障时数据的持久性。当存储引擎接收到写入请求时，写入请求被追加到 WAL 文件末尾，使用 fsync () 将数据写入磁盘，然后更新内存缓存。

2. Cache 内存缓存：WAL 中存储数据的内存表示，按键（measurement、tag set 和唯一 field）组织数据点。每个 field 存储在自己的时间排序范围内，存储未压缩数据。缓存使用最大 maxSize 字节的内存。

3. TSM File：以列式格式存储压缩的 series 数据。存储引擎按 series key 对 field 值进行分组，然后按时间排序。为提高效率，存储引擎只存储 series 中值之间的差异（或增量）(52)。

4. Compactor 压缩器：负责将优化程度较低的缓存和 TSM 数据转换为更适合读取的格式。压缩过程创建读优化的 TSM 文件，其目标是将 series 的值组织成长序列，以最佳优化压缩和扫描查询。

5. TSI（Time Series Index）时间序列索引：随着数据基数（series 数量）增长，查询需要读取更多 series key 并变得更慢。TSI 存储按 measurement、tag 和 field 分组的 series key，帮助数据库快速回答 “存在哪些 measurement、tag、field？” 和 “给定 measurement、tag 和 field，存在哪些 series key？” 这两个问题。

新一代 FDAP 架构（3.0 版本）：InfluxDB 3.0 采用了全新的 FDAP 技术栈，这是一次彻底的架构重构(144)：

• F（Flight）：基于 Arrow 格式的高速列数据传输协议，使用 gRPC 进行网络通信，提供高效且可互操作的网络数据传输(156)

• D（DataFusion）：用 Rust 编写的快速查询执行引擎，提供数据访问查询和执行操作符(156)

• A（Arrow）：为运行大规模分析工作负载而优化的列式内存数据格式(156)

• P（Parquet）：提供良好压缩的高性能存储格式(156)

这种架构转变的核心动机是利用成熟的开源组件，避免重复造轮子。通过采用 Apache 开源项目，InfluxDB 3.0 能够受益于这些项目的持续改进和优化，同时保持自身的时序数据处理优势。

4.2 查询引擎与执行机制

InfluxDB 的查询引擎设计充分考虑了时序数据的查询特点：

查询处理流程：InfluxDB 3.0 的查询处理使用 DataFusion 来查询数据，支持三种不同的语言前端：内部 gRPC API、SQL 和 InfluxQL，以及写入和合并 Parquet 文件的 “重组” 操作。查询处理的主要步骤包括：

1. 查询解析：将用户输入的查询语句解析为抽象语法树（AST）

2. 语义分析：验证查询的语法正确性，解析 measurement、tag、field 等实体

3. 查询优化：使用查询优化器生成最优的执行计划，包括谓词下推、投影优化等

4. 执行计划生成：将优化后的查询转换为可执行的物理计划

5. 执行与结果返回：执行查询计划并返回结果

执行引擎特性：DataFusion 提供了现代 OLAP 引擎所需的几乎所有功能，包括流式矢量化执行、投影和选择 / 过滤下推、自动并行化、资源管理、查询优化、子查询、JOIN、多阶段分组等。这些特性使得 InfluxDB 能够高效处理复杂的分析查询。

索引机制：InfluxDB 3.0 使用时间索引和标签索引来加速查询。时间索引支持纳秒级精度，所有数据按时间戳排序存储，使得基于时间范围的查询能够快速定位到所需数据(160)。标签索引则支持基于标签的高效过滤和分组操作。

并行处理能力：InfluxDB 使用并行查询处理，将查询任务分布到多个 CPU 或节点。这种方法加速了复杂查询，特别是那些跨越大型数据集或需要复杂聚合的查询。

4.3 数据写入路径

InfluxDB 的数据写入路径经过精心设计，以实现高吞吐量和低延迟：

写入流程概览：当 API 接收到写入请求时，InfluxDB 执行以下步骤：

1. 请求接收：通过 HTTP POST 请求接收到数据，数据使用 InfluxDB 行协议格式

2. WAL 写入：写入请求被追加到 WAL 文件末尾，使用 fsync () 确保数据持久化到磁盘

3. 缓存更新：内存缓存被更新，使数据立即可以查询

4. TSM 转换：当缓存达到一定大小或超时时间到达时，数据被转换为 TSM 文件格式并写入磁盘

5. WAL 截断：当数据安全存储在 TSM 文件中后，WAL 被截断，缓存被清除

批量写入优化：虽然可以单独发送数据点，但为了效率，大多数应用程序批量发送数据点。POST 体中的数据点可以来自任意数量的 series、measurement 和 tag set。一批中的数据点不必来自相同的 measurement 或 tag set。

数据验证与转换：在写入过程中，InfluxDB 会自动处理以下转换：

• 如果写入数据时没有带上时间戳，InfluxDB 会默认使用本地 UTC 纳秒时间作为写入数据的时间(207)

• 数据类型自动识别和转换，支持整数、浮点数、字符串、布尔值等多种数据类型

• 自动处理时区转换，确保所有时间戳以 UTC 存储

4.4 数据查询路径

InfluxDB 的查询路径设计旨在快速响应用户查询：

查询执行流程：当接收到查询请求时，InfluxDB 执行以下步骤：

1. 查询解析：将查询语句解析为内部表示形式

2. 索引查找：使用 TSI 索引快速定位相关的 series key

3. 数据读取：从缓存和 TSM 文件中读取数据

4. 数据合并：将来自缓存和 TSM 文件的数据进行合并

5. 结果处理：对数据进行过滤、聚合、排序等操作

6. 结果返回：将最终结果返回给用户

缓存机制优化：查询执行时，存储引擎合并来自缓存和 TSM 文件的数据。查询在查询处理时对缓存数据的副本执行，这样在查询运行时进来的写入不会影响结果。

列式存储优势：由于采用列式存储，InfluxDB 可以只读取查询所需的列，而不必读取整行数据。这种设计大大减少了 I/O 操作，提高了查询性能，特别是对于只需要少数列的查询。

4.5 集群架构与一致性模型

InfluxDB 的集群架构设计兼顾了性能、可靠性和可扩展性：

集群组件架构：InfluxDB 企业版集群包含两类节点(165)：

1. META 节点：

• 保存描述集群的元数据的一致视图

• 使用 Hashicorp 实现的 Raft 作为底层共识协议

• 推荐 3 节点配置，确保容错能力

• 负责管理分片、节点信息、用户权限等元数据

1. DATA 节点：

• 所有 DATA 节点必须与所有其他 DATA 节点和所有 META 节点通信

• 采用 AP 模型（最终一致性）

• 存储实际的时序数据

• 支持数据复制和自动故障转移

一致性模型设计：InfluxDB 实现了灵活的一致性模型(157)：

• 强一致性（Consistent）：一定不会读到旧数据，通过 Quorum NWR 算法实现

• 默认一致性（Default）：平衡了性能和一致性的中间状态

• 最终一致性（Stale）：允许读取旧数据，但最终会达到一致状态

Quorum NWR 机制：InfluxDB 在最终一致性基础上实现了强一致性，基于 Quorum NWR 算法(157)：

• N：同一份数据的副本数

• W：写一致性级别，表示成功完成 W 个副本写入后才算完成更新

• R：读一致性级别，表示读取数据时需要读 R 个副本，然后选取最新的数据

通常设置 W = (N+1)/2 以确保强一致性(159)。

高可用性设计：

• 数据复制：每个分片在集群中有多个副本，确保数据冗余

• 自动故障转移：当节点故障时，系统自动将流量切换到健康节点

• 反熵服务：可选的服务，用于消除与集群一致性相关的边缘情况(168)

• Raft 协议：META 节点使用 Raft 协议保证元数据的强一致性(160)

4.6 无盘架构创新

InfluxDB 3.0 引入的无盘架构是一个重大创新，带来了全新的部署和运维模式：

架构设计理念：无盘架构的核心是 InfluxDB 可以完全基于对象存储（如 S3）运行，本地磁盘仅作为临时缓存。这种设计带来了多重优势：

1. 数据持久化：所有数据最终存储在对象存储中，享受对象存储的多可用区持久化保证

2. 无缝访问：第三方系统可以直接访问对象存储中的 Parquet 文件，无需复杂的数据导出流程

3. 弹性扩展：可以根据负载动态添加或删除计算节点，而不会影响数据持久性

4. 简化运维：无需管理复杂的本地存储，备份和恢复操作变得简单

写入流程优化：在无盘模式下，写入流程如下：

1. 数据被验证并缓冲到内存 WAL 中

2. 每秒将 WAL 刷新到对象存储

3. 写入者可以选择在刷新后接收响应（保证持久性）或在验证后立即接收响应

4. WAL 定期快照，将内存 Arrow 缓冲区持久化为对象存储上的 Parquet 文件

5. 删除已持久化到 Parquet 的 WAL 文件，写入包含持久化摘要的快照文件

查询性能保证：为了保证查询性能，InfluxDB 3.0 实现了多级缓存机制：

• 内存 Arrow 缓冲区：存储最近写入的数据，尚未转换为 Parquet

• Parquet 缓存：将最近访问的 Parquet 文件缓存在内存中

• 最后值缓存（Last Value Cache）：缓存每个 series 的最后 N 个值

• 不同值缓存（Distinct Value Cache）：缓存列或列层次结构的唯一值

五、InfluxDB 与其他时序数据库对比

5.1 主要竞品概览

在时序数据库领域，InfluxDB 面临着多个强有力的竞争对手，每个产品都有其独特的设计理念和优势：

Prometheus：云原生监控领域的事实标准，采用多维度标签模型，每个时间序列由指标名称和一组标签唯一标识。Prometheus 的优势在于与 Kubernetes 的深度集成和完善的告警机制，但在存储能力和查询灵活性方面存在限制。

TimescaleDB：基于 PostgreSQL 的时序数据库，采用关系 - 时序混合模型。它最大的优势是支持完整的 SQL 查询，包括 JOIN、窗口函数等复杂操作，对已有 PostgreSQL 经验的团队非常友好。

TDengine：国产时序数据库，以高性能和超高压缩比著称。采用 “一个设备一个表” 的创新数据模型，在物联网场景下表现优异，压缩比可达其他产品的 5-10 倍。

VictoriaMetrics：一个高性能、低成本的时序数据库，在某些基准测试中性能超过 InfluxDB 数倍，同时资源消耗更低(188)。

OpenTSDB：基于 HBase 的分布式时序数据库，适合超大规模数据存储，但架构复杂，运维成本高(183)。

Graphite：老牌时序数据库，支持自动降采样，但数据模型不支持多维指标，是其最大的缺点。

5.2 性能对比分析

性能是选择时序数据库的关键因素，各产品在不同场景下表现各异：

写入性能对比：

• TDengine：在特定基准测试中通常表现出最高的写入吞吐量，特别适合高频数据采集场景

• VictoriaMetrics：在 10 并发时可达 50 万数据点 / 秒，是 InfluxDB（8 万点 / 秒）的 6.25 倍；50 并发时可达 220 万点 / 秒，是 InfluxDB（30 万点 / 秒）的 7.33 倍(188)

• InfluxDB：单节点支持 10-50 万数据点 / 秒，InfluxDB 3.0 在 DevOps 场景下性能提升 5.4 倍，在物联网场景下提升 4.9 倍(79)

• TimescaleDB：基于 PostgreSQL，写入性能相对较低，但支持复杂查询

• Prometheus：受限于单机架构，大规模写入需依赖分布式方案

查询性能对比：

• VictoriaMetrics：在所有查询中都比 InfluxDB 和 TimescaleDB 快高达 20 倍，特别擅长扫描数百万数据点的复杂查询

• InfluxDB 3.0：比 2.x 版本查询性能提升 2.5 到 45 倍（取决于查询类型）(189)

• TimescaleDB：在复杂 SQL 查询方面有优势，特别是涉及多表 JOIN 的查询

• TDengine：在针对大量设备的聚合查询中表现优异，得益于其 “超级表” 设计

• Prometheus：查询语言 PromQL 功能强大，但数据模型限制了复杂查询能力

存储效率对比：

• TDengine：压缩比最高，可达其他产品的 5-10 倍，能显著降低存储成本

• InfluxDB 3.0：使用 Parquet 文件，存储空间减少 4.5 倍，存储成本降低 90%(58)

• VictoriaMetrics：内存使用比 InfluxDB 少 10 倍，比 Prometheus、Thanos 或 Cortex 少 7 倍

• TimescaleDB：使用 PostgreSQL 的压缩功能，压缩效果中等

• Prometheus：本地存储压缩能力较弱，长期存储成本较高

5.3 功能特性对比

各时序数据库在功能特性上各有千秋，选择时需要根据具体需求权衡：

数据模型对比：

• InfluxDB：采用 measurement + tags + fields 的时序优化模型，标签自动索引，查询高效

• TimescaleDB：基于 PostgreSQL 的关系模型，支持完整的 SQL，可进行任意复杂操作

• TDengine：创新的 “一个设备一个表” 模型，通过超级表定义设备结构，适合物联网场景

• Prometheus：多维标签模型，每个时间序列由指标名和标签唯一标识，适合监控场景

• VictoriaMetrics：类似 Prometheus 的标签模型，但标签只能是字符串类型

查询语言对比：

• InfluxDB：支持 InfluxQL 和 Flux 两种语言，Flux 功能强大，支持 JOIN、跨 measurement 计算等高级操作

• TimescaleDB：完整的 SQL 支持，包括窗口函数、CTE、存储过程等，学习成本低

• TDengine：类 SQL 的 TaosSQL，支持虚拟表，可简化复杂聚合操作

• Prometheus：PromQL，专为监控设计，支持丰富的聚合操作和告警规则

• VictoriaMetrics：兼容 PromQL，降低了从 Prometheus 迁移的成本

集群与扩展性对比：

• InfluxDB：开源版无集群功能，需使用企业版或云服务，增加了成本和供应商锁定风险

• TimescaleDB：开源版本支持分布式超表，可跨节点分片，基于 PostgreSQL 流复制实现高可用

• TDengine：开源版本提供完整的分布式集群功能，包括水平扩展和高可用性，部署管理简单

• Prometheus：原生为单机设计，集群需通过 Thanos、Cortex 等扩展，增加了系统复杂性

• VictoriaMetrics：原生支持集群，包括复制和分片，运维相对简单

5.4 生态系统对比

生态系统的完善程度直接影响产品的易用性和长期发展：

InfluxDB 生态系统：

• 优势：拥有最成熟的生态系统，Telegraf 拥有数百个插件，覆盖几乎所有数据源；与 Grafana 集成非常成熟

• 劣势：集群功能需要商业版，增加了成本；学习曲线较陡，特别是 Flux 语言

TimescaleDB 生态系统：

• 优势：直接继承整个 PostgreSQL 生态，可使用任何支持 PostgreSQL 的客户端库、管理工具和 BI 软件

• 劣势：作为 PostgreSQL 扩展，性能优化有限；复杂查询可能影响整体性能

TDengine 生态系统：

• 优势：提供自己的数据采集器、连接器，支持与 Grafana 等工具集成；虚拟表功能增强了查询灵活性

• 劣势：生态相对年轻，第三方集成有限；主要面向中文社区

Prometheus 生态系统：

• 优势：在监控领域生态完整，与 Kubernetes、Grafana 深度集成，exporter 体系丰富

• 劣势：主要针对监控场景，不适合通用时序数据存储；长期存储需要额外解决方案

VictoriaMetrics 生态系统：

• 优势：兼容 Prometheus 协议，可直接替代 Prometheus；资源需求低，适合大规模部署

• 劣势：生态相对较新，第三方工具支持有限

5.5 适用场景对比

不同的时序数据库适用于不同的应用场景，选择时需要考虑具体需求：

InfluxDB 适用场景：

• DevOps 监控、IoT、Metrics 场景，适合云原生部署

• 需要完善的托管解决方案和企业级支持

• 看重成熟生态和社区支持，愿意为高级功能付费

• 适合需要复杂查询但又不想使用 SQL 的场景

TimescaleDB 适用场景：

• 需要复杂查询、与现有关系数据并存的场景

• 需要强事务保障的业务场景

• 团队已有 PostgreSQL 经验，希望最小化学习成本

• 适合需要 SQL 兼容性的传统企业

TDengine 适用场景：

• 高性能要求的 IoT、车联网、工业互联网

• 对存储成本敏感的大规模数据场景

• 有国产化要求的项目

• 需要开源集群功能的团队

• 设备数量众多（数万到数十万）的场景

Prometheus 适用场景：

• 动态云环境监控，特别是 Kubernetes 基础设施

• 多维度指标分析需求

• 已有云原生技术栈的团队

• 主要用于监控和告警，而非长期数据分析

VictoriaMetrics 适用场景：

• 大规模监控场景，对成本敏感

• 需要高性价比方案，同时保持高性能

• 从 Prometheus 迁移，希望保持兼容性

• 资源受限环境，需要低功耗运行

5.6 选型建议

基于以上对比，选择时序数据库时应考虑以下因素：

1. 数据规模：

• 小规模（<100 万数据点 / 天）：任意产品都可胜任

• 中等规模（100 万 - 1 亿数据点 / 天）：InfluxDB、TimescaleDB、TDengine

• 大规模（>1 亿数据点 / 天）：TDengine、VictoriaMetrics、InfluxDB 企业版

1. 查询复杂度：

• 简单查询为主：Prometheus、VictoriaMetrics

• 复杂 SQL 查询需求：TimescaleDB

• 中等复杂度：InfluxDB（Flux）、TDengine

1. 成本预算：

• 预算有限：TDengine、VictoriaMetrics、TimescaleDB

• 企业预算充足：InfluxDB 企业版、TimescaleDB

1. 技术团队背景：

• 熟悉 SQL：TimescaleDB

• 云原生团队：Prometheus、VictoriaMetrics

• 追求性能：TDengine

1. 特殊需求：

• 国产化要求：TDengine

• 与现有 PostgreSQL 集成：TimescaleDB

• 物联网设备众多：TDengine

• 监控告警为主：Prometheus

六、InfluxDB 具体使用方法

6.1 安装与配置

InfluxDB 的安装过程相对简单，支持多种操作系统和部署方式：

Linux 系统安装（Ubuntu/Debian）：

1. 添加 InfluxDB GPG 密钥(199)：

curl -sL https://repos.influxdata.com/influxdb.key | sudo apt-key add -

1. 添加 InfluxDB APT 仓库(199)：

echo "deb https://repos.influxdata.com/debian \$(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/influxdb.list

1. 更新 APT 仓库并安装 InfluxDB(199)：

sudo apt-get updatesudo apt-get install influxdb

1. 启动 InfluxDB 服务并设置开机自启(195)：

sudo systemctl start influxdbsudo systemctl enable influxdb

CentOS/RHEL 系统安装：

1. 使用 yum 安装(196)：

sudo yum install influxdbsudo systemctl start influxdb

1. 或者下载 RPM 包安装(196)：

sudo yum localinstall influxdb-1.8.2.x86_64.rpm

macOS 系统安装：

1. 使用 Homebrew 安装(193)：

brew install influxdb@2

1. 启动服务（临时启动）(193)：

influxd

1. 设置开机自启（推荐）(193)：

brew services start influxdb@2

Windows 系统安装：

1. 下载 Windows 安装包，解压到指定目录（如 C:\influxdb）(197)

2. 配置环境变量，将 InfluxDB 目录添加到 PATH

3. 启动服务：在命令提示符中运行 influxd.exe

Docker 部署：

docker run -p 8086:8086 influxdb:latest

InfluxDB 3.0 安装（最新版本）：

InfluxDB 3.0 提供了简化的安装脚本(202)：

curl -O https://www.influxdata.com/d/install_influxdb3.sh && sh install_influxdb3.sh enterprise

6.2 初始化配置

首次启动 InfluxDB 需要进行初始化配置：

使用 UI 初始化：

1. 访问 http://localhost:8086，进入 InfluxDB UI

2. 设置管理员用户名和密码（至少 8 位）(193)

3. 创建组织（Organization）

4. 创建存储桶（Bucket）

5. 生成操作员令牌（Operator Token）

使用 CLI 初始化：

运行 influx setup 命令进行交互式配置(198)：

influx setup

按照提示输入以下信息：

• 管理员用户名

• 管理员密码

• 组织名称

• 存储桶名称

• 时区设置

• 确认信息

配置文件管理：

InfluxDB 的配置文件位于：

• Linux：/etc/influxdb/influxdb.conf(194)

• macOS：/usr/local/etc/influxdb.conf

• Windows：安装目录下的 influxdb.conf

主要配置参数包括：

• bind-address：服务绑定地址，默认为 :8086

• data-dir：数据存储目录

• wal-dir：预写日志目录

• log-level：日志级别（debug、info、warn、error）

• auth-enabled：是否启用认证

• https-enabled：是否启用 HTTPS

6.3 基础操作指南

6.3.1 数据写入操作

InfluxDB 支持多种数据写入方式：

使用 HTTP API 写入数据：

使用 curl 发送 POST 请求到 /write 端点(205)：

curl -XPOST "http://localhost:8086/write?db=mydb" --data-binary "measurement,tag1=value1 field1=value1,field2=value2 1609459200000000000"

参数说明：

• db=mydb：指定数据库名称

• measurement：测量名称

• tag1=value1：标签键值对

• field1=value1,field2=value2：字段键值对

• 1609459200000000000：时间戳（纳秒级，可选）

如果不指定时间戳，InfluxDB 会使用服务器当前时间(207)。

批量写入优化：

当写入数据超过 5000 条时，应使用多次 HTTP 请求分批写入，以避免请求超时(207)。

使用 InfluxDB CLI 写入：

进入 InfluxDB 命令行：

influx

使用 insert 命令写入数据：

insert cpu_load,host=server01,region=us-west value=0.64 1556824265000000000

6.3.2 查询数据操作

使用 InfluxQL 查询数据：

SELECT * FROM cpu_load

查询特定条件的数据：

SELECT value FROM cpu_load WHERE host='server01' AND time > now() - 1h

使用 Flux 查询（InfluxDB 2.0+）：

from(bucket: "my-bucket")|> range(start: -1h)|> filter(fn: (r) => r._measurement == "cpu_load" and r.host == "server01")|> yield()

6.3.3 数据管理操作

创建数据库：

CREATE DATABASE mydb

创建保留策略（Retention Policy）：

CREATE RETENTION POLICY "rp_30d" ON "mydb" DURATION 30d REPLICATION 1 DEFAULT

创建连续查询（Continuous Query）：

CREATE CONTINUOUS QUERY "cq_downsample" ON "mydb"BEGINSELECT mean("value") INTO "rp_7d"."cpu_load_1h"FROM "cpu_load"GROUP BY time(1h), *END

删除数据：

DELETE FROM cpu_load WHERE time < '2020-01-01T00:00:00Z'

6.4 高级功能配置

6.4.1 用户权限管理

InfluxDB 2.0 引入了基于角色的权限管理：

创建用户：

influx user create --name "alice" --password "securepassword"

创建 API Token：

influx auth create --all-access --user "alice"

创建具有特定权限的 Token：

influx auth create --read-bucket --bucket "telegraf" --user "telegraf"

6.4.2 数据备份与恢复

备份数据：

influxd backup -database mydb -waldir /var/lib/influxdb/wal -path /tmp/backup

恢复数据：

influxd restore -database mydb -waldir /var/lib/influxdb/wal -path /tmp/backup

6.4.3 集群配置（企业版）

InfluxDB 企业版集群配置需要至少 3 个节点：

1. 配置 META 节点：

[meta]bind-address = :8091dir = /var/lib/influxdb/metaretention-autocreate = true

1. 配置 DATA 节点：

[data]bind-address = :8088dir = /var/lib/influxdb/datawal-dir = /var/lib/influxdb/wal

1. 加入集群：

influxd-ctl join \<meta-node-ip>:8091

6.4.4 与其他系统集成

与 Grafana 集成：

1. 在 Grafana 中添加 InfluxDB 数据源

2. 配置 URL：http://localhost:8086

3. 选择数据库和保留策略

4. 测试连接

与 Telegraf 集成：

编辑 Telegraf 配置文件 /etc/telegraf/telegraf.conf：

[[outputs.influxdb]]urls = ["http://localhost:8086"]database = "telegraf"retention_policy = ""write_consistency = "any"timeout = "5s"

6.5 性能优化建议

为了充分发挥 InfluxDB 的性能优势，建议进行以下优化：

硬件配置优化：

• 使用 SSD 存储，避免使用机械硬盘

• 配置足够的内存，建议为数据量的 20-30%

• 使用多核心 CPU，充分利用并行处理能力

配置参数优化：

• cache-max-memory-size：设置合适的缓存大小，建议为可用内存的 50-70%

• max-values-per-tag：限制每个标签的唯一值数量

• max-series-per-database：限制每个数据库的 series 数量

• wal-fsync-delay：适当调整以平衡性能和安全性

数据模型优化：

• 合理设计标签，避免高基数标签

• 将经常查询的维度作为标签，将数值指标作为字段

• 使用合适的保留策略，及时删除过期数据

• 合理使用连续查询进行数据降采样

查询优化：

• 使用时间范围过滤，避免全表扫描

• 利用标签索引，通过标签进行过滤

• 合理使用聚合函数，避免在客户端进行聚合

• 批量查询，减少网络往返次数

写入优化：

• 使用批量写入，每次写入 1000-5000 个数据点

• 按 measurement 和 tag 分组写入，提高压缩效率

• 使用合适的数据精度，避免不必要的高精度

• 采用异步写入，提高写入吞吐量

6.6 常见问题与解决方案

1. 写入性能问题：

• 问题：写入速度慢

• 原因：可能是缓存大小不足、网络延迟高、数据格式不当

• 解决方案：增大缓存、优化网络、使用批量写入、检查数据格式

1. 查询性能问题：

• 问题：查询响应慢

• 原因：查询过于复杂、没有使用索引、数据量过大

• 解决方案：优化查询语句、使用标签索引、进行数据降采样、增加查询节点

1. 内存使用过高：

• 问题：InfluxDB 占用内存过多

• 原因：缓存设置过大、open files 限制过低

• 解决方案：调整缓存大小、提高 open files 限制、及时清理无用数据

1. 数据丢失问题：

• 问题：部分数据写入后丢失

• 原因：可能是写入超时、网络中断、磁盘空间不足

• 解决方案：检查错误日志、增加写入超时时间、确保磁盘空间充足

1. 集群同步问题：

• 问题：集群节点数据不一致

• 原因：时钟不同步、网络分区、配置错误

• 解决方案：使用 NTP 同步时钟、检查网络连接、验证配置一致性

结语

通过本文的全面分析，我们可以看到 InfluxDB 作为一款成熟的时序数据库，在技术架构、功能特性、应用场景等方面都展现出了强大的竞争力。从 2013 年开源至今，InfluxDB 已经从一个简单的监控数据库发展成为能够支撑大规模、高并发时序数据处理的企业级平台。

InfluxDB 的成功不仅在于其技术优势，更在于其完善的生态系统和持续的创新能力。Telegraf 数据采集器、Grafana 可视化工具、Flux 查询语言等组件共同构建了一个完整的时序数据处理栈。而 InfluxDB 3.0 采用的 FDAP 架构更是展现了其拥抱开源标准、追求极致性能的决心。

当然，选择时序数据库时需要根据具体需求进行权衡。如果你追求简单易用和成熟生态，InfluxDB 是不二之选；如果你需要 SQL 兼容性和复杂查询能力，TimescaleDB 可能更适合；如果你对性能和成本极度敏感，TDengine 或 VictoriaMetrics 值得考虑；如果你已经深度使用 Kubernetes，Prometheus 则是最佳实践。

最后，建议在实际选型前进行充分的性能测试和概念验证，使用真实的数据负载测试不同产品在写入速度、查询延迟、存储效率等方面的表现。只有通过实践验证，才能找到最适合你业务需求的时序数据库解决方案。

参考资料

[1] Get started with InfluxDB https://docs.influxdata.com/influxdb/v2.0/get-started/

[2] Time series database explained https://www.influxdata.com/time-series-database/

[3] 一文弄明白什么是【时序数据库】之【InfluxDB】-CSDN博客 https://blog.csdn.net/weixin_69043348/article/details/149560660

[4] InfluxDB详解-CSDN博客 https://blog.csdn.net/fuhanghang/article/details/105484610

[5] 时序数据库-InfluxDB - LLj-511 - 博客园 https://www.cnblogs.com/LLj-511/p/19180271

[6] InfluxDB 1.x https://www.influxdata.com/time-series-platform

[7] InfluxDB https://www.influxdata.com/lp/influxdb-database/

[8] 时序数据库influxdb - 腾讯云开发者社区 - 腾讯云 https://cloud.tencent.com.cn/developer/information/%E6%97%B6%E5%BA%8F%E6%95%B0%E6%8D%AE%E5%BA%93influxdb

[9] InfluxDB for Stream Processing with InfluxDB https://www.influxdata.com/solutions/stream-processing/

[10] InfluxDB 1.0 documentation https://archive.docs.influxdata.com/influxdb/v1.0/

[11] TOSHIBA\nForeign data wrapper (pdf) https://archive.fosdem.org/2021/schedule/event/postgresql_foreign_data_wrapper_study_for_schemaless_databases/attachments/slides/4762/export/events/attachments/postgresql_foreign_data_wrapper_study_for_schemaless_databases/slides/4762/fosdem2021_kumagai.pdf

[12] InfluxDB 的开源社区与生态系统-CSDN博客 https://blog.csdn.net/universsky2015/article/details/135809489

[13] InfluxDB - 墨天轮百科 https://www.modb.pro/wiki/1478

[14] 几经波折，InfluxDB的TSDB C位还能做多久? - https://cn.cnosdb.com/blog/%E5%87%A0%E7%BB%8F%E6%B3%A2%E6%8A%98influxdb%E7%9A%84tsdb-c%E4%BD%8D%E8%BF%98%E8%83%BD%E5%81%9A%E5%A4%9A%E4%B9%85/

[15] [济南]惊喜!买七彩虹主板抢做运动明星 https://m.it168.com/articleq_6627957.html

[16] C# .net InfluxDB时序数据库 是 InfluxData 公司在 2013 年开源的数据库 是为了存储物联网设备、DevOps 运维这类场景下大量带有时间戳数据而设计的_c# influxdb-CSDN博客 https://blog.csdn.net/cao919/article/details/143109441

[17] InfluxDB 核心概念与发展历程全景解读(二)_influxdbdata上市了吗-CSDN博客 https://blog.csdn.net/qq_42190530/article/details/149488576

[18] influxdb产品架构_mob64ca12f66e6c的技术博客_51CTO博客 https://blog.51cto.com/u_16213457/13477881

[19] Flux (formerly IFQL) and the Future of InfluxData https://www.influxdata.com/blog/ifql-and-the-future-of-influxdata/

[20] One year of InfluxDB and the road to 1.0 https://www.influxdata.com/blog/one-year-of-influxdb-and-the-road-to-1-0/

[21] The Silicon Review | Reach for the Sky: The Creators of InfluxDB, InfluxData, Get Set for New Global Ride https://www.influxdata.com/blog/news-reach-for-the-sky-the-creators-of-influxdb-influxdata-get-set-for-new-global-ride/

[22] InfluxData https://www.influxdata.com/blog/category/news/press/page/2/

[23] InfluxDB Explained https://aijobs.net/insights/influxdb-explained/

[24] InfluxDB vs. Timescale: A Detailed Comparison https://risingwave.com/blog/influxdb-vs-timescale-a-detailed-comparison/

[25] InfluxData Downloads https://www.influxdata.com/downloads-influxdata/

[26] InfluxDB 3 Core https://www.influxdata.com/products/influxdb/

[27] InfluxDB 3 Open Source Now in Public Alpha Under MIT/Apache 2 License https://www.influxdata.com/blog/influxdb3-open-source-public-alpha/

[28] 详细对比所有开源许可及其不同版本_gplv2-CSDN博客 https://blog.csdn.net/cxyhjl/article/details/145872712

[29] 开源软件的中年危机如何破解?-CSDN博客 https://blog.csdn.net/csdnnews/article/details/86710260

[30] 时序数据库开源协议是什么-腾讯云开发者社区-腾讯云 https://cloud.tencent.com/developer/ask/2174073/answer/2915716

[31] InfluxData Downloads https://www.influxdata.com/downloads/?dl=oss3

[32] InfluxDB 3开源版本普遍可用，支持实时工作负载_管理/文化_Olimpiu Pop_InfoQ精选文章 https://www.infoq.cn/article/gouqKaozMzooQWdc4WDC

[33] InfluxDB 3 Open Source Now in Public Alpha Under MIT/Apache 2 License https://community.influxdata.com/t/influxdb-3-open-source-now-in-public-alpha-under-mit-apache-2-license/55208

[34] InfluxDB 3 Open Source Now Generally Available https://www.influxdata.com/products/influxdb-core/

[35] In 2024, which “InfluxDB” should I use to get started and then go to production? https://community.influxdata.com/t/in-2024-which-influxdb-should-i-use-to-get-started-and-then-go-to-production/32840

[36] Using Influxdb 2.7.4 or 3.0 as a opensource db without limitations https://community.influxdata.com/t/using-influxdb-2-7-4-or-3-0-as-a-opensource-db-without-limitations/32276

[37] InfluxDB 3 Open Source Now in Public Alpha Under MIT/Apache 2 License https://www.plushcap.com/content/influxdata/blog/influxdata-influxdb3-open-source-public-alpha

[38] 时序数据库与关系型数据库对比|时序数据库 - TDengine - 涛思数据 https://www.taosdata.com/tdengine/time-series-database/time-series-database-vs-relational-database

[39] 时序数据库(TSDB)和传统数据库(如关系型数据库)的区别_时序数据库和关系型数据库的区别-CSDN博客 https://blog.csdn.net/weixin_45430006/article/details/149360013

[40] 数据库选型指南:关系or时序?一文搞懂_时序数据库和关系型数据库的区别-CSDN博客 https://blog.csdn.net/weixin_57550250/article/details/147980222

[41] 时序数据库和关系型数据库的区别是? - ApacheIoTDB - 博客园 https://www.cnblogs.com/apacheiotdb/p/18796308

[42] 时序数据库的定义-云社区-华为云 https://bbs.huaweicloud.com/blogs/c462393efbca427ab2dcd56f687c4ed8

[43] 时序数据库和关系型数据库区别 https://www.transwarp.cn/bd/2997

[44] 时序数据库[用于处理带时间标签的数据]_百科 https://m.baike.com/wiki/%E6%97%B6%E5%BA%8F%E6%95%B0%E6%8D%AE%E5%BA%93/6926816?baike_source=doubao

[45] Time Series Database vs Relational Database https://cratedb.com/blog/time-series-database-vs-relational-database?hs_amp=true

[46] Time-Series Database vs Relational Database: Key Differences https://www.timeplus.com/post/time-series-database-vs-relational

[47] Time-Series Database vs. Relational Database vs. Data Lake https://www.dataparc.com/blog/time-series-database-vs-relational-database-vs-data-lake/

[48] Time-Series Database: An Explainer https://www.timescale.com/blog/what-is-a-time-series-database/#time-series-database-resources

[49] How to store time series data https://cratedb.com/blog/how-to-store-time-series-data

[50] Time Series Database (How It Works & Use Cases) https://www.weka.io/learn/file-system/time-series-database/#primary

[51] Part Two: InfluxDB 3 Under the Hood https://www.influxdata.com/blog/understanding-influxdb-3.0-part-two/

[52] InfluxDB storage engine https://docs.influxdata.com/influxdb/v2.5/reference/internals/storage-engine/

[53] InfluxDB(三):InfluxDB数据模型-CSDN博客 https://blog.csdn.net/qq_41372835/article/details/130002194

[54] Influxdb 架构_influxdb架构-CSDN博客 https://blog.csdn.net/mqiqe/article/details/144204896

[55] 高性能时序数据库 influxdb - shog808 - 博客园 https://www.cnblogs.com/shog808/p/18894098

[56] 时序数据库 InfluxDB:物联网数据存储与分析实战​_12820878的技术博客_51CTO博客 https://blog.51cto.com/u_12830878/14131525

[57] influxdb浅谈一、初识Influxdb 优点: 高性能地查询与存储的时序型数据库 1、golang编写， 没有其他 - 掘金 https://juejin.cn/post/7439221047784734770

[58] InfluxDB Platform https://www.influxdata.com/products/influxdb-platform-overview/

[59] InfluxDB 3 Platform https://www.influxdata.com/products/influxdb-overview/?ref=enmilocalfunciona.io

[60] InfluxDB OSS v1 documentation https://docs.influxdata.com/influxdb/v1/

[61] InfluxDB 集群部署与高可用方案(一)-CSDN博客 https://blog.csdn.net/qq_42190530/article/details/149983632

[62] Storage Engine https://archive.docs.influxdata.com/influxdb/v0.9/concepts/storage_engine/

[63] InfluxDB https://www.simplyblock.io/glossary/what-is-influxdb/

[64] InfluxDB Overview | InfluxData https://www.influxdata.com/products/influxdb-overview/?ref=cloudnatively.com

[65] Flux vs InfluxQL https://docs.influxdata.com/influxdb/v2.3/reference/syntax/flux/flux-vs-influxql/

[66] 分析时序数据:如何从influxql迁移到sql http://m.blog.itpub.net/70031880/viewspace-3047819/

[67] 天工开物 #14 分析时序数据:从 InfluxQL 到 SQL 的演变-CSDN博客 https://blog.csdn.net/weixin_44723515/article/details/139485945

[68] 换一种语法 使用influxdb的语法 - CSDN文库 https://wenku.csdn.net/answer/7wxbmpb38i

[69] flux查询语言精进 - 耗子哥信徒 - 博客园 https://www.cnblogs.com/xushengbin/articles/17976591

[70] InfluxDB - Moving from InfluxQL to Flux language https://www.influxdata.com/community-showcases/influxdb-moving-from-influxql-to-flux-language/

[71] .\influx query ‘from(bucket:\“sample-bucket\”) |> range(start:-30m)’ - CSDN文库 https://wenku.csdn.net/answer/295x82t6gr

[72] Downsampling and data retention https://docs.influxdata.com/influxdb/v1.6/guides/downsampling_and_retention/

[73] InfluxDB官网:如何正确配置 retention policy 以满足数据存储需求?_编程语言-CSDN问答 https://ask.csdn.net/questions/8374030

[74] Downsampling and Data Retention https://archive.docs.influxdata.com/influxdb/v0.12/guides/downsampling_and_retention/

[75] Troubleshoot high disk usage https://docs.influxdata.com/platform/troubleshoot/disk-usage/

[76] InfluxDB RP and CQ delete my data https://community.influxdata.com/t/influxdb-rp-and-cq-delete-my-data/15542

[77] Continuous Queries https://docs.influxdata.com/influxdb/v1.4/query_language/continuous_queries/

[78] Continuous Queries | InfluxData Documentation Archive https://archive.docs.influxdata.com/influxdb/v0.12/query_language/continuous_queries/

[79] 时序数据库选型战:Apache IoTDB vs InfluxDB，物联网场景下的架构差异_influxdb和iotdb如何选择-CSDN博客 https://blog.csdn.net/asxascas/article/details/153739165

[80] 时序数据库集群优化:海外云服务器上的InfluxDB分片策略与写入吞吐量测试本文深入解析InfluxDB在跨国分布式环境 - 掘金 https://juejin.cn/post/7519816291265888293

[81] timescaledb和influxdb单行写入性能_influxdb field最多多少-CSDN博客 https://blog.csdn.net/jacicson1987/article/details/82988556

[82] 时序数据库 InfluxDB 3.0 版本性能实测报告:写入吞吐量提升效果验证 - 涛思数据TDengine - 博客园 https://www.cnblogs.com/taosdata/p/18757402

[83] influxdb2 免费 收费_柳随风的技术博客_51CTO博客 https://blog.51cto.com/u_14276/13270130

[84] 基于 TSBS 标准数据集时序数据库 TimescaleDB、InfluxDB 与 TDengine 在 IoT 场景性能对比测试 https://www.taosdata.com/iot-performance-comparison-influxdb-and-timescaledb-vs-tdengine

[85] 时序数据库性能对比 InfluxDB vs. TDengine 背景介绍 - TDengine | 涛思数据 https://www.taosdata.com/influxdb-vs-tdengine-introduction

[86] HTTP and Grafana Integration https://www.influxdata.com/integrations/http-grafana/

[87] ntpq and Grafana Integration https://www.influxdata.com/integrations/ntpq-grafana/

[88] 使用 Telegraf 的 HTTP 插件将指标数据发送到 InfluxDB_telegraf可以同步influxdb1数据么-CSDN博客 https://blog.csdn.net/neweastsun/article/details/149489313

[89] Get started with Grafana and InfluxDB https://grafana.com/docs/grafana/latest/getting-started/get-started-grafana-influxdb/

[90] Telegraf Windows Metrics dashboard for InfluxDB 2.X (Flux) https://grafana.com/grafana/dashboards/22226-telegraf-windows-metrics-dashboard-for-influxdb-2-0-flux/

[91] Using InfluxDB in Grafana https://grafana.com/docs/grafana/v4.1/datasources/influxdb/

[92] InfluxDB for IIoT and Predictive Maintenance https://www.influxdata.com/solutions/iot-analytics-and-predictive-maintenance/

[93] InfluxDB and MQTT https://www.influxdata.com/influxdb-cloud-and-mqtt/

[94] InfluxDB 3.0 工业物联网应用:监控与优化生产流程-CSDN博客 https://blog.csdn.net/gitblog_00055/article/details/152639861

[95] InfluxDB 在物联网设备数据采集与分析中的应用(一)_influxdb收集设备检测数据-CSDN博客 https://blog.csdn.net/qq_42190530/article/details/150145699

[96] 时序数据库influxdb:物联网数据存储与分析实战​ https://blog.51cto.com/u_12830878/14131525

[97] InfluxDB云数据库 - 紫光云 https://www.unicloud.com/product/product-4894.html

[98] InfluxDB 时序数据的高效解决方案-腾讯云开发者社区-腾讯云 https://cloud.tencent.com.cn/developer/article/2533700

[99] InfluxDB Cloud https://www.influxdata.com/lp/why-influxdb-cloud-for-iot/

[100] Developers use InfluxDB to build time series solutions https://www.influxdata.com/use-cases/

[101] 集成 Amazon Timestream for InfluxDB 时序数据库在物联网和金融行业的应用方案 | 亚马逊AWS官方博客 https://aws.amazon.com/cn/blogs/china/integration-of-amazon-timestream-for-influxdb-timestream-database-in-iot-and-financial-industry-application-scenarios/

[102] How MOXIE loT Uses Swift, MQTT and InfluxDB to Create a Modern iOS IloT Monitoring Solution(pdf) https://get.influxdata.com/rs/972-GDU-533/images/Customer_Case_Study_MOXIE_IoT.pdf

[103] Customers https://www.influxdata.com/customers/page/2/

[104] AN INFLUXDATA CASE STUDY\nHow (pdf) https://get.influxdata.com/rs/972-GDU-533/images/Customer_Case_Study_RTI.pdf

[105] InfluxDB for DevOps Monitoring https://www.influxdata.com/solutions/devops-monitoring/

[106] Infrastructure and application monitoring https://www.influxdata.com/customers/infrastructure-and-application-monitoring/

[107] telegraf+influxdb+grafana自动化运维监控入门与实战指南 https://edu.51cto.com/article/note/33465.html

[108] 云原生之运维监控实践-使用Telegraf、Prometheus与Grafana实现对InfluxDB服务的监测_telegraf prometheus-CSDN博客 https://blog.csdn.net/u013810234/article/details/143812112

[109] 时序数据库InfluxDB介绍_influxdb客户端工具-CSDN博客 https://blog.csdn.net/dolly_baby/article/details/127035914

[110] InfluxDB 2.x 可观测最佳实践本文介绍如何使用观测云对 InfluxDB 进行监控，优化监控资源消耗，减少数据 - 掘金 https://juejin.cn/post/7473686062679851017

[111] 业界运维监控树 运维监控技术_mob64ca140f9cec的技术博客_51CTO博客 https://blog.51cto.com/u_16213681/10636959

[112] InfluxDB for Network & Infrastructure Monitoring https://www.influxdata.com/solutions/network-monitoring/

[113] InfluxDataAllscripts(pdf) https://get.influxdata.com/rs/972-GDU-533/images/Customer_Case_Study_Allscripts.pdf

[114] 【InfluxDB监控解决方案】:与Telegraf搭建完整系统 - CSDN文库 https://wenku.csdn.net/column/bjkzztobpy

[115] Volvo Uses InfluxDB to Evolve Its DevOps Monitoring to Enable Data-Driven Decisions(pdf) https://get.influxdata.com/rs/972-GDU-533/images/Customer_Case_Study_Volvo.pdf

[116] Monitoring InfluxDB Enterprise clusters https://archive.docs.influxdata.com/chronograf/v1.4/guides/monitoring-influxenterprise-clusters/

[117] Sysbee Uses InfluxDB and Teleg(pdf) https://get.influxdata.com/rs/972-GDU-533/images/Customer_Case_Study_Sysbee.pdf

[118] Discover InfluxDB by Industry https://www.influxdata.com/solutions/by-industries/

[119] Energy & Utilities https://www.influxdata.com/solutions/by-industries/energy-and-utilities/

[120] 集成 Amazon Timestream for InfluxDB 时序数据库在物联网和金融行业的应用方案 | 亚马逊AWS官方博客 https://aws.amazon.com/cn/blogs/china/integration-of-amazon-timestream-for-influxdb-timestream-database-in-iot-and-financial-industry-application-scenarios/

[121] 时序数据库:InfluxDB安装与解读-CSDN博客 https://blog.csdn.net/2201_75732091/article/details/146726811

[122] SpringBoot整合InfluxDB(实战)_springboot influxdb-CSDN博客 https://blog.csdn.net/javaeEEse/article/details/142461307

[123] InfluxDB实时数据处理策略 - CSDN文库 https://wenku.csdn.net/column/10a0u71vfw

[124] 探秘InfluxDB:一款高效的时间序列数据库管理系统-CSDN博客 https://blog.csdn.net/gitblog_00070/article/details/136830821

[125] InfluxDB for Energy and Utilities https://www.influxdata.com/lp/why-influxdb-for-energy-and-utilities/

[126] 一文弄明白什么是【时序数据库】之【InfluxDB】-CSDN博客 https://blog.csdn.net/weixin_69043348/article/details/149560660

[127] LF Energy Summit Recap and Video: ju:niz Energy Storage: A Case Study https://lfenergy.org/lf-energy-summit-recap-and-video-juniz-energy-storage-a-case-study/

[128] Compute energy costs https://community.influxdata.com/t/compute-energy-costs/32443

[129] Virtual Global Trading AG leverages QuestDB for efficient energy data management https://questdb.io/case-study/vgt-energy/

[130] Top InfluxDB Use Cases for 2024 https://toxigon.com/top-influxdb-use-cases-for-2024

[131] Storage engine and the Time-Structured Merge Tree (TSM) https://docs.influxdata.com/influxdb/v1.4/concepts/storage_engine/

[132] Tsm存储引擎_tsm的文件结构-CSDN博客 https://blog.csdn.net/u014473112/article/details/82971285

[133] InfluxDB-内存索引和时间结构合并树 (TSM)_influxdb tsm-CSDN博客 https://blog.csdn.net/qq_28919337/article/details/143434719

[134] kettle集成kerberos hive_mob64ca140ce312的技术博客_51CTO博客 https://blog.51cto.com/u_16213669/13293488

[135] influxdb以及prometheus数据存储的时常 influxdb 存储引擎_mob64ca13fb1f2e的技术博客_51CTO博客 https://blog.51cto.com/u_16213595/11656552

[136] 时序数据库技术体系 – InfluxDB TSM存储引擎之TSMFile - 海风吹 - 博客园 https://www.cnblogs.com/hetonghai/p/8594533.html

[137] InfluxDB 源码分析(七): Compact 压缩流程Compact 概述 influxdb 的存储引擎使用了基 - 掘金 https://juejin.cn/post/7352763226529431615

[138] InfluxDB storage engine https://docs.influxdata.com/influxdb/v2.7/reference/internals/storage-engine/

[139] How We Did It: Data Ingest and Compression Gains in InfluxDB 3.0 https://www.influxdata.com/blog/improved-data-ingest-compression-influxdb-3-0/

[140] Related to “Internals” https://docs.influxdata.com/influxdb/v2/tags/internals/

[141] InfluxDB Enterprise startup process https://docs.influxdata.com/enterprise_influxdb/v1/concepts/influxdb-enterprise-startup/

[142] ts=2025-07-10T07:34:49.163760Z lvl=info msg=“Reading file” log_id=0xdoo8QW000 service=storage-engine engine=tsm1 service=cacheloader path=/data/influxdb/engine/wal/23a9081f6c3b1065/autogen/6356/_01927.wal size=4381623 - CSDN文库 https://wenku.csdn.net/answer/827am5xajx

[143] InfluxDB Storage Engine Internals https://www.datacouncil.ai/talks/influxdb-storage-engine-internals

[144] InfluxDB Overview | InfluxData https://www.influxdata.com/products/influxdb-overview/?ref=cloudnatively.com

[145] InfluxDB 2.0 到 3.0 技术架构演进与性能分析_influxdb 3-CSDN博客 https://blog.csdn.net/qq_35760825/article/details/145443326

[146] In-Memory Analytics with Apache Arrow https://www.packtpub.com/en-ic/product/in-memory-analytics-with-apache-arrow-second-edition-9781835461228/chapter/chapter-10-powered-by-apache-arrow-13/section/an-influx-of-connectivity-ch13lvl1sec75

[147] Apache Arrow DataFusion 34.0.0 Released, Looking Forward to 2024 https://mathworks.github.io/arrow-site/blog/2024/01/19/datafusion-34.0.0/

[148] InfluxDB 3 Open Source Now in Public Alpha Under MIT/Apache 2 License https://www.plushcap.com/content/influxdata/blog/influxdata-influxdb3-open-source-public-alpha

[149] Why we used open source Apache projects to build InfluxDB 3.0 https://opsmatters.com/videos/why-we-used-open-source-apache-projects-build-influxdb-30

[150] Implementing InfluxDB IOx, “from scratch” using Apache Arrow, DataFusion, and Rust https://dsdsd.da.cwi.nl/past_talks/post_talks/Andrew-Lamb/

[151] InfluxDB 3 Platform https://www.influxdata.com/products/influxdb-overview/?ref=blog.gojek.io

[152] InfluxDB 3 Core & Enterprise GA: The Next Generation Time Series Platform for Developers is Here https://www.influxdata.com/blog/influxdb-3-oss-ga/

[153] How Does InfluxDB 3 Query Data in Real-Time? https://www.influxdata.com/blog/real-time-data-query-influxdb3/

[154] 基于开源技术打造一个时间序列数据库:用Apache Arrow和Rust重构InfluxDB 3_数据库_Paul Dix_InfoQ精选文章 https://www.infoq.cn/article/EYGQCy1sML4FlBpby8ju

[155] Using the FDAP Stack to Unlock High-Performance Time Series Data Storage and Analytics | Predict 2024 https://techstrong.tv/videos/predict-2024/using-the-fdap-stack-to-unlock-high-performance-time-series-data-storage-and-analytics-predict-2024

[156] Flight, DataFusion, Arrow, and Parquet: Using the FDAP Architecture to build InfluxDB 3.0 https://www.influxdata.com/blog/flight-datafusion-arrow-parquet-fdap-architecture-influxdb/

[157] 5分钟!带你了解InfluxDB企业版的如何实现一致性_influxdb 集群如何保证数据一致-CSDN博客 https://blog.csdn.net/weixin_42032431/article/details/107912689

[158] 分布式协议与算法实战-实战篇-CSDN博客 https://blog.csdn.net/XZ2585458279/article/details/151656385

[159] Quorum NWR算法深度解析:原理与实践-易源AI资讯 | 万维易源 https://www.showapi.com/news/article/67760d4b4ddd79f11a304f0e

[160] InfluxDB 集群部署与高可用方案(一)-CSDN博客 https://blog.csdn.net/qq_42190530/article/details/149983632

[161] ​​Prometheus监控之远端存储Influx Proxy_清晨的技术博客_51CTO博客 https://blog.51cto.com/u_13236892/12243726

[162] InfluxDB高可用性实战指南 - CSDN文库 https://wenku.csdn.net/column/592favydvo

[163] 基于TiKV理解InfluxDB Cluster方案-阿里云开发者社区 http://developer.aliyun.com:443/article/728036

[164] influxdb java_网易架构师手把手带你看:InfluxDB企业版如何实现一致性-CSDN博客 https://blog.csdn.net/weixin_39692830/article/details/110620375

[165] Clustering in InfluxDB Enterprise https://docs.influxdata.com/enterprise_influxdb/v1.6/concepts/clustering/

[166] Do you know anything about InfluxDB’s data consistency model? Can you talk about the level of consistency and the relevant implementation details? https://yifan-online.com/en/km/article/detail/16939

[167] How do you deal with data consistency and sequencing in an InfluxDB cluster, especially under high load and large- scale writes? https://yifan-online.com/en/km/article/detail/16979

[168] InfluxDB Enterprise features https://docs.influxdata.com/enterprise_influxdb/v1.9/features/

[169] InfluxDB Clustering - High Availability and Scalability https://www.influxdata.com/blog/influxdb-clustering/

[170] Glossary https://docs.influxdata.com/enterprise_influxdb/v1.8/concepts/glossary/

[171] 时序数据库对比分析:InfluxDB、TimescaleDB、TDengine与Prometheus-腾讯云开发者社区-腾讯云 https://cloud.tencent.com.cn/developer/article/2582038?policyId=1003

[172] InfluxDB vs TimescaleDB https://www.influxdata.com/comparison/influxdb-vs-timescaledb/

[173] Why TimescaleDB https://www.timescale.com/timescaledb-vs-influxdb/

[174] Data Model Comparison Between Time-Series Databases https://tdengine.com/tsdb/data-model-comparisons-between-time-series-databases/

[175] Prometheus vs TimescaleDB https://www.influxdata.com/comparison/prometheus-vs-timescaledb/

[176] VII. Database Comparison and Choice for UPISAS - AlejoEnriquez2/UPISAS_DB GitHub Wiki https://github-wiki-see.page/m/AlejoEnriquez2/UPISAS_DB/wiki/VII.-Database-Comparison-and-Choice-for-UPISAS

[177] 时序数据库全面解析与对比_51CTO博客_时序数据库 对比 https://blog.51cto.com/u_12440558/14164892

[178] Time Series Database https://www.influxdata.com/comparison/

[179] How to Choose the Best Time Series Database https://tdengine.com/how-to-choose-the-best-time-series-database/

[180] InfluxDB vs. TimescaleDB: Choosing the Right Time-Series Database

Databases & data management

Toxigon

2025-04-13 20:34

4 https://toxigon.com/influxdb-vs-timescaledb

[181] TSDB Comparison https://apache.googlesource.com/iotdb-docs/+/cafab23cf6a4d30dfad55cb0298ec06f4ffb1b0e/src/UserGuide/Master/stage/TSDB-Comparison.md

[182] The Best Time-Series Databases Compared https://www.timescale.com/learn/the-best-time-series-databases-compared/

[183] 常见的时间序列数据库概述_carbon 数据库-CSDN博客 https://blog.csdn.net/liuxiao723846/article/details/51533901

[184] Compare https://www.influxdata.com/products/compare/

[185] GitHub - douban/Kenshin: Kenshin: A time-series database alternative to Graphite Whisper with 40x improvement in IOPS(pdf) https://p.rst.im/q/github.com/zzl0/zzl0.github.com/raw/master/files/QCon-Kenshin.pdf

[186] Time series database explained https://www.influxdata.com/time-series-database/

[187] Graphite vs. InfluxDB https://www.metricfire.com/blog/graphite-vs-influxdb/

[188] victoriesmetircs时序库简介_victoriametrics时序数据库存储数据字段有哪些-CSDN博客 https://blog.csdn.net/weixin_44007213/article/details/153040510

[189] InfluxDB vs VictoriaMetrics https://www.influxdata.com/comparison/influxdb-vs-victoria/

[190] inch benchmark: VM vs InfluxDB - Google Drive https://docs.google.com/spreadsheets/d/1hc0bKJcMFUjGi42cA0qdzQjCm2FUeRpFB74gG2CTfY4/htmlview

[191] Set up InfluxDB Clustered https://docs.influxdata.com/influxdb/clustered/get-started/setup/

[192] Set up InfluxDB https://docs.influxdata.com/influxdb/v2.7/get-started/setup/

[193] mac下载并配置influxDB到本地-CSDN博客 https://blog.csdn.net/qq_42405688/article/details/153660747

[194] InfluxDB:时间序列数据库的创新发散本文将深入探讨InfluxDB，一个专为时间序列数据设-CSDN博客 https://blog.csdn.net/aichiyv1234/article/details/151144675

[195] 腾讯云国际代理商:‌如何搭建influxdb时序数据库? https://juejin.cn/post/7491619588872175628

[196] influxdb安装、配置用户权限、读写数据库详解(新手入门)_influxdb 将单个数据库的权限分配给用户-CSDN博客 https://blog.csdn.net/qq_29648129/article/details/108182985

[197] InfluxDB 简介及 Windows 安装指南_influxdb安装部署windows-CSDN博客 https://blog.csdn.net/weixin_60180674/article/details/149938700

[198] Set up InfluxDB https://docs.influxdata.com/influxdb/v2/get-started/setup/

[199] 从零开始学习时序数据库InfluxDB:安装和使用入门教程_influxdb 安装-CSDN博客 https://blog.csdn.net/weixin_40986713/article/details/129971006

[200] Install InfluxDB https://docs.influxdata.com/influxdb/v2.4/install/

[201] Installation https://archive.docs.influxdata.com/influxdb/v1.1/introduction/installation/

[202] Installation of InfluxDB 3 Core Issue https://community.influxdata.com/t/installation-of-influxdb-3-core-issue/57273

[203] CS4221 Tutorial 3: Timeseries (pdf) https://mlsys.io/CS4221_24S2/Tutorial_3.pdf

[204] All About InfluxDB Installation: A No-Nonsense Guide https://toxigon.com/influxdb-installation

[205] Write data with the InfluxDB API https://docs.influxdata.com/enterprise_influxdb/v1/guides/write_data/

[206] Writing data with the InfluxDB API https://docs.influxdata.com/influxdb/v1.7/guides/writing_data/

[207] InfluxDB基础操作_进入influxdb-CSDN博客 https://blog.csdn.net/qq_40378034/article/details/111112737

[208] InfluxDB 时序数据库基础介绍与使用_influxdb 每秒写入条数-CSDN博客 https://blog.csdn.net/jgk666666/article/details/141223000

[209] Write data with the InfluxDB API https://docs.influxdata.com/influxdb/v2/write-data/developer-tools/api/

[210] influxdb操作Java influxdb join_mob6454cc70642f的技术博客_51CTO博客 https://blog.51cto.com/u_16099270/6708786

[211] InfluxDB 使用手册_influxdb官方指南-CSDN博客 https://blog.csdn.net/weixin_47638656/article/details/113850111

[212] Get started querying data https://docs.influxdata.com/influxdb/v2/get-started/query/

[213] 时序数据库 influxdb_blueice的技术博客_51CTO博客 https://blog.51cto.com/u_14555/14261947

[214] Data Exploration https://archive.docs.influxdata.com/influxdb/v0.10/query_language/data_exploration/

[215] Sample Data https://archive.docs.influxdata.com/influxdb/v1.2/query_language/data_download/

[216] CS4221 Tutorial 3: Timeseries (pdf) https://mlsys.io/CS4221_24S2/Tutorial_3.pdf

[217] Write data to InfluxDB https://docs.influxdata.com/chronograf/v1/guides/write-to-influxdb/

[218] Get started querying data https://docs.influxdata.com/influxdb/cloud-serverless/get-started/query/?t=InfluxDB+UI