华为伙伴暨开发者大会2022终于迎来完美收官~在GaussDB数据库专场大咖们金句频出快来get他们的精彩发言看看是谁的DNA又动了呢？

海量数据的聚合分析如何满足业务要求？如何快速构建跨云、跨边、跨集群的云原生应用？如何快速构建兼容多种推理框架的高性能AI应用？2022年6月16日在华为伙伴暨开发者大会上，华为云公布四大重磅开源项目， 旨在帮助开发者解决上述问题。openGemini：openGeminiKurator：kurator-dev · GitHubKappital：Kappital · GitHubModelBox：ModelBox | ModelBox是一套统一的端边云AI应用开发和运行框架的规范，以及在此规范上所实现的运行时框架。...#华为伙伴暨开发者大会2022# #华为云#

【中国，2022年6月16日】今天，在华为伙伴暨开发者大会2022，华为云将GaussDB时序时空数据库内核开源，并命名为openGemini。华为云数据库创新Lab主任张文亮在华为云数据库专题论坛对openGemini进行了详细的技术解读，介绍了其创新架构、卓越的读写性能、高效的数据分析和数据压缩等能力，是企业数字化转型升级，海量时序时空数据处理的最佳选择。物联网时代，设备数量激增，数据库面临更大挑战。比如高并发写入大量数据如何保证高性能？每天GB、TB级数据如何降低存储成本？海量数据的聚合分析如何满足业务要求？与此同时，随着企业数字化和云计算技术的发展，企业IT系统数量越来越多，功能也越来越复杂，导致企业在处理数据时存在诸多挑战。首先，数据存在多种模态，分散存储在多套系统中。其次，数据指标类型多，采样频率高，数据增长迅猛。第三，业务种类繁多，对分析的时效性要求越来越高。最后，业务之间存在复杂的关联，故障检测和根因分析很困难。多个系统的运维监控也对数据库提出了新的需求。时序数据库是针对物联网和运维监控等场景，结合业务和数据特点专门设计的一种垂直领域数据库系统，在数据压缩精简、数据分层存储、连续数据查询以及数据分析等方面具有超越传统关系型数据库的明显特点和优势。华为云整合产业和技术优势，打造了业界领先的企业级时序数据库GaussDB(for Influx)，并经过外部公有云业务服务化的锤炼以及内部DevOps等业务的长时间打磨，在大规模集群、高性能查询、分级压缩存储等方面都有明显优势。在此次大会上，华为云宣布将GaussDB(for Influx)内核正式对外开源，开源品牌命名为openGemini，它是继openGauss数据库开源之后，华为开源的又一关键数据库系统。openGemini兼容InfluxDB、Prometheus生态API，具有高性能、高扩展、存储-分析一体化、运维成本低、高数据压缩率等5大优势。openGemini数据库全景图高性能，千亿级时序数据全生命周期管理openGemini通过多核并行算法、数据分级存储、向量化、数据预处理、近数据处理等技术，实现极致读写性能。在海量数据场景下，支持每天万亿指标数据写入，万级传感器数据时空聚合查询亚秒级响应，在同类开源产品中性能优势明显。高扩展，满足企业复杂业务处理诉求openGemini由ts-sql, ts-store, ts-meta三个组件组成，每个组件可单独扩展，能够支撑100+节点的扩展，可灵活应对不同时序业务场景。存储-分析一体化，实现数据闭环管理openGemini基于AI技术的强大数据分析能力，提供时序预测、时序异常检测能力，实现了数据从存储到分析完整的闭环管理。运维成本低openGemini架构简单，安装部署灵活，无第三方依赖，大幅减轻了运维的成本。高数据压缩率openGemini采用行列混存方式，数据按列进行压缩，不同数据类型对应不同的数据压缩算法，极大缩减了数据压缩空间。如华为云某服务存储空间从每天1035GB降低到82GB，缩减了12.6倍。技术创新是openGemini开源社区持续、健康发展的推动力，华为云将坚持开放合作的运营理念，期待与开发者、企业一起共建openGemini开源社区，实现开源成果的共享，促进时序数据库产业快速发展，实现技术的商业价值和社会价值。openGemini社区欢迎企业人员、科研工作者、学生等伙伴的加入。让我们携手与共，共创新、赢未来！官网地址：http://www.opengemini.org

6月16日，2022年华为伙伴暨开发者大会正在以线上的方式火热进行，会上集结了众多行业专家、合作伙伴和客户，一起共话行业前沿趋势，探索技术新发展。在“探秘GaussDB，打造坚实金融数据新底座”专场，华为云数据库首席架构师冯柯、工商银行软件开发中心高级经理董勇明、上海掌数科技有限公司首席顾问邹昌根和华为云数据库创新LAB主任张文亮以线上的形式现身，与观众分享了GaussDB最新技术趋势，以及华为云GaussDB与伙伴合作背后的故事和实践经验。 华为云GaussDB 技术创新之路永不停歇持续创新是华为云一直以来坚持在做的事。当前，随着5G、IoT、AI、大数据的快速发展，数据量爆发式增长，数据库云化进一步提升，数据库行业也迎来了云原生2.0时代，这对数据库的性能、可靠性、可用性都有了更高的要求。华为云GaussDB多年来持续聚焦技术创新，构建以应用为中心的新型数据库云服务，让客户聚焦业务创新。在此次大会上，华为云数据库首席架构师冯柯重点介绍了刚刚正式商用的GaussDB云原生HTAP，分享如何为业务提供更加及时精准的数据分析，助力商业决策；ALT应用无损透明技术如何在遭遇故障、运维以及实例变更时保持业务不中断，实现真正的业务高可用；创新性地将NDP(Near Data Processing, 近数据处理) 和PQ(Parallel Query, 并行查询)相结合，打造了NDPQ(近数据并行处理)，打破复杂查询性能天花板。华为云GaussDB的技术优势正在赋能越来越多的企业客户实现数字化高效转型。 工商银行核心系统转型  聚焦技术硬实力 夯实数据底座“在数字化升级的道路上，我们选择了华为云GaussDB作为优秀的合作伙伴。”工商银行软件开发中心高级经理董勇明在分享中提到，工商银行对自身的核心交易系统的诉求有清晰的认知，自2019年和GaussDB联创以来，已有20多个业务系统相继试点上线。去年，在开放平台大型业务系统传统集中式数据库转型领域，双方持续技术攻关，初步形成了整套的系统性技术资产和解决方案，为金融行业提供了低成本、高效可控的转型借鉴。“这一路的联创实践，充分验证了传统集中式数据库向分布式数据库转型的可行性，为大型商业银行核心系统转型趟出了一条宽阔的道路。未来，工商银行将继续依托产学研联合创新机制，与包括华为在内业界领先企业深入开展联合技术攻关与融合共建，共建金融科技新生态”董勇明说。持续技术攻关，联手共建金融科技新生态 掌数科技&华为云GaussDB 助力证券行业金融创新 打造行业标杆“数据库技术作为根技术，在华为生态体系建设中是非常重要的，这也是我们所看重的。”上海掌数科技有限公司首席顾问邹昌根说到。掌数科技是一家聚焦于证券和大资管行业，面向数据库和大数据技术、智能化场景应用以及行业信息技术应用创新领域的金融科技企业，服务于全国80+大型金融机构客户。掌数科技作为华为在金融证券行业首家数据库技术领域的全面合作伙伴，以法人清算系统为行业典型应用场景，形成了以GaussDB为数据底座的一系列全栈式金融创新方案，并已经在证券行业展开试点应用。该方案不仅规划设计了两地三中心的网络高可用架构，也提供了完善的容灾安全保障，以及一整套、全面的基于GaussDB的技术支撑与服务体系。 联创形成基于法人清算系统的GaussDB全栈式金融创新方案 邹昌根表示：“我们期待通过与华为云GaussDB的合作，能够从多个维度保障创新项目的实施落地，让行业充分感知价值，展现我们优秀的实践经验；我们也将共同推进服务能力与体系建设，从而真正形成完整的GaussDB生态体系。” 探秘openGemini 共建开源时序数据库新生态同时，在GaussDB 数据库专场，华为云数据库创新LAB主任张文亮也对刚刚开源的时序时空数据库做了技术解读。“为了更好地推动数字化产业的创新发展，我们决定把自己的时序数据库GaussDB(for Influx)对外开源，开源社区叫openGemini，这是继openGauss开源之后，华为开源的又一数据库根技术。”张文亮说。openGemini时序时空数据库面向物联网、运维监控等业务场景，具备创新的架构设计、卓越的读写性能、高效的数据分析能力和数据压缩能力，帮助企业经济高效地处理海量时序数据。openGemini开源后将秉持着“基于创新技术、贡献产业发展，开放合作，共建共享”的生态策略，和开发者、企业一起，完善周边工具和南北向的生态，共同繁荣openGemini的技术生态。汇聚各界力量，共建openGemini繁荣生态 展望未来，华为云GaussDB将持续深耕技术创新，继续携手工商银行和掌数科技，以及越来越多的企业伙伴，以技术赋能业务数字化升级，并持续贡献openGauss和openGemini开源生态，为行业发展创造更多价值！

华为云GaussDB精彩议程来袭，重磅特性升级，优秀实践，重大产品开源……更多精彩内容，请锁定6月16日10:30GaussDB专场直播~

6月8日16:00，华为云快成长直播间-云数据库专场来啦！看华为云大咖架构师费鹏，如何深度解析用户自建数据库的痛点，又是如何对症下药，有针对性地提供华为云数据库解决方案！看直播→https://activity.huaweicloud.com/kuaichengzhang_live/20220608.html

华为云618惠上云，更简单！云数据库RDS for MySQL 1年享1.2折起，任意数据库迁移上云买1年送1年。活动期间还有8800元大礼包、满额赠华为笔记本，赢得1元换购万元数据库的机会！更多活动详情→https://activity.huaweicloud.com/dbs_Promotion/index.html

1.   背景随着5G和IOT的快速发展，面对爆发式增长的时序数据，如何才能挖掘数据中的潜在价值，为客户的业务运行、商业决策提供精确的指导？在统计学中，直方图作为一种经典的分析工具，可以直观地描述数据分布特征，应用场景极其广泛，例如：在网络监控数据方面，通过直方图可以捕捉异常数据的分布区间，便于网络的自诊断与修复；在时序数据分析方面，通过直方图可以表示数据的分布特征，便于时序数据的特征提取；作为代价评估模型的输入从而指导数据库内部的查询优化；本文带您了解直方图在不同产品中的实现，以及GaussDB(for Influx)中直方图的使用方法。2.   直方图的实现方式时序及分析性数据库大部分都支持了直方图算子，但各个数据库中的直方图实现上也有一定差异，其中几种比较典型的直方图实现有：Druid：Druid-histogram拓展中提供了近似直方图（approximate histogram aggregator）和固定桶直方图（fixed buckets histogram）聚合器。其中近似直方图根据论文《A Streaming Parallel Decision Tree Algorithm》实现，较适用于随机分布的数据。ClickHouse：ClickHouse提供了自适应直方图，查询的结果为近似值。与Druid类似，其实现参考了论文《A Streaming Parallel Decision Tree Algorithm》。当新数据输入到直方图时，直方图中桶的边界会被调整，通常情况下，桶的宽度并不相等。 ElasticSearch：ElasticSearch中支持了HDR Histogram(High Dynamic Range Histogram)，HDR Histogram是一种替代实现，在计算网络延迟的百分位数表现良好。同时，当值的范围并不清楚时，官方并不建议使用HDR Histogram，因为此时内存占用会很高。InfluxDB v2.0：InfluxDB同样提供了直方图的实现，与其它直方图略有不同。InfluxDB2.0可以设置直方图的桶的生成方式，linearBins()可以将数据按照线性分割，即桶宽相等，logarithmicBins()则可以将数据按照指数分割，即桶宽呈指数形式增长。GaussDB(for Influx)：GaussDB(for Influx)支持两种直方图类型查询，一种确定桶数的等高直方图，另一种确定桶边界的定界直方图。等高直方图指每个桶的高度接近的直方图，而定界直方图指设定桶的上下边界值的直方图。定界直方图支持用户的自定义，更方便用户根据业务特点提取数据的关键分布特征。支持四种数据类型，包括整数、浮点数、字符串与布尔类型，可满足各行各业的数据分析需求。 3.   GaussDB(for Influx)直方图使用本章节通过实际的数据样例介绍GaussDB(for Influx)直方图的使用。3.1 数据样例示例采用的数据如下：mst是表名，包含4个field(每个field对应一种数据类型)与2个tag，元数据如下：> show field keys name: mst fieldKey fieldType -------- --------- address string age integer alive boolean height float > show tag keys name: mst tagKey ------ country name原始数据如下：> select * from mst name: mst time address age alive country height name ---- ------- --- ----- ------- ------ ---- 1629129600000000000 shenzhen 12 true china 70 azhu 1629129601000000000 shanghai 20 false american 80 alan 1629129602000000000 beijin 3 true germany 90 alang 1629129603000000000 guangzhou 30 false japan 121 ahui 1629129604000000000 chengdu 35 true ca** 138 aqiu 1629129605000000000 wuhan 48 china 149 agang 1629129606000000000 52 true american 153 agan 1629129607000000000 anhui 28 false germany alin 1629129608000000000 xian true japan 179 ali 1629129609000000000 hangzhou 60 false ca** 180 1629129610000000000 nanjin 102 true 191 ahuang 1629129611000000000 zhengzhou 123 false china 203 ayin3.2 等高直方图查询语法：SELECT HISTOGRAM( [ * | <field_key> | /<regular_expression>/ ] , <N> ) [WINTO_clause] FROM_clause [WHERE_clause] [GROUP_BY_clause] [ORDER_BY_clause] [LIMIT_clause] [OFFSET_clause] [SLIMIT_clause] [SOFFSET_clause]HISTOGRAM(field_key, N)计算指定指标field在各区间的统计值，其中N是要求的。HISTOGRAM(/regular_expression/, N)计算满足正则匹配的field在各区间的统计值。HISTOGRAM(*, N)计算整数与浮点数数据类型的field在各区间的统计值。查询示例1. 查询field_key为age且桶数为5的等高直方图。> select histogram(age, 5) from mst where time >= 1629129600000000000 and time <= 1629129611000000000 name: mst time histogram value ---- --------- ----- 0 20 3 0 30 2 0 48 2 0 60 2 0 9223372036854775807 22. 查询field_key满足正则匹配为/hei/(符合要求的只有height)且桶数为5的等高直方图。# 浮点数类型 > select histogram(/hei/, 5) from mst where time >= 1629129600000000000 and time <= 1629129611000000000 name: mst time histogram_height value ---- ---------------- ----- 0 90 3 0 138 2 0 153 2 0 180 2 0 1.7976931348623157e+308 23. 支持field为字符串类型的address与布尔类型的alive的等高直方图查询。> select histogram(address, 5) from mst where time >= 1629129600000000000 and time <= 1629129611000000000 name: mst time histogram value ---- --------- ----- 1629129600000000000 chengdu 3 1629129600000000000 hangzhou 2 1629129600000000000 shanghai 2 1629129600000000000 wuhan 2 1629129600000000000 zhengzhou 2 > select histogram(alive, 3) from mst where time >= 1629129600000000000 and time <= 1629129611000000000 name: mst time histogram value ---- --------- ----- 1629129600000000000 false 5 1629129600000000000 true 6下图分别表示上述查询的各等高直方图3.3 定界直方图查询语法：SELECT HISTOGRAM( [ * | <field_key> | /<regular_expression>/ ] , ‘specifyBins’, boundary1, boundary2,...,boundaryN) [WINTO_clause] FROM_clause [WHERE_clause] [GROUP_BY_clause] [ORDER_BY_clause] [LIMIT_clause] [OFFSET_clause] [SLIMIT_clause] [SOFFSET_clause]HISTOGRAM(field_key, ‘specifyBins’,  boundary1, boundary2,...,boundaryN)计算指定指标field在指定区间的统计值，specifyBins为定界直方图标志，boundaryN表示指定的各边界值，可以是整数、浮点数、字符串与布尔四种数据类型。HISTOGRAM(/regular_expression/, ‘specifyBins’,  boundary1, boundary2,...,boundaryN)计算满足正则匹配的field在指定区间的统计值。HISTOGRAM(*, ‘specifyBins’,  boundary1, boundary2,...,boundaryN)计算整数与浮点数数据类型的field指定区间的统计值。查询示例：1. 查询field_key为age且指定区间[0, 10), [10, 20), [20, 30), [30, 40), [40, 50)的定界直方图。# 整数类型 > select histogram(age, 'specifyBins', 10,20,30,40,50) from mst name: mst time histogram value ---- --------- ----- 0 10 1 0 20 2 0 30 2 0 40 1 0 50 12. 查询field_key满足正则匹配为/eight/(符合要求的只有height)且指定区间[0, 160), [160, 170), [170, 180), [180, 190), [190, 200)的定界直方图。# 浮点数类型 > select histogram(/eight/, 'specifyBins', 160.0, 170.0, 180.0, 190.0, 200.0) from mst name: mst time histogram value ---- --------- ----- 0 160 7 0 170 0 0 180 2 0 190 0 0 200 13. 支持field为字符串类型的address与布尔类型的alive的定界直方图查询。# 字符串类型 > select histogram(address, 'specifyBins', 'anhui', 'beijin', 'chengdu') from mst name: mst time histogram value ---- --------- ----- 0 anhui 1 0 beijin 1 0 chengdu 1 # 布尔类型 > select histogram(alive, 'specifyBins', false, true) from mst name: mst time histogram value ---- --------- ----- 0 false 5 0 true 6下图分别表示上述查询的各定界直方图。总结直方图作为一种经典的统计分析工具，由于其构建简单高效且能有效地描述数据分布特征，因此它的应用场景极其广泛，特别是在分析型数据库中。GaussDB(for Influx)中不仅支持了两种类型的直方图查询能力(等高与定界直方图)，而且支持了四种数据类型(整数、浮点数、字符串与布尔型)，能够帮助用户快速构建业务的数据分析能力，助力用户商业成功。另外，GaussDB(for Influx)还在集群化、冷热分级存储、查询、高可用方面也做了深度优化，能更好地满足时序应用的各种场景。结束本文作者：华为云数据库创新Lab & 华为云时空数据库团队 欢迎加入我们！ 云数据库创新Lab（成都、北京）简历投递邮箱：xiangyu9@huawei.com 华为云时空数据库团队（西安、深圳）简历投递邮箱：yujiandong@huawei.com

近期，华为云GaussDB(for Redis)缓存数据库再次推出全新版本，携新特性重磅来袭！GaussDB(for Redis)是华为云推出的企业级分布式KV数据库，它完全兼容Redis协议，提供丰富的数据类型，基于云原生存储计算分离架构，在成本、可靠性等方面为企业带来全新价值。 本次GaussDB(for Redis)推出的全新特性，不仅对基础性能和连接管理等进行了大幅优化，同时突破开源Redis短板，实现增强版前缀搜索和集群版多租隔离功能，前缀搜索时延较开源Redis降低千倍，为助力企业业务发展带来了更多可能。关键特性1：增强版前缀扫描，千倍性能提升GaussDB(for Redis)推出的增强版前缀扫描功能，优化了String、Hash、Set、Zset四种数据类型scan的前缀搜索。GaussDB(for Redis)的SCAN、HSCAN、SSCAN、ZSCAN命令在使用方法上与开源Redis完全兼容，但前缀匹配模式的性能更为优秀，从开源的耗时O(N)优化到O(logN + M)（其中N是整体数据量，M是匹配的数据量）。下面根据某客户实际场景，对比GaussDB(for Redis)和开源Redis的性能：数据：500w个key，均为String，范围为“1”~“5000000”， value大小为100B。命令：Scan 0 Match 499999* Count 100。在500w个key中搜索11个key。结果：开源Redis为7.67s ，GaussDB(for Redis)仅为2.92ms，快了2600倍，且开源Redis在返回搜索结果前返回了4.98w+次的空结果，而GaussDB(for Redis)第一次就返回了搜索结果。开源Redis：GaussDB(for Redis)：在互联网业务中，诸如批量查找/删除一批相同前缀的key是很常见的业务场景，在上百万的数据量下，开源Redis的秒级时延显然是不可接受的。GaussDB(for Redis)针对这一场景进行了有效优化，将时延降低上千倍至毫秒级，带来了极致的性能体验。关键特性2：多租隔离，集群版业务数据隔离能力GaussDB(for Redis) 提供的多租隔离功能，允许用户为不同的业务创建不同的DB，实现不同业务数据隔离。使用方法上，GaussDB(for Redis)的多租隔离功能与开源Redis单机版本的多DB用法保持完全兼容（开源Redis集群版本不支持多DB）。用户可以通过SELECT DB来切换/新建不同的DB给不同的业务使用，通过FLUSHDB删除一个DB中的全部数据而不影响其他DB，从而高效地实现多租隔离效果。GaussDB(for Redis)多DB实现业务多租隔离GaussDB(for Redis)的多DB核心价值在于：集群版多DB：GaussDB(for Redis)集群版本可支持多DB；开源Redis的“多DB”只能用于单机，不支持集群。大规模多DB：GaussDB(for Redis)单实例支持65536个DB，搞定多业务多租隔离。高扩展性：开源Redis单机扩容到64G已经是极限，更不用说fork导致的容量利用率只有50%。GaussDB(for Redis)吞吐可水平扩展至百万QPS，容量支持12TB，解决了扩展性问题。低成本：GaussDB(for Redis)相比开源Redis，成本可降20%~70%。多租隔离是数据库的必备功能，在实际业务场景中，不同模块共享同一Redis实例是很常见的需求。GaussDB(for Redis)超越开源Redis，支持集群版本下的多DB，依托现有的秒级弹性扩缩容能力，在海量业务压力下仍能为客户提供灵活便捷的业务数据访问控制服务。目前，GaussDB(for Redis)已经凭借出色的产品实力在游戏系统、电商平台、推荐系统、社交媒体、物联网等众多企业级应用场景中发挥出巨大作用，而新推出的增强版前缀扫描与多租隔离两大功能特性，将以更优异的能力使企业在降本的同时实现增效，助力企业高效数字化！

为深化产教融合，推动校企合作，培养更多数据库人才，华为云GaussDB积极响应教育部号召，在2022年第一批“产学合作协同育人”项目的大框架下，继续设立“基于华为云GaussDB数据库的课程和实验体系”新工科建设项目，将华为多年潜心研发的GaussDB数据库引入高校课程体系，作为高校数据库课程的学习范本和实验平台，为高校提供免费的实验资源。该项目已于日前开始启动报名，时不我待，申报指南已备好，千万别错过！

“你们的数据库性能怎么样？” “能不能满足我们的业务？” “和其他数据库对比性能有优势么？” ...... 客户在使用数据库时常有这样的担心和疑问。 本文从测试方案、测试工具、测试场景、测试结果等方面详细介绍了GaussDB(for Influx)和开源InfluxDB集群在X86架构下的性能测试情况。测试结果显示，GaussDB(for Influx)较企业版InfluxDB集群能提供更高的写入性能、更低的访问延迟以及更高的数据压缩率。 01 测试方案1.1 资源配置服务端配置产品名称规格存储架构GaussDB(for Influx)4U16G 2节点100G集群架构开源企业版InfluxDB4U16G 3节点100G集群架构1.2 测试工具测试工具为开源性能工具TS-benchMark。02 测试设计2.1  测试模型本次测试采用风力发电数据模型，每个风场50个设备，每个设备50个传感器，1个风场1个线程，通过load数据的线程数来控制时间线的大小，通过收集时间的长短来控制数据量。模型每条数据大小约为24字节，具体的类型如下：Timestamp | farm | device |sensor | value2.2  测试数据量测试数据分为两个场景，大数据量和小数据量，具体数据量如下：场景时间线数据量小数据量50004亿大数据量250万GaussDB(for Influx) 150亿 企业版InfluxDB 47亿注：企业版InfluxDB在插入到47亿数据时OOM，以下性能对比都基于此数据量。2.3  测试场景2.3.1  数据写入场景batch_size(每个批次写入的数据量) 固定为50，线程数分别从1、2、4、8、16、32、64、128、256、512 递增；线程数（客户端并发请求的连接数）固定为8， batch_size分别从50、100、150、200、250、300 递增。2.3.2  数据查询场景单线程进行不同语句的查询，并统计其时延信息。第一类查询：所有TAG查询select * from sensor where f='f1' and d='d2' and s='s1' and time>=1514768400000000000 and time<=1514772000000000000第二类查询：TAG+ VALUE查询select * from sensor where f='f1' and s='d2' and value>=3.0 and time>=1514768400000000000 and time<1514854800000000000第三类查询：聚合查询select mean(value) from sensor where f='f1' and s='s1' and time>=1514768400000000000 and time<=1514854800000000000 group by f,d,s,time(1h)第四类查询：或条件查询select * from sensor where f='f1' and (s='s1' or s='s2' or s='s3' or s='s4' or s='s5') and time>=1514768400000000000 and time<=1514769150000000000第五类查询：单个TAG查询select * from sensor where f='f1' and time>=1514768400000000000 and time<=151476915000000000003 测试结果分析3.1  写入吞性能比对在小数据量场景下，GaussDB(for Influx)的写入性能是企业版InfluxDB的13倍左右，在大数据量的场景下可以达到1.8倍左右。3.2 查询性能对比1） 第一类查询（所有TAG查询）：无论是大数据量还是小数据量场景下，GaussDB(for Influx)的吞吐量是开源InfluxDB企业版的2倍左右。2） 第二类查询（TAG + VALUE查询）：在小数据量场景下，开源InfluxDB企业版性能高于GaussDB(for Influx)，GaussDB(for Influx)在大数据量和小数据量场景下性能基本持平。3）第三类查询（聚合查询）：GaussDB(for Influx)查询性能明显优于开源InfluxDB企业版，在小数据量场景下是开源版本的14倍，大数据量下也是开源版本的8倍左右。4）第四类查询（或条件查询）：GaussDB(for Influx)查询性能在两种场景下比较稳定，开源企业版InfluxDB在两种场景下差异较大；GaussDB(for Influx)在小数据量场景下表现优于开源版，在大数据量场景下低于开源版。5）第五类查询（单个TAG查询）：GaussDB(for Influx)查询性能在两种场景下比较稳定，在大数据量场景下低于开源版。3.3  数据压缩率对比在250万时间线场景下，GaussDB(for Influx)导入了151亿条数据，导入前数据大小为337.5G，导入后为49.8G，压缩率为6.8；开源企业版导入了47亿条数据，导入前105G，导入后21.3G，压缩率为4.9。GaussDB(for Influx)压缩率是开源企业版的1.4倍左右。Influx引擎采用LSM tree架构，随着后台compaction的进行，压缩率会进一步提升，当前数据对比是数据刚导入时的结果。04 总结在GaussDB(for Influx)2节点对比开源版3节点场景下，GaussDB(for Influx)给客户带来了更高的写入能力、更稳定的查询能力、更高的压缩率。GaussDB(for Influx)写入能力在小数据量场景下是开源企业版的13倍，在大数据量场景下是开源企业版的1.8倍；查询能力在两种场景下表现稳定，在大部分查询场景下优于开源企业版；在压缩率方面，同样数据模型下，高出开源版本40%。除了以上优势外，GaussDB(for Influx)还在集群化、冷热分级存储、高可用方面也做了深度优化，能更好地满足时序应用的各种场景。05 结束本文作者：华为云数据库创新Lab & 华为云时空数据库团队欢迎加入我们！云数据库创新Lab（成都、北京）简历投递邮箱：xiangyu9@huawei.com华为云时空数据库团队（西安、深圳）简历投递邮箱：yujiandong@huawei.com

4月23日，中国邮政储蓄银行新一代个人业务分布式核心系统全面投产上线。该系统是大型商业银行中首家同时采用企业级业务建模和分布式微服务架构，基于鲲鹏硬件底座、openGauss开源数据库与GaussDB分布式云数据库共同打造的全新个人业务核心系统，是中国银行业金融科技关键技术可控的重大实践。邮储银行新一代个人业务核心系统 通过企业级业务建模实现化繁为简，重塑核心交易流程；组件化模型驱动业务敏捷，从容应对市场变化与客户需求；分布式单元化部署实现弹性扩展，实时支撑业务变化；在线迁移方式实现客户无感切换，保障业务连续性，降低切换风险。为客户带来3新体验：新感受，更加快速高效。改版界面、优化流程、减少人工依赖，大幅缩短客户业务办理时间；新功能，更加智能强大。依托线上触达渠道，重点着眼于客户需求复杂的查询类业务，满足客户长周期、多元化、个性化需求；新设计，更加安全可靠。完善的实时反欺诈系统，提高操作风险管控能力，同时帮忙客户降低潜在欺诈风险。鲲鹏、openGauss开源数据库与GaussDB分布式云数据库作为邮储银行新一代个人业务核心系统IT数字化底座组成部分，在其中承担了先进算力平台和高性能企业级数据库的重要角色。系统上线后可支撑海量交易、弹性伸缩、金融核心级高可靠和高可用，可具备为全行6.37亿个人客户、4万个网点提供日均20亿笔，峰值6.7万笔/秒的交易处理能力。邮储银行新一代个人业务核心系统全面投产上线，使邮储银行科技金融再添一部新引擎，将为邮储银行提供源源不断的科技动能，加速建设“一流大型零售银行”。同时鲲鹏、openGauss开源数据库与GaussDB分布式云数据库将继续全力支持邮储银行数字化升级，共同为同业积累经验，探明路径，树立标杆。

我是在本地的java项目中，连接云服务器中的openGauss中新建的数据库。通过新建的用户jack连接。这是我引用的依赖包。这是我的配置这是我云服务器上的数据库：本地测试连接：然后将本地项目打包报错，在项目中执行mvn clean ，再执行mvn package，然后报错。上图显示的jdbc:postgresql://123.60.....是我云服务器中的数据库地址没有参考文档，就是按照平时在本地打包的步骤。我已经在云服务器上安装了openGauss检查防火墙以及selinux

华为云GaussDB(for Influx)时序数据库面向工业物联网海量时序数据场景提供数据安全、高性能、低存储成本、免运维等能力，受到越来越多企业的关注；同时，即开即用、使用简单、类SQL查询语句、无需设计schema、适合业务快速迭代等特点，也越来越得到开发者的认可。 但是随着业务规模不断增加，也会遇到诸如时间线暴涨、查询时延高、Tag和Field同名导致查询数据时有时无等问题，其根本原因是，在使用过程中没有良好的数据模型设计。本期将从GaussDB(for Influx)数据模型谈起，分享GaussDB(for Influx)数据建模的最佳方法，避免一些使用过程中的常见问题。 01 数据模型与关键概念Database与MySQL中Database概念相同。创建命令：CREATE DATABASE “mydb”。用户权限、数据保留策略都以Database为粒度设置。比如赋予用户对“mydb”数据库只读权限：GRANT read ON mydb TO username。Measurement与MySQL中Table概念类似。所不同的是，GaussDB(for Influx)属于Schemaless，Measurement不需要提前创建，也不需要设计表中的字段和类型。写入数据时自动创建Measurement，字段可以任意新增和减少，但要求相同字段的数据类型必须一致。Retention Policy（RP）数据保留策略，是关系型数据库中不存在的概念，专为时序场景设计，意为指定数据在数据库中的最长保存时间，过期数据会自动被清理。Tag数据源标识，只支持string类型Field采集指标，支持string，float，int，bool类型Line Protocol（数据模型）如图所示，写数据到GaussDB(for Influx)，单条数据由measurement、Tag_key、Tag_value、Field_key、Field_value、timestamp 6部分组成。<Tag_key= Tag_value>可以1个或多个，<Field_key=Field_value>可以1个或多个，每条数据必须要携带时间戳。 Point（点）Point通常包含measurement+Tags+Field+timestamp 4个部分。例如，如下数据包含2个Point。 <monitorInfo，area=“葡萄花”，，device=“钻机A” pressure=1.8，level=35 1650443961100400200> Point1： <monitorInfo，area=“葡萄花”，device=“钻机A”，pressure=1.8 1650443961100400200> Point2： <monitorInfo，area=“葡萄花”，device=“钻机A”，level=35 1650443961100400200>即，一条数据包含多少Field Key，则可以简单认为存在多少Point。在GaussDB(for Influx)中，可以一条数据包含一个Point，也可以包含多个Point。Series（时间线）在GaussDB(for Influx)里，我们将一个指标+一组Tag组合称为一条时间线。在一条时间线下面，连续时间点的采样数据则为时序数据。比如有数据：monitorInfo，area=”葡萄花”，device=”钻机A”，pressure=1.8，1650443961100400200 monitorInfo，area=”葡萄花”，device=”钻机B”，pressure=1.6，1650443961100400200 monitorInfo，area=”榆树林”，device=”钻机B”，pressure=1.7，1650443961100400200 monitorInfo，area=”榆树林”，device=”钻机A”，pressure=1.5，1650443961100400200表示4条时间线，分别是：葡萄花油田的钻机A上的压力传感器(pressure)葡萄花油田的钻机B上的压力传感器(pressure)榆树林油田的钻机B上的压力传感器(pressure)榆树林油田的钻机A上的压力传感器(pressure)02 数据建模之最佳实践通常，数据建模是为了让查询更简单、更高效。对于大多数使用情形，我们建议使用以下设计准则：1、合理设计Tag 和FieldTag只支持字符串类型，数值和布尔类型数据应该被设计为Field；将常用查询条件和分组条件设计为Tag；因为Tag会创建索引，而Field则没有索引。比如在业务中，经常会查询某一台机器的平均CPU利用率：SELECT mean(cpu) FROM monitor WHERE host=“192.168.1.1” AND time > now() – 1h或者查询风电场每台风力发电机每小时的平均发电量：SELECT mean(elect) FROM monitor WHERE farm_id=“737f738a-bd63” AND time > now() – 24h GROUP BY time(1h)，device_id则应该将上述查询语句中的 host、farm_id、device_id 设置为Tag，前提是字符串类型才能被设为Tag。time属于内置关键字，不能作为Tag_key和Field_key；使用InfluxQL函数（Max、Min、Count等）的字段，作为Field存储。2、 遵守Tag_Key 和Field_Key的命名约定不使用保留关键字作为Tag和Field的key（名称）；Tag和Field不使用相同名称，否则会出现不可预料的问题；Tag和Field名称尽量简短清晰，可以节约Index内存空间，同时会让查询更加高效；避免一个Tag中包含多层意思，比如machine = “192.168.2.1-Ubuntu”，包含ip地址和操作系统名称，建议拆分为两个Tag：host和os；建议将变化小的数据设置为Tag，比如进程名称可以设为Tag，而进程号则建议设置为Field。3、避免超过节点规格所能承受的时间线数量GaussDB(for Influx)规格与时间线数量对应关系如下： 时间线过度超过限制，会引起性能急剧下降，可能会影响业务运行，需要考虑对节点扩容。4、避免一张表中存在过多Tag或者 Field 建议一张表存放同一类业务数据，比如物流车辆监测数据。过多业务数据放置到同一张表，会造成Tag和Field数量激增，直接影响查询效率。Field太多时，每个Field的计算都会单独计算，当执行模糊查询时可能会导致查询超时。 5、避免同一个Retention policy存储多用户数据 不同业务数据的过期时间不尽相同，应根据业务具体需求分别存储在不同的RP中，否则过期数据不能及时删除，依然占据存储空间，增加了数据存储成本，影响了查询效率。 6、避免同一个Database存储多用户数据 由于当前GaussDB(for Influx)的权限控制粒度是DB级别，同一个Database保存多用户数据，容易导致数据被其他用户访问和修改。建议不同用户使用单独Database，并且只对单一用户授予访问权限。 03 总结在制造、能源、农业、电力等工业物联网行业中，大部分数字化信息系统是构建在MySQL等关系型数据库基础上。但随着企业业务和规模的进一步扩大，数据量迅速增长，MySQL等关系型数据库面临并发数、存储成本、查询性能、扩展性、维护等诸多问题，正逐渐被时序数据库所替代。 GaussDB(for Influx)摒弃关系型数据库范式化繁复的设计规则，支持Schemaless设计，业务能按照简单、高效的方式建模。面对业务变化快、接入设备多样化严重的工业物联网场景，GaussDB(for Influx)数据建模表现更加灵活，无需更改业务即可兼容不同设备，更适用于工业物联网场景。 04 结束本文作者：华为云数据库创新Lab & 华为云时空数据库团队欢迎加入我们！云数据库创新Lab（成都、北京）简历投递邮箱：xiangyu9@huawei.com华为云时空数据库团队（西安、深圳）简历投递邮箱：yujiandong@huawei.com

类别 产品 名称在线课程GaussDB GaussDB实战训练营 华为云数据库GaussDB GaussDB关键技术特性入门 华为云数据库GaussDB介绍 GaussDB新一代关系型数据库技术揭秘 GaussDB 数据存储与访问 GaussDB(for MySQL) 【系列课程】华为GaussDB OLTP数据库高级工程师学习 【系列课程】数据库原理及应用学习 【系列课程】数据库工程师学习路径 RDS for MySQL 7天玩转MySQL基础实战营 RDS for PostgresSQL 7天玩转PostgreSQL基础训练营 GaussDB(for Mongo) MongoDB分布式事务内核源码简介 秒级水平拓展的-GaussDB(for Mongo)架构剖析 GaussDB(for Redis) 当Redis遇见计算存储分离 GaussDB(for Influx) 云原生时代下的时序数据库GaussDB(for Influx) DDS 华为云数据库DDS产品深度赋能 玩转MongoDB从入门到实战 公共 云享读书会《SQL优化核心思想》 端到端安全可信，华为云数据库解决方案最佳实践 华为云数据库架构设计 HCSD实训营数据库技能测评（活动课程） HCSD实训营在线实践（活动课程）CodeLab GaussDB SQL调优之改写SQL消除子查询 SQL调优之建立合适的索引 SQL调优之选择合适的分布列 GaussDB(for MySQL) GaussDB(for MySQL)如何快速创建索引 GaussDB(for MySQL) HTAP只读分析特性详解 RDS for MySQL 通过接口调用方式创建RDS 基于Python搭建云数据库应用 GaussDB(for Redis) 华为云GaussDB(for Redis)与开源Redis集群性能对比 GaussDB(for Influx) GaussDB(for Influx)时序分析平台使用指南 GaussDB(for Cassandra) 华为云GaussDB(for Cassandra)与自建开源Cassandra性能对比 DAS 如何通过SQL模板检查并进行表优化 基于DAS服务的数据**与回滚场景实践 DDS DDS通过SQL优化来提升DDS性能 DDS如何规避mongos路由缓存缺陷 DDS如何通过设置数据分片来提升性能 DDS CPU使用率高的问题排查方法 DRS 实时同步数据加工 PostgreSQL数据库同步 基于DRS服务的MySQL数据库云上迁移实践 公共 【特性指南】分区表查询增强特性用户指南 DDM分库分表实践 - 解决单机数据库困境 DDM查询执行计划介绍 DDM+MySQL扩展来破除业务性能瓶颈沙箱实验 RDS for MySQL 10分钟快速入门RDS 数据库服务实践 DRS 使用DRS实现数据实时同步 MySQL本地数据库迁移 公共 使用CDM将CSV文件迁移至RDS 通过CDM同步数据到MRS Hive 使用Python爬虫抓取图片和文字实验微认证 RDS for MySQL 华为云数据库服务实践 GaussDB(for Mongo) 基于MongoDB使用Java实现图书管理系统 DRS MySQL数据库迁移上云 公共 云数据库性能对比测试 使用Python爬虫抓取图片 openGauss数据库在金融领域的使用实践 基于华为云DevCloud的托马斯商城