BlueSky高性能時序數(shù)據(jù)庫分片方法：

哈希分片： 均衡性較好，但集群不易擴展執(zhí)行哈希：均衡性好，集群擴展易，但實現(xiàn)復雜范圍劃分：復雜度在于合并和分裂，全局有序分片設計

分片的會直接影響到寫入的性能，結合時序數(shù)據(jù)庫的特點，根據(jù) metric tags 分片是比較好的方式，查詢大都是按照一個時間范圍進行的，這樣形同的 metric tags 數(shù)據(jù)會被分配到一臺機器上連續(xù)存放，順序的磁盤讀取是很快的。

在時間范圍很長的情況下，可以根據(jù)時間訪問再進行分段，分別存儲到不同的機器上，這樣大范圍的數(shù)據(jù)就可以支持并發(fā)查詢，優(yōu)化查詢速度。

如下圖，行和第三行都是同樣的tag（sensor=95D8-7913;city=上海），所以分配到同樣的分片，而第五行雖然也是同樣的tag，但是根據(jù)時間范圍再分段，被分到了不同的分片。第二、四、六行屬于同樣的tag（sensor=F3CC-20F3;city=北京）也是一樣的道理。

BlueSky高性能時序數(shù)據(jù)庫誤區(qū)

時序數(shù)據(jù)庫不需要分析能力主流時序數(shù)據(jù)庫如InfluxDB、OpenTSDB，以及一些新時序數(shù)據(jù)庫例如，都只支持簡單的查詢，支撐簡單的場景，譬如單數(shù)據(jù)源單/多指標過濾查詢、單數(shù)據(jù)源單/多指標過濾聚集，多數(shù)據(jù)源過濾聚集等。是點查和聚集查詢。

然而隨著大數(shù)據(jù)分析、IoT、IIoT等快速發(fā)展，越來越多的應用需要更強大的分析能力，以實現(xiàn)模式識別、趨勢預測等功能。因而時序數(shù)據(jù)需要強大的分析能力，包括和關系數(shù)據(jù)的關聯(lián)聚集分析和分析（如ARIMA、趨勢預測、特定模式識別、根因分析、閾值修正）等。

此外用戶希望能用自己熟悉的語言譬如Python、R等對時序數(shù)據(jù)進行更復雜的處理，并充分發(fā)揮Python、R在數(shù)據(jù)分析方面的強大生態(tài)。

BlueSky時序數(shù)據(jù)庫怎么分

關系型數(shù)據(jù)庫本身比較容易成為系統(tǒng)瓶頸，單機存儲容量、連接數(shù)、處理能力都有限。當單表的數(shù)據(jù)量達到1000W或100G以后，由于查詢維度較多，即使添加從庫、優(yōu)化索引，做很多操作時性能仍下降嚴重。此時就要考慮對其進行切分了，切分的目的就在于減少數(shù)據(jù)庫的負擔，縮短查詢時間。

數(shù)據(jù)庫分布式內(nèi)容無非就是數(shù)據(jù)切分（Sharding），以及切分后對數(shù)據(jù)的定位、整合。數(shù)據(jù)切分就是將數(shù)據(jù)分散存儲到多個數(shù)據(jù)庫中，使得單一數(shù)據(jù)庫中的數(shù)據(jù)量變小，通過擴充主機的數(shù)量緩解單一數(shù)據(jù)庫的性能問題，從而達到提升數(shù)據(jù)庫操作性能的目的。

數(shù)據(jù)切分根據(jù)其切分類型，可以分為兩種方式：垂直（縱向）切分和水平（橫向）切分