时间如流水，一去不复返。自古不乏对时间流逝的感慨，而现代已经有很多技术记录流逝的过去。我们可以拍照，可以录像，当然还可以用时序数据库！
时序数据库是专门存放随着时间推移而不断变化的数据。近些年，随着IoT等概念的流行，时序数据库成为数据库一个相对独立的领域逐渐受到重视，广泛应用于物联网、监控系统、金融、医疗和零售等多种场景。
过去12个月时序数据库（Time Series DBMS）热度不断增长
那么云上的用户如何构建一个存储海量数据的时序数据库呢？笔者这里推荐使用云HBase + OpenTSDB方案。云HBase是使用阿里多年优化过的HBase内核版本，本文不作过多介绍，详情请看产品主页：
https://cn.aliyun.com/product/hbase
OpenTSDB是一款基于HBase构建的时序数据库，它的数据存储完全交给HBase，本身没有任何数据存储。所有节点是对等的，所以部署起来其实是非常方便的。因为基于HBase，所以本身就具备了横向扩展，存储海量数据的能力。常见的部署模式有2种，一种分离部署，一种混合部署。
独立部署，即与多个业务共享一个HBase。适合时序业务较小，或者用不满HBase资源。
混合部署，即TSDB进程和RS在一个VM内。适合时序业务较重，需要独享HBase。
上述2种模式，云HBase产品都能提供支持。
一条时间线由Metirc + 多个tag唯一确定，时间线上会有源源不断的数据点(Data Point)写入，数据点由时间戳和值组成。OpenTSDB支持秒级(10位整数)，毫秒级别（13位整数）两种时间精度。
举个例子，比如我们监控一个手环收集的心跳信息，那么我们可以这样定义：
Metric: "band.heartbeat"
Tags: "id" # 只定义一个tag，就是手环的ID那么我们通过 band.heartbeat + id=1 就能查询到编为1的手环收集到的心跳信息。
数据表整体设计
这个设计有几个特点：
metric和tag映射成UID，不存储实际字符串，以节约空间。
每条时间线每小时的数据点归在一行，每列是一个数据点，这样每列只需要记录与这行起始时间偏移，以节省空间。
每列就是一个KeyValue，如果是毫秒精度，一行最多可以有3600000个KV，这里其实会有些问题，后面会讲到。
RowKey格式
salt：打散同一metric不同时间线的热点
metric, tagK, tagV：实际存储的是字符串对应的UID（在tsdb-uid表中）
timestamp：每小时数据存在一行，记录的是每小时整点秒级时间戳
metric和tag
它们长度默认是3个字节，即最多只能分配2^24=16777216个UID。可以通过这些参数调整：
tsd.storage.uid.width.metric # metric UID长度，默认3
tsd.storage.uid.width.tagk # tagK UID长度，默认3
tsd.storage.uid.width.tagv # tagV UID长度 默认3
# 这3者的UID分配分别是独立的空间注意：
集群已经写过数据后就无法修改，所以最好是一开始就确定好，建议4个字节。因为使用压缩技术后，RowKey多占的几个字节可以忽略，下文会提到。
salt
salt这个东西最好根据自己HBase集群规模去配置，它有2个配置：
tsd.storage.salt.width # 默认1，1基本够了，不用调整
tsd.storage.salt.buckets # 打散到几个bucket去，默认20
查询的时候会并发tsd.storage.salt.buckets个Scanner到HBase上，所以如果这个配置太大，对查询影响比较大，容易打爆HBase。这里其实是一个权衡，写入热点和查询压力。默认20其实我个人觉得有点多，配置3～8就差不多了，当然实际效果还和metric设计有关，如果在一个metric里设计了很多时间线，那就得配置很多bucket。在一个metric中设计过多时间线，会影响OpenTSDB的查询效率，所以不建议这么做。
这个参数也是设置了就不能改的，所以也是要一开始规划好。
Column格式
这是列名（HBase中称为qualifier）的格式，可以看到毫米级需要多出2个字节。所以如果你的采集间隔不需要精确到毫秒级别，那请一定使用秒级（10位整数）。Value只能存储整数和浮点，所以有一个bit存储Float flag。
这里大家一定会有疑问，直接通过qualifier长度是4还是2不就能判断是秒级精度的数据点，还是毫秒了么？为何还需要MS flag这样一个标记信息？阅读下面的“压缩”部分，就能知道为什么。
OpenTSDB压缩问题
OpenTSDB有个很常见并且很麻烦的问题，就是整点时候对HBase对流量冲击。下面2张图是我们一个测试集群只做写入对效果：
OpenTSDB HBase
可以看到会有一个数倍流量的爆发，要持续很久才能消化。这意味着我们需要更高规格去抗这个峰值。首先我们要明白OpenTSDB为啥要做压缩？在压缩些什么东西？
前面提到过OpenTSDB一行一小时的特点，那么一行里会有很多KV。表面上看起来好像没什么问题，但是实际上对比逻辑视图和物理视图你会发现一些问题。
很明显，每个KV都记录了rowX，那rowX就是一个空间浪费。这个空间不仅影响成本，还影响查询效率（毕竟数据多了）。压缩做的事情就是把多个小KV合成1个大KV，减少这部分浪费。所以压缩的时候会涉及到对HBase的“读-写-删”，这就是整点HBase
IO流量的来源。
那么我们有没有办法，既做压缩，同时又消除这部分HBase IO呢？
当然有！我们可以把压缩的逻辑放到HBase内部去。因为HBase本身就需要对HFile做合并工作，这时候HBase本身就会读写数据文件，这部分对HDFS的IO不会少，而我们通过hook在HBase读出数据后，替换掉要写入的数据（即压缩好的数据）。
实现上面这个功能，当然需要一定内核开发量。好消息是通过云HBase购买页面购买的时序引擎，已经自带了上述功能。不管是分离部署模式，还是混合部署模式。
这个功能的好处显而易见，消除峰值节省成本，提升集群稳定性。这样我们对一个现有的HBase集群空闲资源需求就不是那么高了，完全可以复用了。下面是使用此功能后，同样只做写入的测试集群的流量情况：
HBase 官方社区推荐必读好文
HBase 原理|HBase 内存管理之 MemStore 进化论
HBase 抗战总结|阿里巴巴 HBase 高可用8年抗战回忆录
HBase 实践|说好不哭，但 HBase 2.0 真的好用到哭
