伴随制造，交通，能源，智慧城市等物联网的兴起，时序数据库作为重要的服务也迎来的新的发展。
概念
1辆车1天会产生将近8T的数据，且大量的数据不仅要来存储，还需要进行对维度的复合查询。这就要求时序数据库快速写入，持久化和多维度聚合操作。
- metric：度量，相当于关系数据库中的table。
- data point：数据点，相当于关系型数据库中的row。
- timestamp：时间戳
- field：如位置这个度量包括京都和纬度两个field，一般情况下存放随时间变化的属性。
- tag：标签/附加信息，存放不随时间变化的属性。一般timestamp+tag可以作为table的primary key。
存储方式
传统数据库使用B tree方式存储，会浪费大量的时间在磁盘寻道上，使用LSM tree有很大的优势。
分布式存储的分片方法
- 哈希分片：这种方法实现简单，均衡性较好，但是集群不易扩展。
- 一致性哈希：这种方案均衡性好，集群扩展容易，只是实现复杂。代表有Amazon的DynamoDB和开源的Cassandra。
- 范围划分：通常配合全局有序，复杂度在于合并和分裂。代表有Hbase。
时序数据库根据metric+tags分片是比较好的一种方式，因为往往会按照一个时间范围查询，这样相同metric和tags的数据会分配到一台机器上连续存放，顺序的磁盘读取是很快的。考虑时序数据时间范围很长的情况，需要根据时间范围再将分成几段，分别存储到不同的机器上，这样对于大范围时序数据就可以支持并发查询，优化查询速度。