双汇发展多个分厂的能源管控大数据系统主要采用两种技术栈：InfluxDB/Redis和Kafka/Redis/HBase/Flink，对于中小型研发团队来讲，无论是系统搭建，还是实施运维都非常棘手。经过对InfluxDB/Redis和TDengine大数据平台的功能和性能对比测试，最终将TDengine作为实施方案。
1. 项目背景
基于双汇发展对能源管控的需求，利用云平台技术以及电气自动化处理手段，对双汇发展的一级、二级、三级能源仪表进行整体改造，实现仪表组网，进一步通过边缘网关进行能源在线监测数据的采集，并上报至云平台，建立统一能源管理信息化系统，实现能源的实时监控、报表统计、能源流向分析与预测，降低企业单位产品能源消耗，提高经济效益，最终实现企业能源精细化管理。
2. 总体架构
能源管控平台基于私有云构建，包括完整的IaaS层、PaaS层和SaaS层，而能源采集系统作为管控平台中最为重要的一环，采用TDengine作为核心数据引擎，通过Restful接口进行仪表在线数据插入，并实现大规模时序数据的高效稳定存储，同时，也为能源管控应用层提供实时数据查询、历史聚合统计、流计算和订阅服务等功能，实现能源地图监控、能耗预警、能源流向预测和能源互联综合决策，具体架构如下图所示。
3. TDengine关键应用
3.1 Connector选择
本项目数据采集最关键的环节，就是将订阅到的MQTT数据插入到TDengine中，于是也就涉及到了TDengine连接器的选择，我们平时项目中java使用居多，而且JDBC的性能也相对较强，理论上，应该选择JDBC API，但最终选择了RESTful Connector，主要考虑以下几点：
1）简洁性
毫无疑问，RESTful通用性最强，TDengine直接通过HTTP POST 请求BODY中包含的SQL语句来操作数据库，而且TDengine本身作为时序数据库（Time-Series Database）并不提供存储过程或者事务机制，基本上都是每次执行单条SQL语句，所以RESTful在使用上很简便。
2）可移植性
本项目的Java应用都是部署在Kubernetes中，所以向TDengine插入数据的Java应用需要容器化部署，而之前了解到，JDBC需要依赖的本地函数库libtaos.so文件，所以容器化部署可能较为麻烦，而RESTful仅需采用OKHttp库即可实现，移植性较强。
3）数据规模
本项目数采规模不大，大约每分钟7000条数据，甚至后续数采功能扩展到其他分厂，RESTful也完全满足性能要求。
但总体来讲，JDBC是在插入与查询性能上具有一定优势的，而且支持从firstEp和secondEp选择有效节点进行连接（类似于Nginx的keepalive高可用），目前TDengine版本发布情况上看，JDBC的维护与提升也是重中之重，后续项目也可能会向JDBC迁移。
3.2 RESTful代码实现
1）ThreadPoolExecutor线程池
订阅EMQX和RESTful插入TDengine的代码写在了同一个java服务中，每接收到一条MQTT订阅消息，便开启一个线程向TDengine插入数据，线程均来自于线程池，初始化如下：
ExecutorService pool = new ThreadPoolExecutor(150, 300, 1000, TimeUnit.MILLISECONDS, new ArrayBlockingQueue<Runnable>(100), Executors.defaultThreadFactory(),new ThreadPoolExecutor.DiscardOldestPolicy());线程池采用基于数组的先进先出队列，采用丢弃早期任务的拒绝策略，因为本次场景中单次RESTful插入数据量大约在100~200条，执行速度快，迟迟未执行完极可能是SQL语句异常或连接taosd服务异常等原因，应该丢弃任务。核心线程数设为150，相对较高，主要为了保证高峰抗压能力。
2）OKHttp线程池
在每个ThreadPoolExecutor线程中，基于OKHttp库进行RESTful插入操作，也是采用ConnectionPool管理 HTTP 和 HTTP/2 连接的重用，以减少网络延迟，OKHttp重点配置如下：
public ConnectionPool pool() { return new ConnectionPool(20, 5, TimeUnit.MINUTES);}即最大空闲连接数为20，每个连接最大空闲时间为5分钟，每个OKHttp插入操作采用异步调用方式，主要代码如下：
public void excuteTdengineWithSqlAsync(String sql,Callback callback) {
try{
okhttp3.MediaType mediaType = okhttp3.MediaType.parse("application/octet-stream");
RequestBody body = RequestBody.create(mediaType, sql);
Request request = new Request.Builder()
.url(tdengineHost)
.post(body)
.addHeader("Authorization", "Basic cm9vdDp0YW9zZGF0YQ==")
.addHeader("cache-control", "no-cache")
.build();
mOkHttpClient.newCall(request).enqueue(callback);
} catch (Exception e) {
logger.error("执行tdengine操作报错:"+ e.getMessage());
}
}3）Java打包镜像
长期压力测试显示，每秒执行200次RESTful插入请求，单次请求包含100条数据，每条数据包含5组标签，Java服务内存稳定在300M~600M。而且上述模拟规模仅针对单个Java应用而言，在Kubernetes可以跑多个这样pod来消费不同的MQTT主题，所以并发能力完全够用。打包镜像时，堆内存最大值设为1024MB，主要语句为：
ENTRYPOINT ["java","-Djava.security.egd=file:/dev/./urandom","-XX:MaxRAM=2000m","-Xms1024m","-jar","/app.jar"]3.3 性能测试
1）RESTful插入性能
按照3.2小节中的RESTful代码进行数据插入，Java程序和TDengine集群均运行在私有云中，虚拟机之间配备万兆光纤交换机，Java程序具体如3.2小节所示，TDengine集群部署在3个虚拟机中，配置均为1TB硬盘、12核、12GB（私有云中CPU比较充裕，但内存比较紧张），经过大约三周的生产环境运行，性能总结如下：
生产环境下，单条插入性能极高，完全满足需求，当然前期也进行过稍大规模的插入场景模拟，主要是基于2.0.4.0以后的版本，注意到2.0.4.0之前的TDengine版本RESTful的SQL语句上限为64KB。模拟环境下，RESTful插入性能非常优秀，具体如下表所示。
2）RESTful查询性能
使用RESTful进行SQL查询时，性能也是非常好，目前真实生产环境中，数据总量为800万，相对单薄，所以查询性能测试在模拟环境下进行，在8亿数据量下，LAST_ROW函数可以达到10ms响应速度，count、interval、group by等相关函数执行速度均在百毫秒量级上。
3.4 实施方案
本项目针对双汇发展下属的6个分厂（后续会继续扩充）进行能源数据采集，大约1200多块仪表（后续会继续扩充），每块仪表包括3至5个采集标签，采集频率均为1分钟，数据接入规模不大。六个厂各自有独立的租户空间，为了方便各自的时序数据库管理，同时也方便各厂间的聚合查询（目前六个分厂均从属双汇发展总部），所以各分厂分别建立超级表，每个超级表包括4个tag，分别为厂编号、仪表级别、所属工序和仪表编号，具体超级表建表情况如下图所示。
主要用到的集群包括TDengine集群、EMQX集群和Redis集群，其中Redis集群在数据采集方面，仅仅用于缓存仪表连接状态，其重点在于缓存业务系统数据；EMQX集群用于支撑MQTT数据的发布与订阅，部署在Kubernetes中，可以实现资源灵活扩展；TDengine集群部署在IaaS虚拟机中，支持大规模时序数据的存储与查询。
按照TDengine官方的建议，“一个数据采集点一张表，同一类型数据采集点一张超级表”，我针对不同分厂的水表、电表、蒸汽表和燃气表分别建立的超级表，每个仪表单独建表，保证每张表的时间戳严格递增。在实践TDengine的过程中，重点体会如下：
1）集群搭建门槛低
TDengine集群安装部署非常便捷，尤其相比于其他集群，仅需要简单的配置就可以实现生产环境级的搭建，官方文档也比较丰富，社区活跃，也大为降低了后续运维成本。
2）插入与查询效率极高
TDengine的插入与查询性能极高，这点在实际运行时也深有感触，用last_row函数查询仪表最新数据，基本上可以达到毫秒级，在几十亿级的数据上进行聚合查询操作，也可达到百毫秒级，极大提供了系统的响应速度。
3）全栈式时序处理引擎
在未使用TDengine之前，我们主要采用InfluxDB/Redis和Kafka/Redis/HBase/Flink两种技术栈，对于我们中小型研发团队来讲，无论是系统搭建，还是实施运维都非常棘手。但是使用TDengine后，一切都简化了，TDengine将数据库、消息队列、缓存、流式计算等功能融合一起，以一种全栈的方式，为我们的大数据系统带来了便捷。技术方案的对比如表4所示。
注：方案一为InfluxDB/Redis，方案二为Kafka/Redis/HBase/Flink，方案三为TDengine
从表4的对比方案中可以看出，TDengine（方案三）是有着很大的优势，尤其在开源EMQX Broker的支持上也非常好（主要依赖于Restful接口），其他的例如Kafka和InfluxDB只能和企业版EMQX集成；在数据插入和查询效率方面，上述三种方案关键在于TDengine、HBase和InfluxDB的对比，官网有非常详细的测试报告，TDengine也是有绝对优势，这里就不过多叙述。所以选择TDengine是势在必行的。
3.5 技术期望
在时序数据库性能方面，TDengine有着很大的优势，并且也集成了消息订阅和流计算功能，可以说在中小型物联场景下，是无需部署Kafka和Flink的。当然个人理解TDengine不是为了完全取代Kafka和Flink而生的，尤其是在大型云服务项目中，更多是共存。
但是在边缘端，TDengine凭借着极低的资源占用率和优秀的时序处理性能，将会产生更大的能量，期望能彻底集成边缘流计算和MQTT broker等功能，扩充Modbus、OPC-UA等常见工业协议支持，向下连接工业设备或者物联设施，向上和边缘Kubernetes生态（如KubeEdge、K3S等）协同，或者直接和云中心协同。
3.6 系统运行界面
项目重点是能耗统计，而在线采集到TDengine里的数据都是累计量，所以在计算能耗时，需要在不同的超级表执行按表分组、按时间周期采样的查询，类似下面语法：
select last(累计列) as max_val,first(累计列) as min_val from [超级表名] where [标签栏相关过滤] and ts>=now-10h INTERVAL(1h) group by [仪表编号] ;得益于TDengine的极佳性能，基本能保证不超过百毫秒的访问延时，下面是一些相关的PC端、移动端界面（我们移动端是用H5做的，为了直接能跑在Android和iOS上）。
写在最后
其实从2019年开始就一直在关注TDengine Database，也看了很多陶总的演讲，受益匪浅，尤其在今年8月份，TDengine进行了集群版开源，也正好准备启动能源数据采集项目，所以果断采用TDengine作为核心时序引擎，目前也是收获了非常的效果。本次项目实施过程中，尤其感谢涛思数据的苏晓慰工程师，多次协助解决TDengine相关的实施问题。计划在后续其他项目也也会继续推广TDengine，同时也愿意为一些商业版功能付费，支持国产，支持涛思。
作者介绍
于淼，学历硕士，副研究员，主要从事MES系统研发以及智能制造相关理论和标准研究，主要研究方向：数字工厂使能技术、制造执行系统关键技术和智能制造标准体系等，参与国家级项目及企业项目十余项，包括国家重点研发计划以及国家智能制造专项等。
