指标数据逻辑存储模型

指标数据逻辑存储模型

常见的时序数据库的数据模型，主要分成单值模型和多值模型

单值模型是根据业务指标数据建模，按照单个指标的细粒度进行数据使用和逻辑存储，如下所示，一行数据只有一个指标值，即value列。目前采用单值模型的时序数据库，有OpenTSDB、 KairosDB、Prometheus等。

1
2
3
4

单值模型：
time                 host   metric     value
2026-08-08 10:00:00  web01  cpu_usage  72
2026-08-08 10:00:00  web01  io_usage   31

多值的模型则是针对数据源建模，我们每一行数据针对的是一个数据源，它的被测量的多个指标在同一列上，如下所示，一行数据有多个指标值，即有cpu和io两列。目前采用多值模型的时序数据库，有InfluxDB、TimescaleDB等。

1
2
3

多值模型：
time                 host   cpu_usage  io_usage
2026-08-08 10:00:00  web01  72         31

可以把两者理解为：

• 单值模型：一条时序记录只描述一个指标。
• 多值模型：一条时序记录同时描述同一数据源在同一时刻的多个指标。

严格来说，多值模型中的多个指标是放在同一行的不同列/字段中，而不是同一列。

对比

单值模型优劣势

优势

1. 指标扩展灵活

​ 新增指标时，只需产生一个新的时间序列，不必修改表结构。特别适合指标种类动态变化、不同设备上报指标不一致的场景。

2. 稀疏数据处理自然

​ CPU 指标每秒上报、温度每分钟上报，也可以各自独立存储，不需要人为对齐时间，更不会产生大量空字段。

3. 单指标查询和聚合简单

​ 例如查询所有主机的 cpu_usage，可以直接针对该指标的时间序列进行扫描和聚合。

4. 数据模型统一

​ 无论 CPU、延迟、请求数还是温度，都可以用：

1

时间戳 + 标签集合 + 指标值

统一表示，采集、传输和存储链路比较通用。

劣势

1. 多指标写入存在重复

​ 同一设备同一时刻采集 CPU、内存、IO 时，需要写入多条记录，其中时间戳和标签会重复。

2. 多指标关联比较复杂

   如果要计算：

   1	CPU 使用率 / IO 使用率

   需要把两个时间序列按设备和时间对齐。遇到采样时间不同、数据缺失时，还要处理插值、窗口匹配等问题。

3. 难以表达完整快照

​ 分别写入的 CPU 和 IO 指标不一定来自同一次采集，也不一定具有事务一致性。

多值模型的优劣势

优势

1. 批量写入效率高

一次设备采集可以作为一行写入，时间戳和标签只需保存一次：

1

time + host + cpu + memory + io + temperature

2. 相关指标天然对齐

同一行的数据一般表示同一数据源在同一时刻的完整快照，适合做跨指标计算和关联分析。

3. 密集数据存储更高效

如果同一数据源的大部分指标都会同时上报，多值模型可以减少时间戳、设备标识和标签的重复。

4. 更接近关系型查询习惯

可以直接写出类似：

1
2
3

SELECT time, cpu_usage, io_usage
FROM host_metrics
WHERE host = 'web01';

跨字段计算也很自然。

劣势

1. 不适合高度动态的指标集合

如果设备频繁增加新的指标，可能造成字段持续增加、表结构频繁变化或产生大量动态字段。

2. 稀疏数据可能浪费空间

不同指标采样周期不同，或者不同设备支持的指标不同，就可能出现大量空值：

1
2

time  cpu  io  temperature  voltage
t1    72   31  NULL         NULL

具体浪费程度取决于数据库对空值和列式压缩的处理能力。

4. 宽表管理困难

当指标达到数百甚至数千个时，会形成宽表，影响元数据管理、查询规划、数据迁移和模式演进。

5. 单个字段更新可能更复杂

如果 CPU 每秒上报，而温度每分钟上报，需要选择保留旧值、写空值、部分更新或拆成多个测量表。

如何选择

适合单值模型的情况：

• 指标经常动态增加或删除；
• 不同数据源的指标集合差异很大；
• 指标采样周期不同；
• 查询以单指标聚合、监控和告警为主；
• 数据高度稀疏；
• 需要类似 Prometheus 的标签化指标体系。

适合多值模型的情况：

• 同一数据源会同时采集多个固定指标；
• 经常进行跨指标计算和关联分析；
• 指标集合相对稳定；
• 希望获得较高的批量写入效率；
• 需要保留设备在某一时刻的完整快照；
• 更习惯 SQL 和宽表分析。

实际系统通常会混合建模：把采集频率相同、业务相关且通常同时上报的指标放入一个多值表；把动态、稀疏或采样周期差异较大的指标拆开。相比纯粹选择单值或多值，这种做法往往更实用。