TDengine 产品升级重大发布会

TDengine 2022 年终总结

数据库作为数字基础设施的根技术，已有 60 年发展历程，历经上世纪 50 年代的层次数据库、网状数据库，到上世纪 70 年代的关系型数据库，再到上世纪 90 年代的分析型数据库，2000 年的非关系型数据库，几个发展阶段，其中时序数据库，主要是针对近来火爆全球的AIOT场景而专门打造的，兴起时间倒并不长，而在一众时序数据库产品中TDengine目前所取得的成绩明显力压力压群雄，其产品升级迭代的路线非常符合时代的要求，本文我们就来为大家解读TDengine升级背后的逻辑。

涛思数据旗下时序数据库（Time Series Database） TDengine 荣获“2022 年度时序数据库”奖项。

今天，我们进行了 2023 年重大成就和发展成绩盘点，主要归纳为产品创新、市场发展、开源社区、生态建设、活动布道与奖项荣誉六大维度。在元旦前夕，我们也想把这份“2023 年成绩单”分享给所有关注 TDengine 的朋友们。在今年，最值得一提的大事件就是伴随着六月的网站改版，TDengine 正式升级为高性能、分布式的物联网、工业大数据平台，提供可私有化部署的 TDengine Enterpris...

{"moduleinfo":{"card_count":[{"count_phone":1,"count":1}],"search_count":[{"count_phone":9,"count":9}]},"card":[{"des":"兼容Redis协议标准的、提供持久化的内存数据库服务，基于高性价比的单节点架构、高可靠双机热备架构及可无缝扩展的集群架构，满足纯缓存业务、高读写性能场景及容量需...

支持 C/C++ UDF。

在川南页岩气生产运行管理中，气井、站库、压缩机、LNG/CNG 等设备设施已实现自动化采集覆盖，但前期建设的 SIS、BPCS、SCADA 及第三方厂商系统相互独立，数据难以形成统一视图，也影响了指挥中心对生产态势、应急处置和排采决策的集中支撑。围绕“生产运行可视化、气井生产精细化、生产监控智能化”的建设目标，项目组基于“云—边—端”架构和 TDengine。

10.SQL 参考 |：TDengine v3.x（v3.3.x / v3.4.x） | 最后更新：2026-07-15SELECT 是 TDengine 中最常用的语句。本文按子句顺序系统讲解 SELECT 完整语法、特殊子句（PARTITION BY、INTERVAL、SLIDING、FILL）、以及子查询/集合操作。

9.索引 |：03 索引使用指南：TDengine v3.x（v3.3.x / v3.4.x） | 最后更新：2026-07-13索引设计是数据库性能的根基。本文整合 TDengine 多类索引（Tag 索引、SMA、TSMA、RSMA）的使用决策树，给出"看到查询模式立刻知道该建什么索引"的实用指导。

10.SQL 参考 |：01 DDL：TDengine v3.x（v3.3.x / v3.4.x） | 最后更新：2026-07-14DDL（Data Definition Language）涵盖数据库、超级表、表、列、Tag 的创建、修改、删除。本文是 TDengine DDL 的速查与详解，含每个语句的关键选项与示例。

性能全面提升：相较于Elasticsearch，用户迁移到星环科技Transwarp Scope之后，可以实现海量存储能力，极大降低用户硬件和运维成本，数据读写性能、日志分析性能和数据检索性能大幅提升，可确保百节点以上规模集群稳定运行，强一致性写入能力确保读写数据不丢。数据读写性能受限，直接影响查询操作的并发度和数据入仓的效率。Elasticsearch缺乏“增量数据”的概念，当单点发生故障进行数据恢复时，采用全量数据拷贝方式恢复数据，工作量大，往往需要小时级的时间才能恢复服务，严重影响服务的正常进行。

但国内多数化工企业仍沿用「人工设计、本地模板、手动录入、分散打印」的传统管理模式，普遍存在标准落地不统一、信息错漏印、版本混乱、追溯缺失等问题，极易引发监管处罚、货物滞港、安全事故与品牌损失。分散管理模式无法适配严苛监管与集团化运营需求，而采用敖维标识系统（码尚自动化版、企业版、集团管控平台）的统一模板、自动数据、闭环审核、全程追溯的数字化管控方式，能够系统性解决信息错漏、版本失控、合规风险等问题，让标签管理从。流通受阻风险：港口、物流、商超、海外客户拒收不合规产品，导致退货、滞港、订单损失；

有什么 AI 工具可以做商品图?这是最近很多电商卖家问得最多的问题。今天我会结合自己和身边商家的实测经验，给大家推荐五款真正好用、能落地的 AI 商品图工具。

SRE Alert Copilot 基于 Elastic Stack 构建，将告警触发、上下文预处理、AI 智能分析与人工反馈闭环串联起来，帮助 SRE 团队更快定位问题、沉淀运维知识，并持续优化分析质量。核心能力：自动化分析：告警触发后自动拉取日志、指标、链路追踪等上下文，由 AI Agent 给出初步根因判断与处置建议人机协同：关键决策节点引入人工审核，避免 AI 误判直接执行高风险操作自我改进：人工反馈作为训练信号，持续优化 Agent 指令、工具配置与知识库内容。

本文介绍了如何为基于Hive的ChangeNotifier编写数据层集成测试，重点解决测试隔离、环境差异和异步操作等挑战。通过临时目录配合setUp/tearDown实现测试隔离，使用"先写后读"模式验证CRUD操作，并展示了日期过滤、更新删除和统计查询等典型测试场景。测试设计采用稳健的断言（如greaterThan而非固定值）来适应多测试环境，确保测试可靠性和可维护性。

RabbitMQ消息TTL与队列TTL机制解析 RabbitMQ通过TTL机制控制消息和队列的生命周期，包含两种类型： 消息TTL - 作用于单条消息，过期后仅删除该消息，队列保留 队列TTL - 作用于整个队列，过期后队列及所有消息均被删除 核心特点： 采用惰性删除策略，仅在消息被消费或队列重启时检查过期 消息TTL可设置于队列级别（x-message-ttl）或消息级别（expiration属性） 队列TTL通过x-expires参数设置 两者时间单位均为毫秒，存在冲突时取较小值 使用注意： 过期消息不

spark.sql报错

本文介绍了在Windows本地搭建MySQL Binlog CDC全链路测试环境的完整步骤，环境包含Kafka、Canal、MySQL Binlog和SpringBoot应用。主要内容包括：1）配置MySQL开启Binlog日志；2）安装并启动Kafka和ZooKeeper；3）部署Canal并配置Kafka输出；4）创建SpringBoot项目实现数据消费。通过此环境可实现MySQL数据变更捕获（CDC）并通过Kafka消息队列传输，最终由SpringBoot应用消费处理，形成完整的CDC数据管道。文章提

Kafka异步消息推送与事件驱动架构解析 Kafka作为分布式消息系统，通过异步消息推送机制有效解决了电商系统下单场景中的同步调用痛点。当用户下单时，系统只需完成核心扣库存操作（50ms），然后将"订单已创建"事件发送至Kafka（5ms）即可返回响应，总耗时仅55ms。后续的发货、短信、积分等操作由各服务异步消费Kafka消息完成，实现了： 响应速度提升20倍 系统间解耦 故障隔离 弹性扩展能力 Kafka核心架构包含Broker集群、Topic分区机制和消费者组模型，通过Partition实现并行处理，