TDengine 在蔚来能源系统的落地实践

最是人间留不住,朱颜辞镜花辞树。这篇文章主要讲述TDengine 在蔚来能源系统的落地实践相关的知识,希望能为你提供帮助。
一、?项目背景?为了给用户提供更好的补能体验,蔚来能源在加电基础设施上进行了大量的投入,截止 2021 年底,已经在全国各地布局了换电站 777 座,超充桩 3,404 根,目充桩 3,461 根,为用户安装家充桩 96,000+ 根。
为了对设备进行更高效的管理,需要将设备采集数据上报至云端进行存储,并提供实时数据查询、历史数据查询等业务服务,用来做设备监控和分析。


?现状?
在业务诞生之初,我们用作数据存储的选型是 mysql + HBase,MySQL 存储设备最新实时数据,HBase存储设备原始数据,大体架构如下:

之所以选择 HBase,有以下几个理由:

  • HBase 在大数据领域应用较为广泛,适合存储海量数据,写入性能好
  • 支持动态添加列,非常方便兼容数据模型变化
  • 底层是键值对存储,数据可以比较稀疏,空数据不占存储空间
  • 团队 HBase 技术使用相对较为成熟


?痛点?
初期因为设备不多,数据量不大,加上查询场景单一,HBase 表现不错,可以满足业务需求。
随着换电站和超充站等设备在全国的快速布局,设备数量持续增长,积累的数据量越来越多,长时间跨度数据查询效率出现瓶颈,再加上查询场景不断丰富,HBase 已经无法满足当前业务需要。问题主要体现在以下几点:
  • HBase 只支持 Rowkey 索引,有很大的局限性,一些查询场景依赖 Rowkey 设计合理,如果业务调整,无法兼容
  • 可以引入二级索引解决,单独维护查询条件与 Rowkey 关系,查询时先查到 Rowkey 再查数据,不管是引入中间件还是自己实现,都会增加整体架构和实现复杂度
  • HBase 单表随着数据量增大,会触发自动分区,导致写入性能下降,需要通过建表时指定预分区来解决,调整起来很麻烦,需要重新建表生效
  • HBase 不适用于大范围扫描查询,性能比较差
  • HBase 不支持聚合查询,大跨度时间范围查询数据量太大,图表无法渲染
  • HBase 部署需要依赖 ZooKeeper,运维成本高


二、?落地方案?

?技术选型?
为了解决这些痛点,我们将目光投向时下流行并且更适合物联网领域的时序数据库。经过调研,对比多个技术选型,最终决定使用 TDengine 代替 HBase 作为设备原始数据存储。
在选型时我们考虑过 OpenTSDB,也是一款优秀的时序数据库产品,在部门其他业务中已经有过比较成熟的使用,能解决一部分遇到的痛点:
  • OpenTSDB 在 HBase 基础上做了优化,包括存储元数据映射和压缩机制,使数据存储占用空间大大降低
  • OpenTSDB 提供数据聚合查询功能,可以支持更大时间跨度查询的业务需求
但是 OpenTSDB 底层还是基于 HBase 的,HBase 存在的一些问题,OpenTSDB 依然会有,并且架构并没有变简单,没有摆脱 HBase 的依赖。
经过对比,我们决定尝试一下 TDengine,其官方给出的性能指标,单节点部署情况下可以达到 14810 k/s 读取,和 880k/s 写入,同时 TDengine 具备的一些特点能很好地解决我们遇到的痛点:
  • 引入??超级表??概念对应设备类型,对每个设备创建子表继承超级表,通常相同设备类型的设备数据模型一定相同,通过超级表管理 schema 直接对子表生效很方便,同时对每个设备建表可以很好地做数据隔离,同时避免互相影响
  • 采用多级存储,不同时间的数据使用不同存储介质,新数据经常访问存 SSD 保证效率,老数据存 HDD,节约成本
  • 不依赖任何第三方软件,??集群??安装部署方便,支持灵活扩容
  • 提供多种聚合函数,支持对数据的??聚合查询??


?前期测试?
我们使用 TDengine 做了一些简单的性能测试,评估使用 TDengine 是否能满足我们的业务需求。


?测试准备?
  • 采用单节点部署
  • 8 核 32GB,500GB 存储
  • 采用默认配置
  • 采用??RESTful API??方式写入数据


?测试场景?模拟 10,000 个设备上报数据,消息并发约 4k 左右。
  • 定义超级表如下
  1. ??SQL -- 代码示例,非真实代码??
  2. ??CREATE STABLE device_data_point_0 (ts timestamp, d1 nchar(64), d2 nchar(64), ...) TAGS (t1 binary(64)); ??
  • 最初采用每条上报消息进行一次数据写入,性能无法满足,而将单条消息写入改为批量写入,积累一批数据(100 条)后,再批量写入一次,性能可以支撑




?测试结论?采用批量写入数据方式,调整合适的单批次数据量大小,使用单机部署(8 核 32 GB,500 GB 存储)默认配置的 TDengine 服务,RESTful API写入方式,在 4k 并发流量下写入没有问题,同时消费积压数据时峰值达到 7 k/s,因为单条消息包含信息量太大,实际处理中会拆分为 30 条写入 TDengine,所以实际写入 QPS 为 210 k/s,比满足同样数据流量的 HBase 集群规模要小不少,可以节省成本,再加上 TDengine 本身部署不依赖其他三方软件,也可以同时节省运维成本。


?迁移方案?
经过测试,我们决定先对部分设备应用 TDengine 时序数据库替代 HBase,同时需要考虑如何在不影响业务功能的情况下平滑过渡并完成迁移。


?数据双写?因为目前没有现成的工具可以直接把数据从 HBase 迁移到 TDengine,如果自己开发一个工具做这件事情,开发成本太高,而且可能是一次性的。
考虑到不想浪费开发资源,同时我们需要一个过渡期,期间如果 TDengine 出现问题可以迅速切换回 HBase,不影响业务,所以不能马上把 HBase 废掉,所以我们决定先实现 TDengine 写入,并且暂时保持 HBase 和 TDengine 两个数据库双写。


?写入方式?根据前期测试结果,我们选择直接采用批量方式写入数据:
  • 并行处理不同设备类型数据
  • 消费设备上报数据放入队列
  • 当队列长度达到n或超过等待时间t,从队列中取出数据批量写入
经过压测,在n = 1,000,t = 500 ms 情况下,单次写入耗时基本在 10 ms 以内,意味着我们可以支持单个设备类型每秒上万的并发写入,并且还有进一步的优化提升空间。


?查询切换?为了保证迁移过程顺利,并且迁移前后不会出现数据不完整的情况,我们做了一个查询开关:
  • 配置 TDengine 功能上线时间
  • 判断查询请求时间范围与配置时间大小,决定查 HBase 还是 TDengine
  • 过渡期结束后,停止 HBase 服务
迁移后架构变为如下所示:



?三、实际效果?目前我们已将线上部分设备的数据切换到 TDengine 集群,上线后集群表现稳定。

对比之前使用 HBase:
  • 查询速度提升明显,从使用 HBase 查询单设备 24 小时数据的秒级返回,到使用 TDengine 查询查询相同数据的毫秒级返回
  • 每天增量数据占用的存储空间相当于原来使用 HBase 时的 50%
  • 集群计算资源成本相比使用 HBase 节省超过 60%


四、?总结?
  • 总体上说,TDengine 读写性能表现很好,在满足我们业务需求的同时,极大地节省了计算资源和运维成本,目前尝试 TDengine 的业务场景还比较简单,只是单纯的数据写入和时间范围查询,后续可以结合 TDengine 更多进阶功能探索其他可以落地的业务场景
  • 使用上还有一些问题待解决,比如 schema 调整在应用发版过程中对数据写入的影响,产生预期外的写入异常,以及异常定义不明确,无法快速定位问题,尤其是跟 schema 相关数据写入问题
  • 监控方面目前支持的监控指标较少,这个问题据说会在后续版本丰富
  • 数据迁移方面,目前官方支持工具还比较少,不能比较方便的把数据从其他存储引擎迁移到 TDengine,需要进行额外开发


?关于作者?
【TDengine 在蔚来能源系统的落地实践】李鹏飞,蔚来汽车能源数字化产品开发部高级工程师,目前负责能源物联平台开发。

    推荐阅读