时序数据库分片方法：

哈希分片： 均衡性较好，但集群不易扩展执行哈希：均衡性好，集群扩展易，但实现复杂范围划分：复杂度在于合并和分裂，全局有序分片设计

分片的会直接影响到写入的性能，结合时序数据库的特点，根据 metric + tags 分片是比较好的方式，查询大都是按照一个时间范围进行的，这样形同的 metric + tags 数据会被分配到一台机器上连续存放，顺序的磁盘读取是很快的。

在时间范围很长的情况下，可以根据时间访问再进行分段，分别存储到不同的机器上，这样大范围的数据就可以支持并发查询，优化查询速度。

如下图，行和第三行都是同样的tag（sensor=95D8-7913;city=上海），所以分配到同样的分片，而第五行虽然也是同样的tag，但是根据时间范围再分段，被分到了不同的分片。第二、四、六行属于同样的tag（sensor=F3CC-20F3;city=北京）也是一样的道理。

时序数据库云/边/端三个角度看数据的创建和存储

随着网络的高速发展，尤其是5G时代的到来，数据越来越多的进入云端。那么我们所说的Core/Edge/Endpoint(云/边/端）分别指的是什么呢？云(Core) - 这包括企业中的计算数据中心和云提供商。它包括各种云计算，公共云、私有云和混合云。边(Edge) - 边缘是指不在数据中心的企业级服务器和设备。这包括服务器机房、现场服务器、还有一些较小的数据中心，这些数据中心位于距离设备较近的区域，以加快响应。端(Endpoint) - 端包括网络边缘的所有设备，包括个人电脑、电话、联网汽车、可穿戴备以及工业传感器等。

时序数据库技术/问题

趋势方面了解完之后，我们细致地看看现在的时序数据库有哪些特点、如何分类、有哪些技术。首先，我们从存储架构角度，看看时序数据库的分类情况。类就是是基于关系数据库的时序数据库，比如timescale。第二类就是基于KV的时序数据库，比如OpenTSDB。第三类就是专门面向时序数据场景的原生时序数据库，比如InfluxDB,Io和Tengine等。

时序数据库趋势2

第三，AI会和数据库做融合，“AI for DB，DB for AI”。DB for AI是指以后数据库上面支撑的场景应用约60%-70%都将跟AI相关，数据库需要对AI的训练、推理、数据快速迭代和响应做更好的支持。AI for DB是指当数据量特别大、数据类型也特别复杂时，需要AI帮助人工做数据库管理的强化学习，以确定型的学习结构、确定型的学习关系，帮助DBA更好地存储数据、应用数据。