1. AI 驱动的物联网工业大数据平台
基于高性能、分布式的时序数据库，辅以数据业务语义和上下文，TDengine 不仅能高效地存储采集的海量数据，而且能智能感知应用场景，自动生成面板、报表、监测异常，让您拥有一个强大的工业智能体，实时洞察系统的运营。
2. AI-Ready，高效汇聚管理多源数据
在制造业、能源、交通等传统行业，数据的“接上来”已经不是难题，难的是“用起来”。虽然传感器已经布满设备、系统也实现了初步联通，但各类数据依然分散在不同系统、不同协议、不同标准之中。它们各自为政，彼此隔绝，形成了一个个数据孤岛。
在这种现实下，要真正让 AI 赋能业务，第一步不是建模、不是训练，而是把这些来自不同来源的数据汇聚、清洗、加工、重组，转化为具备统一结构与业务语义的高质量数据资产。
2.1 汇聚各类数据源，打破系统孤岛
为实现高效汇聚，TDengine 支持主流工业协议与数据源的接入，包括但不限于：
- 现代工业数据协议，如 MQTT 和 OPC（UA 和 DA）
- 数据收集代理，如 Telegraf 和 collectd
- 传统实时数据库系统，如 PI System 和 AVEVA Historian
- 传统的关系型数据库，如 MySQL、Oracle、SQL Server、PostgreSQL 等
- Apache Kafka
- CSV 文件
通过灵活的连接机制与统一的数据接入流程，无需编写代码，企业就能将散布在各地、不同格式的数据采集到统一平台之中。
而与传统数据汇总工具不同，TDengine 在接入层就考虑了数据治理的需求，内置了完整的 ETL 能力，支持字段映射、单位换算、表达式转换与数据类型统一，让汇聚不仅仅是“堆在一起”，而是“对得起来”。
2.2 构建结构化视角，实现数据目录化
TDengine 以树状结构组织和管理工业数据，清晰展现从企业、工厂、产线到设备、传感器的层级关系。每一个节点代表一个物理设备或逻辑实体，不仅可以挂载数据，还具备独立的属性配置、可视化面板、分析逻辑与事件管理功能，成为完整的业务载体。
系统支持按不同业务视角灵活构建多个树状结构，既可按组织结构划分，如集团—工厂—设备；也可按设备类型归类，如风机—逆变器—传感器，实现同一数据在不同维度下的统一呈现与多角度分析。借助这种结构化组织方式，企业可以构建清晰可管理的数据资产目录，让分散的数据在语义上“归位”，为后续标准化与情景化处理奠定基础。
2.3 对齐数据结构与口径，实现数据标准化
在实际场景中，即使是同一类数据，不同系统之间也会存在命名不统一、单位不一致、结构不规范等问题。例如，有的系统记录温度字段为 WD，有的命名为 temp；有的设备以华氏度采集，有的使用摄氏度。对于业务分析和 AI 算法来说，这类不统一的数据是无法直接使用的。
TDengine IDMP 允许用户为每个字段配置标准名称、目标单位及换算公式，自动完成转换与标准化处理。通过数据引用机制，还可以将来自不同数据库、表结构的数据映射为统一的业务属性，无需手动操作，即可实现多源异构数据的统一建模。
2.4 赋予业务语义，实现数据情景化
在结构明确的基础上，TDengine IDMP 支持为每个元素及其属性配置丰富的业务语义信息，构建具备上下文的数据体系。
每个元素和属性都可以添加描述信息，说明其业务含义；可灵活添加各类标签，实现快速分类与筛选；支持配置静态属性，如设备型号、安装位置、规格参数等，增强资产识别能力。同时，属性级别可设置物理单位、上下限、目标值等关键指标，为数据分析和告警判断提供必要的基准线。系统还支持为元素或属性配置附加特性，如是否为常量、是否可见、是否参与计算等，全面提升数据的表达能力与应用价值。
这一机制让数据不再是冷冰冰的数值，而是带有背景、上下文和业务意义的“可用信息”，为智能分析和自动决策打下坚实基础。
AI-Ready，从根基就不同
TDengine IDMP 基于上述统一的数据结构与上下文，构建了一整套 AI 原生能力：自动感知场景、推送分析建议、生成可视化面板与报警规则，让 AI 不再依赖专业团队配置，不再需要“先问问题、再找数据”。
AI 能主动推送业务洞察，是因为它站在了一个标准化、目录化、情景化的数据体系之上。TDengine 提供的，不是一种工具或某个模型，而是一整套能让 AI 真正落地的数据地基。在这之上，不论是传统报表系统、BI 工具，还是外部的 AI 服务与大模型，都可以高效运行、即时响应，真正实现让数据“自己说话”。
2. 高效存储，性能提升10倍以上
针对时序数据的特点，TDengine 构建了全新存储引擎，在写入、查询、压缩等核心能力上全面领先。写入与查询性能相较通用数据库提升 10 倍以上，存储成本可降至 1/10，并支持多级存储与对接 S3 等对象存储，实现冷热分层管理。原生支持水平扩展，可稳定支撑上亿级数据采集点与高基数场景，轻松应对工业、能源、车联网等大规模部署需求。
TDengine TSDB（以下“TDengine”均指“TDengine TSDB”）是一款高性能 时序数据库。通过充分利用时序大数据的特点，TDengine Database 团队设计了新颖的存储引擎，大幅提升了数据的写入和查询速度，同时也大幅提高了数据压缩率。与通用数据库相比，性能好至少十倍以上，而存储空间不到其 1/5，与其他时序数据库相比，性能也是远超。
2.1 DevOps 场景下，TSBS 基准测试报告
在 DevOps 场景下，TSBS 基准测试结果显示 TDengine 写入性能最大达到 TimescaleDB 的 6.7 倍，InfluxDB 的 10.6 倍。此外，TDengine 在写入过程中消耗了最少计算（CPU）资源和磁盘 IO 开销；相同落盘数据规模下，TDengine 存储空间只有 InfluxDB 的 25%，只有 TimescaleDB 的 4%。此外，对于大多数查询类型，TDengine 的性能均优于 InfluxDB 和 TimescaleDB，在 Complex queries 类型的查询中展现出巨大的优势——TDengine 的 Complex queries 查询性能最高达到了 InfluxDB 的 37 倍、 TimescaleDB 的 28.6 倍。
图 1. 不同场景下写入性能的对比
图 2. 磁盘空间占用（数值越小越优）
从图 1 可以看出在 TSBS 全部五个场景中，TDengine 的写入性能全面超越 TimescaleDB 和 InfluxDB。在场景二（4,000 devices）中 TDengine 写入性能是 TimescaleDB 的最大达到 6.74 倍，在差距最小场景五（10 million devices）中，是 TimescaleDB 写入性能的 1.52 倍。相对于 InfluxDB，TDengine 在场景五（10 million devices）中写入性能是 InfluxDB 的 10.63 倍，在差距最小的场景一（100 devices）中也有 3.01 倍。
从图 2 可以看出，在磁盘空间占用方面，TimescaleDB 在所有的场景下数据规模均显著地大于 InfluxDB 和 TDengine，并且这种差距随着数据规模增加快速变大。TimescaleDB 在场景四（1 million devices）和场景五（10 million devices）中占用磁盘空间是 TDengine 的 25 倍。在前面三个场景中，InfluxDB 落盘后数据文件规模与 TDengine 非常接近，但是在场景四/五两个场景中，InfluxDB 落盘后文件占用的磁盘空间是 TDengine 的 4 倍以上。
图 3 . 4000 devices × 10 metrics Double rollups
查询响应时间 (数值越小越好)
图 4 . 4000 devices × 10 metrics Complex queries
查询响应时间 (数值越小越好)
从图 3 可以看出，在 Double-rollups 类型查询中， TDengine 展现出巨大的性能优势，其查询响应时间来度量，double-groupby-5 和 double-groupby-all 的查询性能是 TimescaleDB 的 24 倍，在 double-groupby-5 查询上是 InfluxDB 的 26 倍 和 double-groupby-all 是其 34 倍。
从图 4 可以看出，对于 Complex-queries 类型的查询，TDengine 两个查询均大幅领先 TimescaleDB 和 InfluxDB。在lastpoint 查询中，查询性能是 TimescaleDB 的 5 倍， InfluxDB 的 21 倍。在 groupby-orderby-limit 场景中查询性能是TimescaleDB的 8 倍，是 InfluxDB 的 15 倍。在时间窗口聚合的查询过程中，TimescaleDB 针对规模较大的数据集其查询性能不佳（double rollups类型查询），对于 groupby-orderby-limit 的查询，其性能上表现同样不是太好。
有关测试报告执行结果和重现步骤的详细信息，请参阅《基于 TSBS 标准数据集 TimeScaleDB、InfluxDB 与 TDengine 的性能对比测试》。
2.2 IoT 场景下，TSBS 基准测试报告
在 IoT 全部五个场景下，TDengine 写入性能均优于 TimescaleDB 和 InfluxDB。写入性能最大达到 TimescaleDB 的 3.3 倍，InfluxDB 的 16.2 倍。此外，TDengine 在写入过程中消耗了最少计算（CPU）资源和磁盘 IO 开销。
图 5. 不同场景下写入性能的对比（数值越大越好）
图 6. 写入过程中服务器 CPU 开销
对于大多数查询类型，TDengine 的性能均优于 InfluxDB 和 TimescaleDB，在复杂的混合查询中 TDengine 展现出巨大的优势——其中 avg-load 和 breakdown-frequency 的查询性能是 InfluxDB 的 426 倍 和 53 倍；daily-activity 和 avg-load 的查询性能是 TimescaleDB 的 34 倍和 23 倍。
图 7. 4000 devices Double rollups 查询响应时间 (数值越小越好)
图 8. 4000 devices 查询响应时间 (数值越小越好)
TimescaleDB 在所有场景下数据规模均显著地大于 InfluxDB 和 TDengine，并且这种差距随着数据规模增加快速变大，其落盘数据规模最高达到了 TDengine 的 12.2 倍；InfluxDB 在前三个场景中落盘后数据文件规模与 TDengine 非常接近，但随着数据规模的增长（场景四、场景五），InfluxDB 落盘后文件占用的磁盘空间最大达到了 TDengine 的 2.8 倍，这也直接说明 TDengine 更加适用于时序大数据的存储。
从整体 CPU 开销上来看，TDengine 不仅完成全部查询的时间低于 TimescaleDB 和 InfluxDB，在整体上 CPU 计算资源的消耗也远小于 TimescaleDB 和 InfluxDB。在整个查询过程中，TDengine 内存也始终维持在一个相对平稳的状态。
图 9. 磁盘空间占用（数值越小越优）
图 10. 查询过程中服务器 CPU 开销
有关测试报告执行结果和重现步骤的详细信息，请参阅《基于 TSBS 标准数据集时序数据库 TimescaleDB、InfluxDB 与 TDengine 在 IoT 场景性能对比测试》。
与 MongoDB、ClickHouse、OpenTSDB 等其他 Database 的对比测试报告，请下载“TDengine与其他数据库对比测试的完整报告”。
TDengine 在数据写入、数据查询、存储空间、资源消耗等方面都表现出了超强的性能，因此，采用高性能时序数据库 TDengine，可将典型的物联网、车联网、工业互联网大数据平台的总拥有成本降低至少 50% 以上。
都是时序数据库，为什么 TDengine 能如此出众？这是由于 TDengine 采用了独特的存储结构，而不是照搬通用的 KV 存储或 LSM 存储引擎。它充分利用时序数据的特点而进行了各种优化，创新地提出了包括“一个数据采集点一张表”与“超级表”的设计，详细请看 TDengine 数据模型和基本概念
3. 智能分析，从原始数据到实时洞察
TDengine 支持标准 SQL 和丰富的时序函数，内置高性能流式计算引擎，具备毫秒级的数据处理和实时分析能力。内置的时序数据分析 AI 智能体 TDgpt，一条 SQL 即可完成预测、异常检测、数据补全和分类等操作，底层基于机器学习算法和时序数据大模型。同时提供 SDK，方便集成自定义算法或模型，加速数据价值释放。
4. 无问智推，让数据自己说话
基于采集的数据，TDengine 可以通过大语言模型（LLM）智能感知业务场景，自动生成业务洞察所需要的面板、报表与实时分析任务，无需手动配置、无需提问、无需专业背景。与传统依赖用户主动查询、主动提问的方式不同，TDengine 借助 AI Agent 将业务洞察自动推送给你，大幅降低数据价值挖掘的门槛和对业务知识的依赖。
5. 开放系统，连接一切，拒绝绑定
TDengine 坚持开放生态，核心代码开源，全面支持标准 SQL 与 JDBC、ODBC 等主流接口，轻松对接各类可视化、BI 和 AI 工具。通过对 MQTT、OPC 等工业协议的深度支持，能快速汇聚来自各类系统的数据，实现跨厂站、跨系统的统一管理。支持数据订阅与共享，帮助企业在不被厂商绑定的前提下，自由构建自己的工业数据应用。