电力SCADA系统需存储海量传感器数据（如每秒百万条），如何设计数据库（时序数据库 vs 分布式关系型），优化写入/查询性能，处理数据压缩与归档策略？
答案
1) 【一句话结论】电力SCADA系统存储海量传感器数据（每秒百万条），应采用时序数据库（如InfluxDB/TimescaleDB）为主，分布式关系型（如TiDB）为辅的设计方案——前者优化写入性能与时间序列查询，后者支持复杂业务查询与数据一致性；同时结合数据压缩（如ZSTD/LZ4）与分层归档（实时库+归档库）策略，平衡性能与存储成本。
2) 【原理/概念讲解】
老师口吻：同学们，咱们先讲核心概念。
- 时序数据库：专为时间序列数据（如传感器数据）设计，核心是“时间+值”的存储结构，通过时间索引实现高效的时间范围查询（如“最近1小时数据”），写入时支持批量写入（减少网络开销）和索引优化（如时间维度索引），适合高并发写入场景。类比：就像给每个传感器数据打上“时间戳标签”，按时间顺序存储，查询时直接按时间范围筛选，非常高效。
- 分布式关系型数据库（如TiDB）：基于分布式架构（分片、复制），支持ACID事务和复杂SQL查询（如多表关联、聚合查询），适合需要复杂业务逻辑的场景（如数据统计、报表生成）。但时序数据写入时，若直接用关系型表存储，写入性能和查询效率不如时序数据库，需通过优化（如分区、索引）提升，适合写入/查询平衡或复杂查询为主的场景。
3) 【对比与适用场景】
| 对比维度 | 时序数据库（如InfluxDB） | 分布式关系型（如TiDB） |
|---|---|---|
| 定义 | 专为时间序列数据设计的数据库 | 分布式架构的ACID关系型数据库 |
| 核心特性 | 高写入吞吐（批量写入）、时间索引优化、时间范围查询高效 | 支持复杂SQL、ACID事务、水平扩展 |
| 使用场景 | 传感器数据、日志、指标监控（写入优先、时间范围查询） | 业务数据管理（如设备状态关联、多表查询）、复杂分析 |
| 注意点 | 查询复杂度低（适合简单聚合），数据一致性弱（最终一致性） | 写入性能受分区影响，复杂查询可能慢 |
4) 【示例】以时序数据库（InfluxDB）为例，展示写入和查询：
- 写入（每秒百万条数据，假设每条包含时间戳、传感器ID、电压值）：
// 伪代码：批量写入 influx write -database scada -precision s "measurement=power_sensor,device_id=001 value=230.5" influx write -database scada -precision s "measurement=power_sensor,device_id=002 value=229.8" - 查询（最近1小时数据）：
SELECT * FROM power_sensor WHERE time > now() - 1h
5) 【面试口播版答案】
“面试官您好，针对电力SCADA系统的海量传感器数据（每秒百万条），我的核心设计思路是以时序数据库（如InfluxDB/TimescaleDB）为主，分布式关系型（如TiDB）为辅，同时结合数据压缩和分层归档策略。
首先，时序数据库是专门为时间序列数据设计的，它通过“时间+值”的结构优化了写入性能（支持批量写入减少网络开销）和时间范围查询（如最近1小时数据），非常适合传感器数据的实时写入和快速查询。比如，每秒百万条数据，时序数据库的批量写入机制能高效处理，而时间索引让查询速度极快。
然后，分布式关系型数据库（如TiDB）则用于处理复杂业务场景，比如设备状态关联、多表查询（如传感器数据与设备台账关联），它支持ACID事务和复杂SQL，适合需要数据一致性和复杂分析的场景。
接下来是数据压缩与归档：对于实时数据，采用ZSTD/LZ4等高效压缩算法减少存储成本；对于历史数据，采用分层归档策略——实时数据存入时序数据库，超过7天的数据迁移到归档库（如对象存储S3），既保证实时查询性能，又降低存储成本。
总结来说，这种组合能平衡写入/查询性能，同时通过压缩和归档优化存储成本，满足电力SCADA系统的需求。”
6) 【追问清单】
- 问题1：数据压缩的具体实现方式？
回答要点：采用ZSTD/LZ4等高效压缩算法，针对时序数据的连续性（如时间戳连续）优化压缩比，减少存储空间。 - 问题2：归档策略如何设计？
回答要点：分层归档，实时数据存入时序数据库，7天后的数据迁移到对象存储（如S3），定期清理归档数据。 - 问题3：如何保证高可用和容灾？
回答要点：时序数据库采用主从复制（如InfluxDB的Replica Set），分布式关系型数据库采用多副本（如TiDB的Raft协议），结合数据备份和灾备中心。 - 问题4：复杂查询（如多表关联）的性能如何优化？
回答要点：在分布式关系型数据库中，通过分区（按时间或设备ID）和索引优化（如时间索引、设备ID索引）提升查询效率。
7) 【常见坑/雷区】
- 坑1：认为时序数据库不能做复杂查询，导致选择单一数据库。
雷区：时序数据库支持简单聚合（如sum、avg），但复杂多表关联查询效率低，需结合分布式关系型。 - 坑2：忽略数据生命周期管理，所有数据都存入实时库。
雷区：未考虑历史数据的价值，导致存储成本过高，需设计分层归档策略。 - 坑3：未考虑写入性能与查询性能的平衡，单一选择关系型数据库。
雷区：关系型数据库写入性能受限于ACID事务，不适合高并发写入场景，需结合时序数据库。 - 坑4：压缩算法选择不当，影响查询性能。
雷区：选择压缩比过高的算法（如LZMA）会降低查询速度，需根据数据特性选择（如ZSTD在压缩比和速度间平衡较好）。 - 坑5：未考虑数据一致性要求，直接使用最终一致性。
雷区：电力SCADA系统对数据一致性要求高（如设备状态更新），需选择支持强一致性的数据库（如TiDB的ACID事务）。