> 作為一款時序資料庫（Time-Series Database），TDengine 提供了按時間自動劃分視窗並執行查詢的能力。這個功能的用途和使用場景你是不是清楚呢？本文將為你介紹這一功能及其典型使用場景。

**什麼是視窗查詢？**

時序資料常常需要根據採集時間對資料進行查詢，本質上是在時間軸上劃分出時間視窗，並對視窗內的資料進行聚合和查詢計算。比如一個最簡單的場景：查詢”2018-01-01 00:00:00.000″到”2018-01-31 00:00:00.000″原始資料的最大值、最小值、平均值，則”2018-01-01 00:00:00.000″到”2018-01-31 00:00:00.000″就形成了一個查詢的時間視窗。

在實際生產應用中，業務場景要求的查詢條件往往比這個更復雜，需要時序資料庫能夠按照不同規則、沿時間軸進行視窗劃分，並對各個視窗內的時序資料分別進行聚合、選擇計算等操作。

**TDengine 提供的三種視窗查詢能力詳解**

TDengine 從 2.2.x.x 版本起，支援了三類時序視窗查詢，分別是**等間隔視窗（interval）、狀態視窗（state_window）**和**會話視窗（session）**，大大簡化了應用開發時對時間序列邏輯的處理。

視窗查詢，從子表的查詢語法為：
```cpp
SELECT function_list FROM tb_name [WHERE where_condition] [SESSION(ts_col, tol_val)][STATE_WINDOW(col)] [INTERVAL(interval [, offset]) [SLIDING sliding]] [FILL({NONE | VALUE | PREV | NULL | LINEAR | NEXT})]
```
視窗查詢，從超級表的查詢語法為：
```cpp
SELECT function_list FROM stb_name [WHERE where_condition] [INTERVAL(interval [, offset]) [SLIDING sliding]] [FILL({NONE | VALUE | PREV | NULL | LINEAR | NEXT})] [GROUP BY tags]
```
下面分別看一下這三類時序視窗查詢功能。

**1. 等間隔視窗（interval）**
按照固定的時間視窗長度，週期性地對時間軸進行視窗劃分，並允許對每個視窗內的資料進行聚合查詢。

![](http://img.blog.itpub.net/blog/2022/07/01/4c6d225c6992e720.jpeg?x-oss-process=style/bb)

我們再透過幾個例子看看等間隔視窗的具體應用場景。

在工業生產中，有很多監控指標需要實時展示趨勢線。但有些指標如振動等，實際採集的頻率非常高，如果展示原始資料會難以看清趨勢，同時由於資料量過於密集，會給前端頁面的展示造成巨大壓力。

但透過 interval 等間隔視窗，可以按照指定視窗長度對原始資料做聚合（相當於對原始資料進行了降取樣），之後再展示趨勢線時，前端展示需要從資料庫拉取的資料量會大大減少，從而顯著提高效率。

下圖中，綠色曲線為基於每 60 秒採集一次的原始資料直接展示繪製的曲線，橙色曲線為對原始資料按照 5 分鐘長度進行視窗劃分後求取平均值的曲線，可以看到橙色曲線這種情況下，很好地反映了整體的資料變化趨勢，而前端繪圖所需的資料量卻減少了 80%。

![](http://img.blog.itpub.net/blog/2022/07/01/6714985d67eb4609.png?x-oss-process=style/bb)

在實際生產中高頻採集資料的趨勢線，均可以考慮透過 TDengine 的 interval 語法提供的降取樣能力，在不丟失整體趨勢資訊的情況下，快速展示資料。

![](http://img.blog.itpub.net/blog/2022/07/01/a1c6c9162068d076.png?x-oss-process=style/bb)

![](http://img.blog.itpub.net/blog/2022/07/01/b8817c871a773e37.png?x-oss-process=style/bb)

**2. 狀態視窗（state_window）**
狀態視窗讓使用者可以按照某個整型/字串型的採集量（一般是表徵狀態的值，如裝置工作模式等）的值來劃分視窗，將該狀態值連續不變的記錄劃入同一個視窗。然後對每個視窗內的採集值進行avg/max/min等統計聚合、或計算狀態持續時間等。

比如加工廠的機床運維人員，需要統計每個機床的工作和待機的時間，這本質上是以工作狀態 “status” 這個狀態量的值來劃分視窗，並統計視窗時長。

![](http://img.blog.itpub.net/blog/2022/07/01/ee59a8b211f96143.jpeg?x-oss-process=style/bb)

上圖中 “status” 列，表徵裝置的當前工作狀態，狀態視窗對 “status” 值的連續變化情況進行判斷，劃分出三個視窗，並可以分別對每個視窗進行聚合，比如計算每個視窗內的開始時間、結束時間、總記錄條數、平均值、視窗持續時間等。這些均可在 TDengine 中透過一條 SQL 查詢語句直接實現，具體 SQL 語句和查詢結果見下圖。

![](http://img.blog.itpub.net/blog/2022/07/01/94acae7e2bf45eb8.jpeg?x-oss-process=style/bb)

**3. 會話視窗（session）**
在詳細討論會話視窗之前，我們先看車聯網平臺的一個典型應用場景：透過車輛行駛資料對車輛行程進行劃分。一部車從發動起步，到停車熄火的中間行駛過程視為一個完整的“行程”。車輛在行駛時，車載 T-Box 一般會按照 30 秒的間隔，向車聯網平臺傳送自身的狀態資料；而停車熄火時，則不再傳送。因此，透過分析車輛上報訊息的連續性，可以推算出該車輛的行程。

會話視窗讓使用者可以按照上報記錄的時間連續性來劃分視窗，即相鄰兩條記錄時間間隔不超過某一閾值，則劃歸同一視窗；超過該閾值，則老視窗結束，新視窗開始；然後對每個視窗進行諸如持續時間等統計，或對視窗內的原始採集資料進行各種聚合計算，可以是 avg/max/min/count 或其他使用者自定義函式。

![](http://img.blog.itpub.net/blog/2022/07/01/d2e6cee949252f7b.jpeg?x-oss-process=style/bb)

會話視窗針對的場景是：讓使用者透過一條 SQL 語句實現按時序資料的“連續程度”來自動劃分視窗。

如下圖中的 SQL 所示，使用者設定 session ( ts, 10s )，就是將相鄰記錄時間間隔小於 10 秒的記錄劃分到同一個 session window 內；而對間隔超過 10 秒的兩條相鄰記錄則劃分到不同視窗。這樣就在下圖中劃分出了藍色、紅色、灰色標示出的 3 個視窗，每個視窗可獨立計算視窗開始/結束時間、視窗長度、視窗內記錄數等使用者感興趣的統計量。

![](http://img.blog.itpub.net/blog/2022/07/01/944ebfd362a15bf4.jpeg?x-oss-process=style/bb)

**總結**

時序資料除了資料量大、結構相對簡單的特點外，還在查詢場景中大量涉及時間戳的處理。我們往往要根據業務場景，按時間戳對採集資料進行分組並計算。對於這類計算，如果開發者將原始資料讀入記憶體，再由應用層程式去處理時間視窗劃分的邏輯，就不得不面對讀取海量原始時序記錄的磁碟 IO、CPU 及記憶體開銷，同時業務層程式碼複雜度也變得更高。

如果開發者可以靈活運用 TDengine 這樣的 Database 提供的時序資料視窗劃分能力，結合業務場景，選擇合適的視窗劃分函式來將相關計算負荷下沉到資料庫層，則能大大提升系統響應效能、減少負載開銷，起到事半功倍的效果。

------------

想了解更多 TDengine Database的具體細節，歡迎大家在[GitHub]( https://github.com/taosdata/grafanaplugin"GitHub")上檢視相關原始碼。
[![](http://img.blog.itpub.net/blog/2022/05/11/0fd59db1207fc97f.jpeg?x-oss-process=style/bb)](https://www.taosdata.com/?zh "![](http://img.blog.itpub.net/blog/2022/05/11/0fd59db1207fc97f.jpeg?x-oss-process=style/bb)")

一文讀懂TDengine的視窗查詢功能

相關文章