时序数据的作用

时序数据库的作用主要体现在以下几个方面：数据存储与管理高效存储时序数据：时序数据库采用列式存储结构和时间索引等技术，能够高效地存储大规模、高频率的时间序列数据，如传感器数据、股票价格、系统监控指标等。可视化支持：与数据可视化工具集成，能够将时序数据以图表、图形等形式直观展示，帮助用户更直观地理解数据的变化趋势和模式。实时监控与告警实时数据监控：支持实时数据的写入和查询，能够及时获取最新的数据信息支持趋势预测：通过对历史时序数据进行分析，可以预测未来的数据趋势，为业务决策提供参考，如预测市场需求、设备故障等。优化决策：结合数据分析结果，帮助企业和组织优化决策，提高运营效率和降低成本，如优化生产计划、资源分配等。应用场景拓展物联网（IoT）：为物联网设备产生的海量时序数据提供存储和分析支持，推动物联网应用的发展，如智能家居、智能城市、智能农业等。工业互联网：在工业互联网领域，时序数据库能够帮助企业实现设备的智能监控和管理，提高生产效率和产品质量，促进工业数字化转型。，节省存储空间并提高数据检索速度。简化数据管理：为时序数据提供统一的存储和管理平台，方便数据的导入、导出、备份和恢复等操作，降低数据管理的复杂性和成本。数据查询与分析快速时间范围查询：利用时间戳作为

时序数据库的作用主要体现在以下几个方面：数据存储与管理高效存储时序数据：时序数据库采用列式存储结构和时间索引等技术，能够高效地存储大规模、高频率的时间序列数据，如传感器数据、股票价格、系统监控指标等。可视化支持：与数据可视化工具集成，能够将时序数据以图表、图形等形式直观展示，帮助用户更直观地理解数据的变化趋势和模式。实时监控与告警实时数据监控：支持实时数据的写入和查询，能够及时获取最新的数据信息支持趋势预测：通过对历史时序数据进行分析，可以预测未来的数据趋势，为业务决策提供参考，如预测市场需求、设备故障等。优化决策：结合数据分析结果，帮助企业和组织优化决策，提高运营效率和降低成本，如优化生产计划、资源分配等。应用场景拓展物联网（IoT）：为物联网设备产生的海量时序数据提供存储和分析支持，推动物联网应用的发展，如智能家居、智能城市、智能农业等。工业互联网：在工业互联网领域，时序数据库能够帮助企业实现设备的智能监控和管理，提高生产效率和产品质量，促进工业数字化转型。，节省存储空间并提高数据检索速度。简化数据管理：为时序数据提供统一的存储和管理平台，方便数据的导入、导出、备份和恢复等操作，降低数据管理的复杂性和成本。数据查询与分析快速时间范围查询：利用时间戳作为

时序数据库的作用主要体现在以下几个方面：数据存储与管理高效存储时序数据：时序数据库采用列式存储结构和时间索引等技术，能够高效地存储大规模、高频率的时间序列数据，如传感器数据、股票价格、系统监控指标等。可视化支持：与数据可视化工具集成，能够将时序数据以图表、图形等形式直观展示，帮助用户更直观地理解数据的变化趋势和模式。实时监控与告警实时数据监控：支持实时数据的写入和查询，能够及时获取最新的数据信息支持趋势预测：通过对历史时序数据进行分析，可以预测未来的数据趋势，为业务决策提供参考，如预测市场需求、设备故障等。优化决策：结合数据分析结果，帮助企业和组织优化决策，提高运营效率和降低成本，如优化生产计划、资源分配等。应用场景拓展物联网（IoT）：为物联网设备产生的海量时序数据提供存储和分析支持，推动物联网应用的发展，如智能家居、智能城市、智能农业等。工业互联网：在工业互联网领域，时序数据库能够帮助企业实现设备的智能监控和管理，提高生产效率和产品质量，促进工业数字化转型。，节省存储空间并提高数据检索速度。简化数据管理：为时序数据提供统一的存储和管理平台，方便数据的导入、导出、备份和恢复等操作，降低数据管理的复杂性和成本。数据查询与分析快速时间范围查询：利用时间戳作为

时序数据库的作用主要体现在以下几个方面：数据存储与管理高效存储时序数据：时序数据库采用列式存储结构和时间索引等技术，能够高效地存储大规模、高频率的时间序列数据，如传感器数据、股票价格、系统监控指标等。可视化支持：与数据可视化工具集成，能够将时序数据以图表、图形等形式直观展示，帮助用户更直观地理解数据的变化趋势和模式。实时监控与告警实时数据监控：支持实时数据的写入和查询，能够及时获取最新的数据信息支持趋势预测：通过对历史时序数据进行分析，可以预测未来的数据趋势，为业务决策提供参考，如预测市场需求、设备故障等。优化决策：结合数据分析结果，帮助企业和组织优化决策，提高运营效率和降低成本，如优化生产计划、资源分配等。应用场景拓展物联网（IoT）：为物联网设备产生的海量时序数据提供存储和分析支持，推动物联网应用的发展，如智能家居、智能城市、智能农业等。工业互联网：在工业互联网领域，时序数据库能够帮助企业实现设备的智能监控和管理，提高生产效率和产品质量，促进工业数字化转型。，节省存储空间并提高数据检索速度。简化数据管理：为时序数据提供统一的存储和管理平台，方便数据的导入、导出、备份和恢复等操作，降低数据管理的复杂性和成本。数据查询与分析快速时间范围查询：利用时间戳作为

在当今数据驱动的世界中，多模态数据已经成为企业的重要资产。随着数据规模和多样性的不断增加，企业不仅需要高效存储和处理这些数据，更需要从中提取有价值的洞察。工业领域在处理海量设备时序数据的同时，还需要联动分析警报信息、设备关系、组织信息等关系数据或图数据；金融领域除了常见的行情和订单流时序数据外，还会采用地理信息、实时新闻、气象数据等多种类型的数据辅助决策。然而，要充分挖掘和利用这些多模态数据，传统单一模型的时序数据库已显得力不从心，无法满足现代多元应用场景中企业对数据使用的复杂需求。TranswarpTimeLyre是星环科技自主研发的企业级分布式时序数据库，具备高吞吐实时写入、时序精准查询、高数据压缩率等特点，可以支持海量时序数据的存储、查询、分析，有效支撑能源、制造、金融领域等多种时序数据业务场景。近日，TimeLyre正式发布V9.2版本，支持海量时序数据的同时，具备原生的多模态数据混合存储能力，能够整合和处理不同类型的数据，帮助企业实现数据的多维分析。同时提供高性能分析、热温冷数据分层存储、极速时序数据回放分析等新功能，可以有效支撑大规模时序数据湖、投研一体化平台、时序数据中台等新场景，充分满足企业对多模态数据存储分析的需求，助力企业发挥数据深层价值。

在当今数据驱动的世界中，多模态数据已经成为企业的重要资产。随着数据规模和多样性的不断增加，企业不仅需要高效存储和处理这些数据，更需要从中提取有价值的洞察。工业领域在处理海量设备时序数据的同时，还需要联动分析警报信息、设备关系、组织信息等关系数据或图数据；金融领域除了常见的行情和订单流时序数据外，还会采用地理信息、实时新闻、气象数据等多种类型的数据辅助决策。然而，要充分挖掘和利用这些多模态数据，传统单一模型的时序数据库已显得力不从心，无法满足现代多元应用场景中企业对数据使用的复杂需求。TranswarpTimeLyre是星环科技自主研发的企业级分布式时序数据库，具备高吞吐实时写入、时序精准查询、高数据压缩率等特点，可以支持海量时序数据的存储、查询、分析，有效支撑能源、制造、金融领域等多种时序数据业务场景。近日，TimeLyre正式发布V9.2版本，支持海量时序数据的同时，具备原生的多模态数据混合存储能力，能够整合和处理不同类型的数据，帮助企业实现数据的多维分析。同时提供高性能分析、热温冷数据分层存储、极速时序数据回放分析等新功能，可以有效支撑大规模时序数据湖、投研一体化平台、时序数据中台等新场景，充分满足企业对多模态数据存储分析的需求，助力企业发挥数据深层价值。

时序数据库的作用主要体现在以下几个方面：数据存储与管理高效存储时序数据：时序数据库采用列式存储结构和时间索引等技术，能够高效地存储大规模、高频率的时间序列数据，如传感器数据、股票价格、系统监控指标等。可视化支持：与数据可视化工具集成，能够将时序数据以图表、图形等形式直观展示，帮助用户更直观地理解数据的变化趋势和模式。实时监控与告警实时数据监控：支持实时数据的写入和查询，能够及时获取最新的数据信息支持趋势预测：通过对历史时序数据进行分析，可以预测未来的数据趋势，为业务决策提供参考，如预测市场需求、设备故障等。优化决策：结合数据分析结果，帮助企业和组织优化决策，提高运营效率和降低成本，如优化生产计划、资源分配等。应用场景拓展物联网（IoT）：为物联网设备产生的海量时序数据提供存储和分析支持，推动物联网应用的发展，如智能家居、智能城市、智能农业等。工业互联网：在工业互联网领域，时序数据库能够帮助企业实现设备的智能监控和管理，提高生产效率和产品质量，促进工业数字化转型。，节省存储空间并提高数据检索速度。简化数据管理：为时序数据提供统一的存储和管理平台，方便数据的导入、导出、备份和恢复等操作，降低数据管理的复杂性和成本。数据查询与分析快速时间范围查询：利用时间戳作为

时序数据库具有以下特性：时序特性：每条数据都有一个时间戳，时间戳精度可以根据需求，采样频率也可根据可感知的周期频率或不可感知的网站PV/UV进行离散型采样。数据特性：时序数据是顺序可追加的，同时也是多维可关联的，数据有不同的指标。时序数据存在冷热归档特性，靠近当前时间的数据价值高，时间较远的数据价值则逐渐降低。时序数据包含具体的数值、状态和事件。CRUD特性：时序数据库的读写类似LSM数据库，写操作频率大于读，存在一定时间窗口。通常情况下，时序数据库不会更新数据，而是支持覆盖写和批量删除操作。时序数据库需要支持高可用、高可靠和可伸缩的特性，但不具备事务能力。时序数据库可以广泛应用于物联网、金融、电力等领域，以解决大量时序数据的存储、处理和分析问题，从而为业务决策提供有力支持。星环分布式时序数据库-TranswarpTimeLyreTranswarpTimeLyre是星环科技研发的企业级分布式时序数据库，产品基于星环科技大数据产品生态设计与实施，具备高吞吐实时写入、时序精确查询、超高数据压缩率等特点，可以有效支撑物联网、能源制造、金融量化交易领域等多种时序数据业务场景。

时序数据库具有以下特性：时序特性：每条数据都有一个时间戳，时间戳精度可以根据需求，采样频率也可根据可感知的周期频率或不可感知的网站PV/UV进行离散型采样。数据特性：时序数据是顺序可追加的，同时也是多维可关联的，数据有不同的指标。时序数据存在冷热归档特性，靠近当前时间的数据价值高，时间较远的数据价值则逐渐降低。时序数据包含具体的数值、状态和事件。CRUD特性：时序数据库的读写类似LSM数据库，写操作频率大于读，存在一定时间窗口。通常情况下，时序数据库不会更新数据，而是支持覆盖写和批量删除操作。时序数据库需要支持高可用、高可靠和可伸缩的特性，但不具备事务能力。时序数据库可以广泛应用于物联网、金融、电力等领域，以解决大量时序数据的存储、处理和分析问题，从而为业务决策提供有力支持。星环分布式时序数据库-TranswarpTimeLyreTranswarpTimeLyre是星环科技研发的企业级分布式时序数据库，产品基于星环科技大数据产品生态设计与实施，具备高吞吐实时写入、时序精确查询、超高数据压缩率等特点，可以有效支撑物联网、能源制造、金融量化交易领域等多种时序数据业务场景。

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：