新世代物聯網大數據資料庫應用－時序資料庫

一、前言

　　本中心多年以來，一路協助公部門相關單位資訊服務的歷程，從早期的電子文件表單、共同資料庫、MIS資訊管理，到這十年來的單一入口整合、GIS地理資訊服務、大數據分析、跨瀏覽器平台、行動裝置APP開發，都緊跟著資訊IT技術軌跡，共同進步發展成長。

　　近年來，隨著大數據及物聯網（IoT）的發展，加上IT資訊處理技術的提升，讓各行各業對於資料蒐集的數量及範圍需求越來越大，各單位都希望能透過不間斷的方式，蒐集因本身業務處理過程所產製的各項數據，以進行即時性的監控及預警。

　　以交通部公路總局為例，每日百餘名省道公路巡查人員，奔波於全臺灣各處的公路上，不間斷地超過60部以上的行動裝置APP，同時間回傳軌跡座標點位數據，平均每天超過150萬筆（約每秒60筆）；另外，臺北市政府大地工程處針對臺北市的山坡地，建置至少1,000項以上的監測儀器，每日定時透過這些監測數據的回傳蒐集，作為坡地安全監測最重要的參考依據。

　　但由於資料的特性不同，在數據的快速累積之下，造成系統負荷量越來越大，透過傳統的資料庫來儲存如此龐大且使用率低的數據資料，可能連帶地將影響系統正常運作及效能。

二、問題分析

　　因此依據資料的重複使用頻率等特性，可將資料區分為熱資料與冷資料這兩種，其主要區別在於，熱資料屬於一般性的精確資料，必須長期儲存於資料庫內，反覆多次的查詢讀取利用或修改更新，例如：員工的基本資料、產品的銷售金額、工廠的生產數量等。

　　相對於冷資料就大不相同，這些資料可能是偵測儀器定量定時的持續產生，必須被記錄但是很少被讀取；具有時效性，過了數天或可能數小時後的數據資料，就完全沒有被參考或重複利用的價值；對於資料的精確程度，可以不需要百分百正確的要求，例如：某工廠機台每分鐘監測的馬達轉速、山坡地邊坡水平儀每30分鐘監測數據、身體每分鐘監測一次的心跳數等。

　　這些冷資料的數據，可即時利用作為當下超過設定臨界值，提供預警的功能，而某一固定間隔時段的統計數據，可提供做為大數據分析之用。但是一旦數據失去時效性，沒有發生異常示警或統計上的意義時，這些資料就可能同時失去了留存的價值。

三、時序資料庫

　　綜上所述，配合冷資料這種新型態類型數據的出現，在資訊方面就必須透過新的技術工具，來解決資料處理的問題。相比於傳統的關聯式資料庫（Relational Database），以及近來為了資料搜尋彈性儲存特性，所衍生的非關聯式型資料庫（NoSQL Database）。

　　本文所提的時序資料庫是以較新的科技技術，來處理特殊時效性的數據內容，目前尚未有行業標準，因此在很多方面還有待完善改進，但是很明顯地隨著感測儀器IoT的發展，時序資料庫將是未來資料處理的重要趨勢。

• 儲存邏輯特性

時序資料庫的最重要特性，就是以時間戳記（Timestamp）為主的儲存邏輯，讓所有資料透過時間分布的序列，分作標籤（Tag）值及場域（Field）值兩種類型資料進行存儲。

舉例1：2021年2月28日晚上8點25分37.625秒，臺北市士林區的陽明山（46693）氣象測站，10分鐘雨量為0.5毫米，1小時雨量為2.5毫米，6小時雨量為17.0毫米。

舉例2：2021年3月2日上午10點38分8.83秒，汐止辦公室第六會議室，溫度為21.5度C，濕度為76%。

• 操作應用特性

如前所述，因為時序資料在儲存邏輯的不同，也直接衍生出特殊的應用特性，以配合數據資料的使用，例如：

• 時序插值

實際應用上經常在擷取儀器或讀取數據時，因為系統運行的先後順序影響，或數據資料產出時的時間不見得與伺服器同步，因此將數據寫入一般資料庫後，對於資料的時間記錄，就會特別地複雜且因此影響系統運行效能，在時序資料中可直接針對資料定義的時間，或系統讀取的時間，直接寫入資料庫，並作為快速索引統計的計算依據。

• 資料精度

依據不同使用場景，例如記錄了每分鐘的溫溼度，可是在資料的應用上，需要用到一天、一個月或一年的數據趨勢統計，則資料庫必須能快速降低時間精度，以日、月或年統計計算，並提供出最大值、最小值或平均值的相關數據。

• 讀寫差異

數據寫入速率穩定並且遠遠大於讀取，資料內容極少更新，可自定義期限的資料覆蓋或批量刪除，具備通用資料庫要求的高可用，高可靠，可伸縮特性，通常不需要具備事務的能力。

四、應用情境

　　因此在系統開發過程的需求訪談階段，資訊輔導顧問或系統分析師就應充分理解資料屬性的不同，配合各種不同的應用場景，適配不同的資料庫儲存技術加以應用，本文提出下列情境，提供顧問輔導作為適用時序資料庫判斷參考：

1. 數據資料量

多數的IoT物聯網設備，都是在時間密集度大的情況下採集數據，使用的場景是以秒和毫秒精度以上為主，在一些高頻率採集的應用上，時間戳記甚至可以達到納秒級別。

舉例來說，如果一秒採集一次溫度數據，這樣一天下來，光單一設備就至少採集了86,400筆溫度數據。而一棟醫院建物就可能有超過100個以上這樣的設備，甚至收集多種不同類型的數據。在時序資料庫中可透過壓縮或排除機制，大幅降低數據儲存空間。

2. 無差別採集

數據採集取樣頻率，一般可分為2種，物聯網設備或數位產製的資料，都是以固定的時間周期頻率進行收集取樣；另一種如離散型的取樣，如網站的不定時到訪記錄。除非全面性更動數據採集策略，一般而言，都是在一定時間內進行穩定、持續，無差別的數據採集。

3. 數據新鮮度

如果所遇資料只有近期的數據，才有應用或關注的價值，而時間相隔越久遠的數據，被使用到的機率趨近於零，這些數據資料就適合應用於時序資料庫之中。例如：近來相當流行的個人健康數據，心跳脈搏數、體溫、睡眠時數、行走的步數等。

4. 統計精度

由於傳統資料庫僅扮演資料存取的角色，所以這樣的系統架構，一旦遇到例如：從每分鐘的溫度偵測值，統計出每日平均氣溫；或從路口經過的車輛偵測數據，統計出每小時的車流量等等，諸如此類的IoT物聯網所產生的巨量數據統計計算時，往往必須仰賴程式端的複雜設計運算，以至於耗費相當大的電腦處理資源。

此時，時序資料庫就可以針對這類型的應用情境，發揮極其高效的時序統計功能，大幅降低系統演算的負荷。