时间序列数据库正在快速增长，根据DB引擎，它们是增长最快的数据库类别，甚至领先于Hadoop和NoSQL数据存储。时间序列数据平台的快速增长是由于最近出现的几种技术趋势引起的。
主要原因之一是，与传统应用程序体系结构相比，现代应用程序体系结构正在产生大量的度量标准。如今，较新的应用程序由微服务提供动力，并由DevOps工具链提供仪器。这个底层架构生成大量的度量和事件数据，这需要特殊的处理。最重要的是，这些较新的应用程序被托管在云平台上，使用VM、Docker和其他使用诸如Kubernetes等编排工具的应用程序。
这些因素导致了大量的度量和事件，现在需要存储、查询和分析。经过尝试使用传统的RDBMS或Hadoop/NoSQL等不同的数据存储方式，用户终于意识到这种用例需要有目的存储和处理，并最终采用了时间序列数据平台。
让我们更深入地研究时间序列平台的巨大增长背后的四个用例。
德维普斯
DevOps并不是一个新的概念，但它将继续获得吸引力，并已成为持续交付的最大推动者。各种规模的公司现在都在采用DevOps，以便更快地交付它们的IT应用程序。App-dev、QA和Ops团队的结合是很自然的，每个行业都在全心全意地采用DevOps。
每个组织都根据使用哪种技术为DevOps使用不同的工具，但这些工具链通常由几十种部署自动化技术组成。Tools，如Chef、PupPET、Jira和Git被用于使用虚拟机和编排技术(如Docker、Kubernetes和Messphere)来检测部署。最终产生的编排有几十个可移动的部件，需要进行高级监视，以确保所有组件都是可执行的，并满足SLA的要求。
好消息是，DevOps工具链中使用的所有工具和技术都会发出时间序列数据，然后可以用来监视、跟踪和分析部署速度和构建性能。然而，这需要一个时间序列数据平台，它可以非常快的速度吸收这些指标，支持跨数据集的查询，并及时执行分析以检测和修复任何部署或构建问题。通过使用专门为度量和事件构建的平台，可以监视、调整和优化DevOps工具链，以便每天进行多个部署。
物联网
传感器和设备正在使物理世界的仪器成为可能。从制造业到汽车，到医疗保健和IT，每一个行业都在竞相实施物联网系统。这一举措使得这些传感器和设备嵌入到从灯泡到太阳能电池板的所有东西中，这意味着每秒都会产生千兆字节的数据。这些数据是全时间序列数据，它需要的不仅仅是简单的存储.事实上，物联网对数据平台有三个独特的要求。
1.监测和跟踪
传感器和设备生成的数据提供的信息可以转化为有意义的洞察力，如电池性能、涡轮机生产、发货状态和其他信息，这些信息通常对业务至关重要，并提高了生产率。能够快速摄取和处理大量的时间序列物联网数据是任何成功的物联网项目的第一步。为什么时间序列数据变得如此重要？
2.分析学
了解对时间序列数据平台产生巨大需求的用例。未来AI/MLdrivenapp环境下时间序列数据平台的未来是什么？四个用例驱动跨行业采用时间序列平台下一步是从物联网数据生成分析。来自传感器的历史数据被用来获得洞察力，可以应用于当前的情况，以创造一个主要的竞争优势。预测维护，优化的交通路线，改进的流失管理，以及加强节水都是可能的物联网分析。
3.行动与控制
最后但并非最不重要的一点是，物联网数据可以被编织到业务流程中以触发智能操作。随着传感器产生事件的速度和速度，企业希望在没有人工干预的情况下实时地对这些数据采取行动。例如，在发生泄漏时自动关闭水泵或随着风速改变风力涡轮机的方向等行动都会立即创造商业优势。具有内置行动框架的时间序列平台使这种操作成为可能。
微型服务
在构建可伸缩和可靠的体系结构时，微服务是非常有用的。与IT服务的交付和使用方式相关的一切都在经历着巨大的变化。整体架构正被微服务驱动的应用程序所取代，而基于云的基础设施正被捆绑在一起，以提供基于微服务的体系结构，这些体系结构提供高性能的可伸缩应用程序(24/7)。
要实现微服务风格的体系结构，有几个基本需求。
可扩展Web体系结构
这种架构的首要要求之一是确保高度的可伸缩性，因此这些微服务通常部署在云端，以便能够按需扩展。为这些微服务提供动力的云和容器架构需要亚秒级的监视来根据需要触发更多的容量，而这通常是通过分析堆栈生成的时间序列度量来实现的。
跨域可见性
微服务驱动的应用程序可以由跨越多个IT域的不同团队构建。一个团队负责“客户帐户创建”，另一个团队负责“订单创建”的微型服务。当新客户抱怨下订单需要很长时间时，问题可能会出现在任何一方。通过使用微服务堆栈生成的时间序列数据，可以跨多个微服务域度量响应时间等性能指标。
分布式体系结构
由于技术原因(例如可伸缩性和减少延迟)，或者由于位置、管辖权或灾难管理需求等原因，需要分布式体系结构。分布式特性具有很大的意义，但也带来了监视挑战。同一微服务的不同版本可以部署在不同的区域-如何在次秒级跟踪基准和SLA的性能？同样，时间序列数据平台来拯救并使用度量和事件来跟踪性能。
实时分析
由于上述原因，现代应用程序产生的度量和事件的数量超出了任何人类实际解释和行动的能力。我们如何了解正在发生的事情并采取尽可能最好的行动？机器学习与实时分析是寻找“从噪音信号”的关键.组织是否需要实时分析来买卖股票，在机器故障前进行预测维护，还是根据客户行为、处理、分析和实时处理时间序列数据来调整价格是需要解决的问题。
观察
实时观测系统是至关重要的，因为复杂的系统，本质上，行为和失败的方式非常不可预测。观察不同的度量标准，如锅炉温度、订单量、独特的访问者，甚至是假日期间的系统统计等基础设施指标，这是理解应用程序和用户行为的真正一部分。
学学
学习过程就是教系统数据意味着什么，以及如何自动决策。AI/ML在它所能做的事情上是如此强大，但它需要大量的数据来学习。时间序列数据平台从关键任务的应用程序和基础设施中获取度量和事件，以便算法能够了解正在发生的事情。
自动
在生成分析之后，下一步是自动化决策。这个决定可能只是预测什么时候该为应用程序申请更多资源，或者决定给客户一个特殊折扣。这些决定可以由应用本身做出，也可以由另一个AI/ML应用做出。在某些情况下，它只是提醒另一个应用程序采取行动。
摘要
IT应用正在发生翻天覆地的变化。跨行业，人们认识到，企业应该转向人工智能/ML驱动的智能应用，这些应用可以借助物联网和先进的仪器设备来驱动自动化。这种应用架构由微服务提供动力，并使用DevOps工具链构建，最终目标是快速升级以提供优秀的客户体验。随着交付这些应用程序的机制的发展，监测和检测应用程序的必要性也在不断发展。能够处理大量度量和事件的时间序列数据平台将随着人工智能、预测分析和新的应用程序体系结构的需求而继续增长。