作者：喻东 东莞中融数字

小 T 导读：当下我国养殖企业普遍采用传统塑料耳标+人工定期分析+兽医现场诊断来做牲畜异常预防，虽然市面上有固定摄像头、滑轨追踪摄像头、电信 NB 卡等方案，但这种方式依旧会存在牲畜识别错误、高延迟等问题，无法做到实时监控每一头牲畜。基于此，我们利用新兴技术打造了牲畜“特征采集+AI 分析”的 AIoT 平台，来实现牲畜异常的早发现、早报警、早预防。

具体场景如下：使用 APP 提前录入采集器编号，再将采集器固定在牲畜身上（耳朵、颈部、腿部等），采集器每分钟会采集 20 次特征数据，采集数据种类包括温度、流汗情况、经纬度、运动、脉搏、环境温湿度等。将采集到的数据进行边缘计算，再将汇总结果通过 4G 网络发送至云端服务器，之后云端会根据经纬度等要求获取到所对应的天气、风量等变量，结合采集器数据，AI 会综合评估出牲畜当前的健康情况，例如是否有食欲不振、瘫坐不动、发烧趋势等。

一、 架构和具体实现

与传统物联网项目一样，本平台对数据的写入性能有较高的要求，同时也有一定的聚合查询需求，具体操作上写多读少，是典型的高并发写入场景。我们之前采用的是 MongoDB 的方案，还做了月份分表，但是进行聚合查询的效率并不高，而且也不便利，之后我们又尝试引入 Cassandra，但使用上依旧不够便利。

偶然的机会下，我们了解到 InfluxDB 和 TDengine，在搭建测试环境后对两者分别进行了测试，最终敲定 TDengine。除了两者直接的性能差距外，TDengine 提供的表数据 TTL 机制、数据压缩、流式计算等功能也让我们更加青睐于它。

基于超级表的设计原理，我们将牲畜的业务关联信息作为 tag，方便关联 MySQL，同时一个采集器就作为一个子表存在，采集器测点作为子表的列。

表结构分别如下图所示：图一为牲畜所佩戴的采集器表，也可以认为是牲畜表，其与采集器一一绑定，图二与图三则为安装在养殖场固定位置的环境温湿度表，此外还有存储原始报文数据的表等，就不在此一一列举了。

图 1

图 2

图 3

目前我司的所有物联网数据表都是基于 TDengine 超级表设计的，针对核心的牲畜超级表，其关联的 tag 会比其他表更多一些。需要注意的是，为了保证 TDengine 中 tag 与 MySQL 一致，每当业务中修改了牲畜的基本属性，也需要同步执行 tag 修改操作。

这种表设计方便我们追溯可能出现的处理延时等问题，表中的 collect_time 为采集时间，insert_time 为数据落盘时间，如果两者的时间差较大，则可能就出现了网络差、采集器故障、服务端吞吐量不够等问题，此时就需要排查下原因了。

牲畜数据采集到数据落盘的全流程如下图所示，通过采集器采集到的数据经过 4G 网络上报，由设备网关初步处理数据并推送至 MQ，提升吞吐量，之后传输给消费者，最终落盘到 TDengine。

二、数据迁移和实际效果

因为我们之前使用的是其他数据库，更换新的数据库时会产生数据迁移的操作，具体迁移步骤如下：

• 新产生的采集器数据分别写入 MongoDB 和 TDengine，即一份数据写两份，旧数据查 MongoDB，新数据查 TDengine，以便出现问题后能及时挽救；
• 逐步将历史数据格式化导入到 TDengine；
• AI 分析的数据源由 MySQL 数仓改为 TDengine。

在迁移过程中我们也遇到了一些小问题，主要有两点：

• 由于此前使用的是 MySQL+MongoDB 的方案，所有 MongoDB 的语句都得改写为 TDengine 的 SQL，而 TDengine 的语法虽然接近 SQL，但细节部分区别却不少，不过也并不是大问题，适应之后就好了。
• 由于我司的服务比较多，起初我有考虑做一个中间件来提供给系统内的其他服务做数据查询，但由于 TDengine 是一个较新的开源项目，因此最终还是使用传统的方式：涉及到了物联网数据调用的服务全部自行连接 taos，在迁移运行稳定后再做整合。

迁移之后的效果也非常明显，我们在使用 MongoDB 时，自建集群是使用了 6 台 4 核 32G 机器，迁移到 TDengine 之后，自建集群仅使用了 2 台 8 核 32G 机器，在成本上有显著下降。

在性能的具体表现上，我模拟了 6000 多个采集器的数据，表数据合计约三亿条。我司大部分查询都是基于子表，仅部分业务需要查看聚合操作。对超级表做 group by+last_row(*)查询时，能在 1.5s 内返回数据，对子表做查询在 0.1 秒左右（select * from son_table limit 10），可以满足业务要求。

三、写在最后

随着物联网、人工智能等新兴科技的发展，AIot 已经是个不可忽视的大趋势，而计算环节往往少不了数仓，但在需求不复杂的产品中或许可以节省掉这一步，某种意义上，TDengine 提供的流式计算和高性能的查询，也帮助我们在一定程度上省掉了不少中间步骤，达到了降本增效的结果。

现在 TDengine 在成本管控和性能提升方面所带来的效果已经很突出，如果其能够在未来某个版本支持与模型之间的调用并直接输出结果，那可就太完美了！

✨想了解更多TDengine的具体细节，欢迎大家在GitHub上查看相关源代码。✨