ModelarDB+ 中相关维度时间序列的可扩展基于模型管理
数据库
2021-06-30 v3
摘要
为监控关键基础设施，越来越多地使用高频采样的高质量传感器。然而，由于它们产生海量数据，仅存储简单聚合值。这去除了可能指示问题的离群值与波动。作为补救，我们提出一种基于模型的方法来管理带维度的时间序列，其利用了时间序列内部及之间的相关性。具体而言，我们提出在用户定义误差界（可能为零）内使用一组可扩展的模型类型来压缩相关时间序列组。我们将这种用于时间序列的基于模型压缩方法的新类别命名为多模型组压缩（Multi-Model Group Compression, MMGC）。我们提出首个 MMGC 方法 GOLEMM，并扩展模型类型以压缩时间序列组。我们提出供用户有效为不同规模数据集定义组的原语，并基于这些原语，提出一种仅利用时间序列维度的自动分组方法。我们提出在模型上执行简单与多维聚合查询的算法。最后，我们在时间序列管理系统（TSMS）ModelarDB（ModelarDB+）中实现我们的方法。我们的评估表明，与广泛使用的格式相比，ModelarDB+ 因高压缩实现高达 13.7 倍更快的摄取，因 GOLEMM 的自适应性实现 113 倍更好的压缩，利用模型实现 630 倍更快的聚合，以及接近线性的可扩展性。它还可扩展并支持在线查询处理。
引用
@article{arxiv.1903.10269,
title = {Scalable Model-Based Management of Correlated Dimensional Time Series in ModelarDB+},
author = {Søren Kejser Jensen and Torben Bach Pedersen and Christian Thomsen},
journal= {arXiv preprint arXiv:1903.10269},
year = {2021}
}
备注
12 Pages, 28 Figures, and 1 Table