قواعد بيانات السلاسل الزمنية: إدارة البيانات التي تتغير بمرور الوقت

مقدمة

قاعدة بيانات السلاسل الزمنية (TSDB) متخصصة في تخزين نقاط البيانات المفهرسة حسب الوقت والاستعلام عنها - قراءات أجهزة الاستشعار، ومقاييس الخادم، وسجلات التطبيقات، وبيانات التجزئة المالية، وقياس إنترنت الأشياء عن بعد. تتميز بيانات السلاسل الزمنية بخصائص فريدة تجعل قواعد البيانات التقليدية دون المستوى الأمثل:

• الكتابة بكثافة — الملايين إلى المليارات من نقاط البيانات يوميًا.
• إلحاق فقط — نادرًا ما يتم تحديث البيانات، ويتم إلحاقها دائمًا تقريبًا.
• مرتبة بالوقت — تتضمن الاستعلامات دائمًا نطاقًا زمنيًا.
• المعتمد على الاحتفاظ — يتم في النهاية تلخيص البيانات القديمة أو حذفها.
• مُختزلة — يتم تخزين البيانات الأقدم بدقة أقل.

---

خصائص بيانات السلاسل الزمنية

نموذج البيانات

تحتوي كل نقطة بيانات للسلسلة الزمنية على:

مكون	مثال	الوصف
** الطابع الزمني **	2026-05-24T14:30:00Z	عندما تم أخذ القياس
القيمة	42.5	القيمة المقاسة
** متري **	cpu_usage	ما يتم قياسه
** العلامات / التسميات **	المضيف = web01، المنطقة = شرق الولايات المتحدة	البيانات الوصفية للتصفية

Metric: cpu_usage{host="web01", region="us-east"}
┌─────────────────────┬───────┐
│ Timestamp           │ Value │
├─────────────────────┼───────┤
│ 2026-05-24T14:30:00 │ 42.5  │
│ 2026-05-24T14:30:01 │ 43.2  │
│ 2026-05-24T14:30:02 │ 41.8  │
│ ...                 │ ...   │
└─────────────────────┴───────┘

---

السلاسل الزمنية مقابل قواعد البيانات التقليدية

العملية	PostgreSQL	TimescaleDB (PostgreSQL + TS)	إنفلوكس دي بي (TSDB)
** كتابة الإنتاجية **	10 ألف صف/ثانية	100K-1M صفوف/ثانية	1M+ صفوف/ثانية
الاستعلام: متوسط ساعة واحدة × 5 دقائق	دقائق (مسح كامل)	الثواني (التجميع المستمر)	ثواني
التخزين	موجه نحو الصف	صف/عمود مختلط	موجه نحو العمود
ضغط	لا شيء افتراضيا	90%+ (الضغط الأصلي)	90%+
سياسات الاحتفاظ	إدارة الأقسام يدوياً	تلقائي	تلقائي
** تقليص البيانات **	الاستعلامات اليدوية	المجاميع المستمرة	استعلامات الاختزال
** دعم SQL **	كامل	كامل (SQL)	محدود (تدفق/SQL)

---

مقارنة قاعدة بيانات السلاسل الزمنية

ميزة	TimescaleDB	InfluxDB	بروميثيوس	فيكتورياميتريكس	QuestDB
المحرك	ملحق PostgreSQL	محرك TS مخصص	مخصص على أساس السحب	محرك TS مخصص	عمودي
لغة الاستعلام	SQL	مزود/تدفق	PromQL	متوافق مع PromQL	SQL + التدفق
معدل الإقبال	1 م +/ثانية	1 م +/ثانية	500 كيلو/ثانية	1 م +/ثانية	2 م+/ثانية
ضغط	90-97%	90+%	لا شيء	90+%	90+%
** التجميع **	عقدة متعددة (مقياس زمني)	المؤسسة	التقسيم الأصلي	أصلي	لا شيء
الاحتفاظ	تلقائي مع السياسات	تلقائي	شكلي	شكلي	دليل
** المجاميع المستمرة **	نعم (مواطن)	لا (مهمة منفصلة)	قواعد التسجيل	قواعد التسجيل	لا
الأفضل ل	مستخدمي SQL، البيانات التشغيلية	إنترنت الأشياء، DevOps	Kubernetes، السحابة الأصلية	مقاييس عالية المستوى	المالية، وعالية السرعة

---

InfluxDB: TSDB المخصص

نموذج البيانات

# InfluxDB v3 — data model
from influxdb_client import InfluxDBClient, Point
from influxdb_client.client.write_api import SYNCHRONOUS

client = InfluxDBClient(url="http://localhost:8086", token="my-token")
write_api = client.write_api(write_options=SYNCHRONOUS)

# A point = measurement + tags + fields + timestamp
point = (
    Point("temperature")
    .tag("sensor", "sensor-001")
    .tag("location", "warehouse-a")
    .field("value", 23.5)
    .field("humidity", 65.2)
    .time(datetime.utcnow())
)

write_api.write(bucket="sensors", record=point)

الاستعلام

-- InfluxDB SQL (v3)
SELECT time, value
FROM temperature
WHERE sensor = 'sensor-001'
  AND time >= NOW() - INTERVAL '1 hour'
ORDER BY time DESC;

-- Aggregation with downsampling
SELECT time_bucket(INTERVAL '5 minutes', time) as bucket,
       AVG(value) as avg_temp,
       MAX(value) as max_temp,
       MIN(value) as min_temp
FROM temperature
WHERE location = 'warehouse-a'
  AND time >= NOW() - INTERVAL '24 hours'
GROUP BY bucket
ORDER BY bucket;

سياسات الاحتفاظ

-- InfluxDB: automatic data lifecycle
CREATE RETENTION POLICY "one_hour"
ON "sensors"
DURATION 1h
REPLICATION 1
DEFAULT;

CREATE RETENTION POLICY "one_week"
ON "sensors"
DURATION 168h
REPLICATION 1;

-- Create downsample task
CREATE TASK "downsample_1h" ON "sensors"
  EVERY 1 HOUR
  BEGIN
    -- Aggregate 1-minute data to 1-hour averages
    SELECT time_bucket(INTERVAL '1 hour', time) as time,
           AVG(value) as value
    INTO "one_week"."temperature_hourly"
    FROM "one_hour"."temperature"
    WHERE time >= NOW() - INTERVAL '2 hours'
    GROUP BY 1, sensor, location;
  END;

---

بروميثيوس: المراقبة السحابية الأصلية

الهندسة المعمارية (نموذج السحب)

┌─────────────────────────────────────────────────┐
│              Prometheus Server                   │
│  ┌──────────┐  ┌──────────┐  ┌───────────────┐  │
│  │ Retrieval│  │ TSDB     │  │ Alertmanager  │  │
│  │ (pull)   │──│ (storage)│──│ (alerts)      │  │
│  └─────┬────┘  └──────────┘  └───────────────┘  │
│        │                                          │
└────────┼──────────────────────────────────────────┘
         │
    ┌────┼────────────┬──────────────┐
    ▼    ▼            ▼              ▼
  App  App   Node Exporter   Custom Exporter

PromQL (لغة استعلام بروميثيوس)

# Basic queries
cpu_usage{host="web01"}
http_requests_total[5m]

# Rate (per-second average)
rate(http_requests_total[5m])

# Aggregation
avg by (host) (cpu_usage)

# Histogram quantile
histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))

# Predict linear regression
predict_linear(node_disk_free_bytes[1h], 3600) < 0

# Recording rule (pre-computed)
- record: job:http_requests:rate5m
  expr: rate(http_requests_total[5m])

اكتشاف الخدمة والأهداف

# prometheus.yml
scrape_configs:
  - job_name: 'kubernetes-nodes'
    kubernetes_sd_configs:
      - role: node
    relabel_configs:
      - source_labels: [__meta_kubernetes_node_label_kubernetes_io_role]
        regex: control-plane
        action: drop

  - job_name: 'custom-app'
    static_configs:
      - targets: ['app01:8080', 'app02:8080', 'app03:8080']

---

TimescaleDB: PostgreSQL للسلاسل الزمنية

يعد TimescaleDB امتدادًا لـ PostgreSQL الذي يضيف إمكانات السلاسل الزمنية مع الحفاظ على التوافق الكامل مع SQL.

جداول مفرطة

-- Create a hypertable (automatically partitions by time)
CREATE TABLE temperature (
    time TIMESTAMPTZ NOT NULL,
    sensor_id INTEGER,
    location TEXT,
    value DOUBLE PRECISION,
    humidity DOUBLE PRECISION
);

-- Convert to hypertable (partitions by 1 day chunks)
SELECT create_hypertable('temperature', 'time',
    chunk_time_interval => INTERVAL '1 day');

-- Add partitioning by location (optional, for multi-node)
SELECT add_dimension('temperature', 'location', number_partitions => 4);

ضغط

-- Enable compression on hypertable
ALTER TABLE temperature SET (
    timescaledb.compress,
    timescaledb.compress_segmentby = 'sensor_id',
    timescaledb.compress_orderby = 'time DESC'
);

-- Compression policy: compress data older than 7 days
SELECT add_compression_policy('temperature', INTERVAL '7 days');

-- Compression ratio: 90-97%
-- 100GB of raw data → 3-10GB compressed

المجاميع المستمرة (المشاهدات المادية)

-- Create 5-minute aggregates (refreshed every minute)
CREATE MATERIALIZED VIEW temperature_hourly
WITH (timescaledb.continuous) AS
SELECT time_bucket('5 minutes', time) as bucket,
       sensor_id,
       AVG(value) as avg_temp,
       MAX(value) as max_temp,
       MIN(value) as min_temp,
       stddev(value) as temp_stddev
FROM temperature
GROUP BY bucket, sensor_id;

-- Refresh policy
SELECT add_continuous_aggregate_policy('temperature_hourly',
    start_offset => INTERVAL '3 days',
    end_offset => INTERVAL '1 hour',
    schedule_interval => INTERVAL '1 minute');

الاحتفاظ بالبيانات

-- Automatic data removal
SELECT add_retention_policy('temperature_raw', INTERVAL '30 days');
SELECT add_retention_policy('temperature_hourly', INTERVAL '1 year');
SELECT add_retention_policy('temperature_daily', INTERVAL '5 years');

---

أنماط الاستعلام

الاختزال

-- Raw data: 1m intervals, kept 30 days
-- 5m average: kept 1 year
-- 1h average: kept 5 years

SELECT time_bucket('1 hour', time) as hour,
       AVG(value) as avg_temperature,
       PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY value) as p95
FROM temperature
WHERE time >= NOW() - INTERVAL '7 days'
GROUP BY hour
ORDER BY hour;

الاستيفاء (سد الثغرات)

-- Fill missing data with linear interpolation
SELECT time_bucket('5 minutes', time) as bucket,
       INTERPOLATE(AVG(value)) as temperature
FROM temperature
WHERE sensor_id = 1
  AND time >= NOW() - INTERVAL '1 hour'
GROUP BY bucket
ORDER BY bucket;

-- Or use LAST observation carried forward (LOCF)
SELECT time_bucket('5 minutes', time) as bucket,
       LOCF(AVG(value)) as temperature
FROM temperature
GROUP BY bucket
ORDER BY bucket;

كشف الشذوذ

-- Detect values outside 3 standard deviations
WITH stats AS (
    SELECT AVG(value) as mean,
           stddev(value) as sigma
    FROM temperature
    WHERE time >= NOW() - INTERVAL '24 hours'
)
SELECT time, value,
       (value - mean) / sigma as z_score
FROM temperature, stats
WHERE time >= NOW() - INTERVAL '1 hour'
  AND ABS((value - mean) / sigma) > 3
ORDER BY time;

---

التخزين والضغط

كيف تحقق TSDBs ضغطًا عاليًا

Raw data layout (row-oriented):
time, sensor_id, location, value
14:30:00, 1, "room_a", 23.5
14:30:01, 1, "room_a", 23.6
14:30:02, 1, "room_a", 23.4
14:30:03, 1, "room_a", 23.7

Column-oriented + Delta encoding:
time:    14:30:00, +1s, +1s, +1s  → 1 value + 3 deltas
sensor_id: 1, 1, 1, 1 → run-length encoding: "1 × 4"
location: "room_a" × 4 → run-length encoding: "room_a × 4"
value: 23.5, +0.1, -0.2, +0.3 → delta encoding

Result: ~95% compression vs. raw text

نسب الضغط

قاعدة البيانات	الخام	مضغوط	نسبة
TimescaleDB	100 جيجابايت	3-10 جيجابايت	90-97%
InfluxDB	100 جيجابايت	5-15 جيجابايت	85-95%
بروميثيوس	100 جيجابايت	20-25 جيجابايت	75-80%
فيكتورياميتريكس	100 جيجابايت	3-8 جيجابايت	92-97%

---

حالات الاستخدام

1. مراقبة البنية التحتية

# Node exporter metrics collected every 15 seconds
metrics:
  - cpu_usage{host="web01", cpu="0"}
  - memory_used{host="web01", type="RAM"}
  - disk_io{host="web01", device="sda", type="read_bytes"}
  - network_bytes{host="web01", interface="eth0", direction="in"}
  - load_average{host="web01", duration="1m"}

storage:
  raw: 15s intervals, 7 days
  aggregated: 5m intervals, 30 days
  daily: 1h intervals, 1 year

2. بيانات مستشعر إنترنت الأشياء

# Millions of devices sending data every minute
from timescaledb import hypertable

sensors = hypertable('sensor_data', 'time',
    chunk_time='1 day',
    compression='7 days',
    retention='90 days'
)

# Query: average temperature per device per hour
query = """
    SELECT time_bucket('1 hour', time) as hour,
           device_id,
           AVG(temperature) as avg_temp,
           COUNT(*) as samples
    FROM sensor_data
    WHERE time >= NOW() - INTERVAL '24 hours'
    GROUP BY hour, device_id
"""

3. بيانات التجزئة المالية

-- Stock price ticks: 10M+ per day per instrument
CREATE TABLE ticks (
    time TIMESTAMPTZ NOT NULL,
    symbol TEXT NOT NULL,
    price DOUBLE PRECISION,
    volume BIGINT,
    bid DOUBLE PRECISION,
    ask DOUBLE PRECISION
);

SELECT create_hypertable('ticks', 'time',
    chunk_time_interval => INTERVAL '1 hour');

-- OHLC (Open-High-Low-Close) candlestick query
SELECT time_bucket('5 minutes', time) as bucket,
       symbol,
       FIRST(price, time) as open,
       MAX(price) as high,
       MIN(price) as low,
       LAST(price, time) as close,
       SUM(volume) as volume
FROM ticks
WHERE symbol = 'AAPL'
  AND time >= NOW() - INTERVAL '1 day'
GROUP BY bucket, symbol;

---

أفضل الممارسات

تصميم المخطط

-- Good schema: separate metrics by table
CREATE TABLE cpu_usage (time TIMESTAMPTZ, host TEXT, value DOUBLE PRECISION);
CREATE TABLE memory_usage (time TIMESTAMPTZ, host TEXT, value DOUBLE PRECISION);

-- Avoid: single wide table with all metrics as columns
-- (leads to sparse data, poor compression)

ضبط حجم القطعة

-- Too small: too many partitions, slow queries
-- Too large: poor memory management, slow ingestion
-- Rule of thumb: each chunk should be 1-10GB compressed

-- For 1000 writes/sec, 1KB each = 86GB/day
-- 1 day chunks = 86GB (too large)
-- 6 hour chunks = 21GB (good)
SELECT set_chunk_time_interval('temperature', INTERVAL '6 hours');

---

الاستنتاج

تم تصميم قواعد بيانات السلاسل الزمنية خصيصًا للبيانات التي تنتجها الأنظمة الحديثة بمعظمها: القياسات ذات الطابع الزمني من التطبيقات والبنية التحتية وأجهزة إنترنت الأشياء والأسواق المالية.

حالة الاستخدام	قاعدة البيانات الموصى بها
مراقبة البنية التحتية (Kubernetes)	بروميثيوس + فيكتورياميتريكس
بيانات مستشعر إنترنت الأشياء مع استعلامات SQL	TimescaleDB
التحليلات في الوقت الحقيقي، DevOps	InfluxDB
البيانات المالية عالية التردد	QuestDB
المقاييس السحابية الأصلية والمعتمدة على السحب	بروميثيوس

الوجبات الرئيسية:

1. تم تحسين وحدات TSDB للكتابة — تتعامل مع أكثر من مليون نقطة بيانات في الثانية على عقدة واحدة.
2. ضغط عالي (90%+) — تخزين المزيد من البيانات بتكلفة أقل.
3. دورة حياة البيانات التلقائية — تعمل سياسات الاحتفاظ + الاختزال على تقليل تكاليف التخزين.
4. دعم SQL حيثما أمكن — يوفر TimescaleDB توافقًا كاملاً مع SQL.
5. أدوات مختلفة لتلبية الاحتياجات المختلفة — Prometheus للسحابة الأصلية، وInfluxDB لـ DevOps، وTimescaleDB لمستخدمي SQL المتميزين.

تستوعب بنية السلاسل الزمنية الصحيحة البيانات بكفاءة، وتؤخرها بسلاسة، وتقوم بالاستعلام عنها على الفور - وتحول الأرقام ذات الطوابع الزمنية الأولية إلى رؤى قابلة للتنفيذ.