Um banco de dados métrico é um banco de dados especializado projetado para armazenar e recuperar com eficiência os dados da série temporal. Esse tipo de dados consiste em medições (métricas) realizadas em intervalos regulares ou irregulares, normalmente associados a um registro de data e hora. Pense em coisas como uso da CPU, latência de rede, tráfego de sites ou leituras de sensores. Esses bancos de dados são otimizados para lidar com volumes maciços desses dados e fornecer recursos de consulta rápida para análise e visualização.
Aqui está um detalhamento das características -chave:
*
Dados da série de tempo: Este é o elemento central. Os pontos de dados estão inerentemente vinculados a um ponto específico no tempo.
*
Ingestão de alto volume: Os bancos de dados métricos são criados para lidar com o influxo contínuo de dados de várias fontes.
*
Consulta de alta desempenho: Eles são otimizados para recuperar dados com base em intervalos de tempo, funções de agregação (como média, soma, min, max) e filtragem.
*
escalabilidade: Eles precisam escalar horizontalmente para lidar com quantidades crescentes de dados e usuários simultâneos.
*
Políticas de retenção de dados: Geralmente, oferece opções para configurar quanto tempo os dados são mantidos, equilibrando os custos e as necessidades de análise histórica.
*
Integração de visualização de dados: Muitos foram projetados para se integrar às ferramentas de monitoramento e visualização.
Diferenças -chave dos bancos de dados relacionais: Enquanto você * poderia * armazenar dados de séries temporais em um banco de dados relacional, eles são ineficientes. Os bancos de dados métricos são projetados especificamente para:
*
consulta mais rápida dos dados de séries temporais: Os bancos de dados relacionais não são otimizados para os tipos de consultas comuns na análise de séries temporais (por exemplo, obtendo o uso médio da CPU na última hora).
*
lidar com volumes de dados maciços: Os bancos de dados relacionais podem lutar com o grande volume de dados gerados pelos sistemas de monitoramento.
*
Estruturas de dados otimizadas: Os bancos de dados métricos usam estruturas de dados especializadas (como armazenamento colunar) para otimizar o desempenho da consulta para dados de séries temporais.
Exemplos de bancos de dados métricos populares: *
influxdb: Uma opção popular de código aberto.
*
Prometheus: Outra opção popular de código aberto, geralmente usado com Kubernetes.
*
timescaledb: Uma extensão do PostgreSQL que adiciona recursos de séries temporais.
*
Amazon timestream: Um serviço em nuvem totalmente gerenciado da AWS.
*
Monitoramento do Google Cloud: Um serviço gerenciado da plataforma do Google Cloud.
Em resumo, os bancos de dados métricos são críticos para aplicativos que requerem monitoramento, análise e visualização em tempo real dos dados de séries temporais. Eles são uma pedra angular dos sistemas modernos de monitoramento e observabilidade.
