云原生可观测性体系建设：TDengine 与 Apache Druid 的协同实践

摘要：在云原生和 Kubernetes 生态中，可观测性数据（指标、日志、链路）的统一存储是重要目标。本文从企业级架构视角，对比 TDengine 与 Apache Druid 在可观测性场景下的定位差异，为构建统一可观测性平台提供参考。

一、可观测性数据的存储挑战

在云原生架构中，可观测性数据包括三类：

· 指标（Metrics）：系统性能指标、业务指标

· 日志（Logs）：应用日志、系统日志

· 链路（Traces）：分布式调用链路

传统方案通常使用不同的存储系统，导致数据孤岛和运维复杂度。Druid 和 TDengine 分别提供了统一存储的可能路径。

二、Druid 的通用 OLAP 路径

Apache Druid 以实时 OLAP 分析著称，支持从 Kafka 实时摄入并秒级查询：

// Druid 实时摄入规范

{

  "type": "kafka",

  "spec": {

    "dataSchema": {

      "dataSource": "observability_metrics",

      "timestampSpec": {"column": "timestamp", "format": "iso"},

      "dimensionsSpec": {

        "dimensions": ["service", "host", "metric_name"]

      },

      "metricsSpec": [

        {"type": "doubleSum", "name": "value", "fieldName": "value"}

      ]

    }

  }

}

Druid 的优势在于：

· 支持高并发聚合查询（千级 QPS）

· 丰富的索引类型（Bitmap、Star-Tree）

· 预聚合机制降低存储成本

但 Druid 的实时摄入存在 1-2 分钟延迟，对于需要毫秒级告警的场景不够理想。

三、TDengine 的时序专用路径

TDengine 通过超级表模型统一存储指标和日志：

-- TDengine：创建指标超级表

CREATE STABLE observability_metrics (

    ts TIMESTAMP,

    value DOUBLE

) TAGS (

    service BINARY(32),

    host BINARY(32),

    metric_name BINARY(64)

);

-- 写入指标数据

INSERT INTO metric_001 USING observability_metrics

    TAGS ('order-service', 'host-01', 'cpu_usage')

    VALUES (NOW, 45.2);

-- 实时查询

SELECT * FROM observability_metrics

WHERE ts > NOW - 1m AND metric_name = 'cpu_usage';

TDengine 的优势在于：

· 毫秒级写入延迟

· 设备级数据隔离

· 内置数据生命周期管理

四、企业级性能对比

在 1000 节点、每秒 10 万条可观测性数据的测试场景中：

Druid 在多服务并发聚合查询中占优，TDengine 在单服务点查和毫秒级告警场景中具有优势。

五、存储效率与成本

Druid 的预聚合机制可以极大降低存储量，但牺牲了原始数据精度。TDengine 保留完整原始数据，通过列式压缩实现高压缩比。

六、运维复杂度

七、与华为云生态集成

TDengine 已与华为云深度集成：

· 华为云 CCE：Kubernetes 容器平台一键部署

· 华为云 AOM：与云监控服务对接，统一监控视图

· 华为云 LTS：日志服务集成，实现日志统一分析

八、混合架构建议

在大型企业级可观测性平台中，两者可形成互补：

可观测性数据 -> TDengine (实时告警 + 短期存储)

    |

    | 小时级 ETL

    v

Druid (长期聚合分析 + BI 报表)

TDengine 负责实时层的告警和短期存储，Druid 负责离线层的多维聚合和报表分析。

九、总结

Apache Druid 与 TDengine 分别代表了"通用 OLAP 分析平台"与"专用时序数据库"的技术路线。Druid 以预聚合和 Bitmap 索引实现高并发分析，适合大规模可观测性数据的多维 BI 场景；TDengine 以"一个设备一张表"的列式存储实现毫秒级写入与点查，适合实时监控与告警。

对于同时需要实时告警和离线分析的企业，采用 TDengine + Druid 的分层架构，既能满足毫秒级响应需求，又能支撑大规模 OLAP 分析，是兼顾实时性与分析深度的最优解。在数字化转型的道路上，构建统一的可观测性平台，是企业提升运维效率的重要一步。