TDengine 3.4 介绍与选型指南

目标：为评估时序数据库（IoT/工业互联网/监控场景）的团队提供 TDengine 3.4 线的认知基准与选型参考。全文基于官方公开资料溯源（TDengine 官网、官方文档、GitHub 官方仓库 taosdata/TDengine），未做本地安装与运行实测，所有版本与社区数据均标注来源，查询日期 2026-10-19。

一、信息基准

1.1 查询说明

• 查询日期：2026-10-19。
• 信息获取方式：纯官方资料溯源（tdengine.com 官网、docs.tdengine.com 官方文档、GitHub 官方仓库 taosdata/TDengine 的 README 与 Releases 页），本文不做本地安装与运行实测。
• 版本结论：本次介绍的版本为 TDengine 3.4 线，GitHub 最新稳定发布 3.4.1.6（2026-04-30）；3.4 线此前版本依次为 3.4.0.2、3.4.0.9、3.4.1.0（GitHub Releases 页实查）。
• 版本口径说明：开源版在官方语境中称 TDengine TSDB-OSS，商业产品线为 TDengine Enterprise（私有化）与 TDengine Cloud（全托管）；官网另有 TDengine IDMP（AI 原生工业数据管理平台）与 TSDB 组成双组件产品体系（tdengine.com 官网实查）。

1.2 版本依据

1.3 官方来源清单

二、软件概述

本文介绍的是 TDengine 3.4 线（开源版 TDengine TSDB-OSS，最新稳定发布 3.4.1.6，2026-04-30）。

TDengine 是涛思数据（TAOS Data）主导的开源高性能时序数据库（Time-Series Database），官方定位为面向物联网（IoT）、车联网与工业互联网的"云原生、AI 加持"时序数据平台，支持每日 TB 乃至 PB 级数据的高效写入、存储与分析（GitHub README 实查）。其核心差异化在于"一个数据采集点一张表"的数据模型与超级表（Super Table）聚合机制，并内建缓存、流处理、数据订阅等能力，以降低时序场景的系统复杂度。

当前官方产品口径为：TDengine TSDB（时序数据库内核，开源版即 TSDB-OSS）+ TDengine IDMP（AI 原生的工业数据管理平台，负责数据的上下文化、标准化与 AI 分析）双组件体系（tdengine.com 官网实查）。开源版 TSDB-OSS 是全部付费产品（TDengine Enterprise、TDengine Cloud）的代码基座，与商业版共享核心功能，且不同于常见的 open-core 模式——开源版是包含集群功能在内的全功能时序数据库（tdengine.com/open-source/ 实查）。开源许可为 AGPL-3.0，商业使用（尤其 SaaS 化再分发）需注意 AGPL 义务或购买商业授权。

三、核心架构

3.1 组件构成

3.2 数据模型

• 一个采集点一张表：每个设备/采集点建一张子表，结构稳定、写入追加为主，压缩与查询效率高。
• 超级表（STABLE）+ 标签（TAG）：同类型设备的子表挂接在超级表下，设备静态属性（位置、型号等）以标签存储，查询时按标签聚合，解决海量设备（高基数）管理问题。
• 原生分布式：官方称通过原生分布式设计、分片分区、存算分离与 RAFT 一致性实现云原生部署，支持 Kubernetes 与公有云/私有云/混合云（GitHub README 实查）。

3.3 内建能力

• SQL 优先：提供类 SQL 查询语言与标准连接器（C/Java/Python/Go/Rust 等，REST 与 WebSocket 双通道）。
• 流处理：内建 stream engine 持续计算（3.4.1.6 对流处理的内存与触发行为有多项修复，发行说明实查）。
• 数据订阅：类似消息队列的按表订阅能力。
• 边云同步：边缘到云端的数据同步方案（官网 edge-cloud-sync 页实查）。

四、功能特性

4.1 高性能与高压缩

官方以"10 倍性能、10% 成本"为宣传口径：专用存储引擎在写入、查询与压缩上优于通用数据库，配合自动分层存储与 S3 支持降低存储成本（tdengine.com 官网实查）。压缩、高基数支持均列为官网核心卖点。

4.2 3.4.1.6 版本要点（2026-04-30，发行说明实查）

• TO_ISO8601 支持时区扩展到 -14:00~+14:00（含分钟偏移）；TO_CHAR/TO_TIMESTAMP 增加 TZ 全时区占位。
• 虚拟表支持 DECIMAL 列；information_schema 新增 ins_disk_usage、ins_security_policies 系统表。
• taosExplorer 新增 XNode 管理页与配置导入导出；Rust 连接器支持批量标签变更订阅与 DECIMAL/BLOB 参数绑定。
• 安全硬化：新增 SECURITY_LEVEL、SECURITY_POLICIES 参数与安全策略体系，跨域处理收紧。
• 多项严重缺陷修复（WAL 回放流处理内存耗尽、GROUP_CONCAT 崩溃等），受影响版本范围 v3.3.7.0~v3.4.1.0 的用户建议升级。

4.3 AI 能力

• TDgpt：通过 SQL 调用时序基础模型/大模型/机器学习与传统算法，实现预测、异常检测、插补与分类（GitHub README 实查）。
• 官网将 TDengine 定位为"AI 原生工业数据基础"，由 IDMP 承担数据上下文与标准化（官网实查）。

4.4 版本节奏与许可口径

• 3.4 线自 3.4.0.2 起持续滚动，最新 3.4.1.6 为维护版，节奏约为数月一个 minor/maintenance 版本（GitHub Releases 实查）。
• 社区版/企业版口径：开源版（TSDB-OSS）全功能且含集群，AGPL-3.0；Enterprise 提供私有化企业支持与 taosX 等企业组件的商业交付，Cloud 为全托管服务（tdengine.com/open-source/ 与 taosdata.com 产品页实查）。选型时需按 AGPL 对网络服务分发的约束评估合规成本。

五、快速上手

以下路径转述自官方 README 与官方文档，本文不做本地实测。

5.1 官方推荐获取方式

官方文档《Get Started》提供四种路径：容器部署、安装包部署、Kubernetes 部署与全托管云服务试用（GitHub README 链接实查）：

• 容器：https://docs.tdengine.com/get-started/deploy-in-docker/
• 安装包：https://docs.tdengine.com/get-started/deploy-from-package/
• Kubernetes：https://docs.tdengine.com/operations-and-maintenance/deploy-your-cluster/
• 云服务：https://cloud.tdengine.com/

5.2 安装包路径的最小流程（转述官方文档）

Linux 服务器以官方软件源或 deb/rpm 包安装后，服务由 systemd 托管：

# 安装后启动核心服务（转述官方文档）
sudo systemctl start taosd        # 数据库核心
sudo systemctl start taosadapter  # REST/WebSocket 接入网关
taos                              # 进入命令行客户端

进入 taos 客户端后即可建库、建超级表并写入数据；REST 接入默认走 6041 端口。完整步骤见官方文档：https://docs.tdengine.com/get-started/deploy-from-package/ 。

5.3 源码构建（面向贡献者）

官方 README 给出的最小构建流程为克隆仓库后执行 cmake .. -DBUILD_CONTRIB=ON（首次构建必须带该参数以下载 xxhash、zstd、lz4 等第三方依赖）再 make -j$(nproc)（GitHub README 实查）。

六、适用场景与限制

6.1 适用场景

• 工业 IoT / 设备监控：海量采集点高频写入，"一设备一表 + 超级表标签"模型天然契合。
• 车联网/能源/制造历史数据（Historian）替代：官网直接对标传统 Data Historian。
• 需要写入、存储、流计算、订阅一体化内置、减少中间件数量的时序平台。
• 边缘-云协同：边缘侧轻量部署与云端集群同步。

6.2 限制与注意事项

• AGPL-3.0 传染性：以网络服务形态对外提供且修改/集成 TDengine 时，需评估 AGPL 开源义务，商业规避需联系厂商（许可口径见官网 open-source 页）。
• 生态以官方连接器与工具链为中心，第三方 BI/框架适配需逐个验证（如 BI 直连场景建议通过官方 REST/WebSocket 或 Grafana 插件路径）。
• Windows 在开源构建中支持有限，官方建议以 Linux 为主要构建/运行平台（GitHub README 系统要求实查）。
• 关键字与行为变更：3.4.1.6 起新增保留字（如 SECURITY_LEVEL）需反引号引用，升级前应阅读发行说明 Upgrade Notes。

七、同类选型对比

7.1 候选概览

（本站另有 《InfluxDB 3.12.1 介绍与选型指南》、《QuestDB 10.0 介绍与选型指南》 与 《ClickHouse 26.9 介绍与选型指南》 可作延伸阅读。）

7.2 量化对比（2026-10-19 实查）

（stars 与发版时间取自各项目 GitHub 仓库/Releases 页实查；TimescaleDB 2.30.2 日期取自其 Releases 页；许可见各仓库 LICENSE。）

7.3 选型建议

设备规模大、写入频率高、希望"数据库内建流处理/订阅/缓存"以裁剪中间件层的 IoT 与工业场景，TDengine 的数据模型与一体化能力最为对口，但需接受 AGPL-3.0 及官方生态中心的现实；已深度绑定 PostgreSQL、希望复用 PG 运维体系与 SQL 生态的团队优先 TimescaleDB（注意 TSL 社区许可与企业功能边界）；以 Java 技术栈、低延迟行情/交易写入为核心诉求选 QuestDB；通用 OLAP 与超大规模实时分析（时序只是其中一类负载）ClickHouse 的社区与生态最厚；InfluxDB 适合已投入 Telegraf/Influx 生态并接受其云服务主推方向的团队。若监控指标场景为主，也可参考本站 VictoriaMetrics/Prometheus 相关专栏横向对照。

八、参考链接

• 官方站点：https://tdengine.com/ （中国站 https://www.taosdata.com/ ）
• 官方文档：https://docs.tdengine.com/
• 源码仓库：https://github.com/taosdata/TDengine
• Releases 页：https://github.com/taosdata/TDengine/releases
• 开源口径说明：https://tdengine.com/open-source/
• 3.4.1.6 发行说明：https://github.com/taosdata/TDengine/releases
• 容器部署文档：https://docs.tdengine.com/get-started/deploy-in-docker/