什么是时间序列数据基数？

Question

我见过很少有地方给出类似于以下内容的时间序列基数的定义：

假设您在 20 个位置有 1000 个 IoT 设备，它们运行 5 个固件版本之一，并报告每个设备 5 种类型传感器的输入。该集合的基数为 500,000 (1000 x 20 x 5 x 5)。在某些情况下，这很快就会变得难以管理，因为即使添加和跟踪设备的新固件版本也会将集合增加到 600,000 (1000 x 20 x 6 x 5)

https://questdb.io/blog/2021/06/16/high-cardinality-time-series-data-performance/#what-is-high-cardinality-data

或者

https://blog.timescale.com/blog/what-is-high-cardinality-how-do-time-series-databases-influxdb-timescaledb-compare/

我觉得这个定义非常夸张。例如，如果您有一组 10 行，每行对应不同的设备、不同的位置、不同的固件、不同的传感器，则基数将膨胀到 10x10x10x10 = 10,000。而且只有10行！

时间序列数据集基数是否可以超过数据集的总行数？

Answer 1

在时间序列中，通常将时间序列的基数估计为唯一标签/标签值和测量次数的所有可能组合。该估计有助于了解数据库在其生命周期内（即，而不仅仅是当前状态）可能会存储多少个不同的时间序列。请注意，估计假设标签之间的独立性，这通常是不成立的。InfluxDB 中系列基数的定义讨论了这个方面，除了问题中的链接之外，它也是一个有趣的阅读。

提前了解时间序列可能的基数是有好处的，因为某些时间序列数据库不能很好地处理高基数。例如，请参阅这篇文章来处理 InfluxDB 中的高基数问题。

其他时间序列数据库（例如 TimescaleDB）在处理高基数方面没有任何问题，因为没有对标签进行特殊处理。创建索引时了解基数可能很有用，因为较高的基数使索引更有用，但占用更多空间。