Aquí hay un desglose de las características clave:
* Datos de series de tiempo: Este es el elemento central. Los puntos de datos están inherentemente vinculados a un punto específico en el tiempo.
* Ingestión de alto volumen: Las bases de datos métricas están construidas para manejar la afluencia continua de datos de muchas fuentes.
* Consulta de alto rendimiento: Están optimizados para recuperar datos en función de los rangos de tiempo, las funciones de agregación (como el promedio, la suma, el min, el máximo) y el filtrado.
* escalabilidad: Deben escalar horizontalmente para manejar cantidades crecientes de datos y usuarios concurrentes.
* Políticas de retención de datos: A menudo, ofrece opciones para configurar cuánto tiempo se conservan los datos, equilibrando los costos y las necesidades de análisis histórico.
* Integración de visualización de datos: Muchos están diseñados para integrarse con las herramientas de monitoreo y visualización.
Diferencias clave de las bases de datos relacionales:
Si bien * podría * almacenar datos de series de tiempo en una base de datos relacional, es ineficiente. Las bases de datos métricas están diseñadas específicamente para:
* Consulta más rápida de los datos de la serie de tiempo: Las bases de datos relacionales no están optimizadas para los tipos de consultas comunes en el análisis de la serie temporal (por ejemplo, obtener el uso promedio de la CPU durante la última hora).
* Manejo de volúmenes de datos masivos: Las bases de datos relacionales pueden luchar con el gran volumen de datos generados por los sistemas de monitoreo.
* Estructuras de datos optimizadas: Las bases de datos métricas utilizan estructuras de datos especializadas (como el almacenamiento columnar) para optimizar el rendimiento de la consulta para los datos de la serie de tiempo.
Ejemplos de bases de datos métricas populares:
* InfluxDB: Una opción popular de código abierto.
* Prometheus: Otra opción popular de código abierto, que a menudo se usa con Kubernetes.
* TimescaledB: Una extensión de PostgreSQL que agrega capacidades de series de tiempo.
* Amazon Timream: Un servicio en la nube totalmente administrado de AWS.
* Monitoreo en la nube de Google: Un servicio administrado de Google Cloud Platform.
En resumen, las bases de datos métricas son críticas para las aplicaciones que requieren monitoreo, análisis y visualización en tiempo real de datos de series de tiempo. Son una piedra angular de los sistemas modernos de monitoreo y observabilidad.