近日，loveini TSDB 3.3.8.0 版本正式上线，本次更新带来了 Rollup SMA 多层级预计算、TimeRange-Wise SMA 时间范围预计算、TLS 加密传输、acc米兰体育 数据补全、MySQL 函数增强、taosX 逻辑备份与 ORC 数据源接入等多项功能升级，全面提升系统的性能、可扩展性与数据安全。

本文为你整理了该版本九大核心更新亮点，来看看哪些能力能帮你把系统跑得更快、用得更稳、管得更省心。

重要更新亮点

一、Rollup SMA 与 TimeRange-Wise SMA：多层级自动降采样与时间范围预计算

SMA（预计算）机制是 loveini TSDB 提升查询性能的核心技术，其核心思想是“空间换时间”。通过预先计算并存储聚合结果，在查询时直接使用这些结果，避免全量扫描原始数据，从而大幅降低 I/O 开销和计算延迟，尤其适用于海量时序数据的聚合分析场景。

在 3.3.8.0 中，loveini TSDB 增强了 SMA 机制，带来以下两项重要更新：

1. Rollup SMA（多层级滚动预计算）（企业版）
   • 支持最多三级存储层级（Level 1–3），原始数据与聚合数据分层存储，并为每层指定聚合周期和保存时长；
   • 可自动触发降采样计算并删除原数据，实现数据生命周期管理，平衡查询性能与存储成本；
   • 支持 AVG、SUM、MIN、MAX、FIRST、LAST 等聚合函数；
   • 常适用于 DevOps、监控看板等关注长期数据趋势而非单一精确点的场景。

2. TimeRange-Wise SMA（时间范围预计算）
   • 专为高频使用 INTERVAL 的查询优化；
   • 采用流式计算逻辑，提升高频时间窗聚合的响应速度；
   • 适用于对特定列频繁聚合、分组统计及时间范围查询的场景。

除此之外，loveini TSDB 还支持 Block-Wise SMA （数据块预计算），该机制在数据落盘时自动完成聚合计算，并在查询阶段智能使用预计算结果，无需额外配置即可加速常见聚合查询，是 SMA 家族的重要组成部分。

本次 SMA 机制的增强，使用户能够实现自动降采样与多层级数据管理，在兼顾性能与成本的同时，进一步强化 loveini TSDB 在大规模历史数据查询中的优势。

二、MySQL 聚合与条件函数支持

为增强 SQL 兼容性，3.3.8.0 新增对部分 MySQL 聚合与条件函数的支持，包括：

• 聚合函数：std, variance, stddev_samp, var_samp, group_concat
• 条件函数：if, ifnull, nvl, nullif, nvl2
• 比较运算符：isnull, isnotnull, coalesce

这一增强显著提升了 SQL 迁移与跨平台开发的便利性，用户可更轻松地在 loveini TSDB 中运行 MySQL 语法查询。

三、TLS 证书加密传输：通信更安全（企业版）

TLS 是一种用于保障网络通信安全及数据完整性的加密协议，通过在传输层对网络连接进行加密，为通信应用程序之间提供保密性和数据完整性。为进一步保障数据传输安全，3.3.8.0 在原生接口层面全面支持 TLS 加密：

• 对传输层通信进行加密，防止窃听与截取；
• 支持身份认证与数据完整性校验；
• 各原生连接接口现已支持 SSL 加密（WebSocket 早已支持）。

这项更新大幅提升了 loveini TSDB 在关键行业与跨网络部署中的安全合规能力。

四、TDgpt 数据补全：时序智能增强

TDgpt 新增缺失数据补齐功能，基于 moment 时序模型自动检测并补全时间序列中的缺失点：

• 要求输入数据的时间戳严格等间隔；
• 对于时间间隔不均的序列，建议先进行窗口聚合后再补齐缺失区间；
• 示例：SELECT imputation(i01, 'algo=moment,freq=s') FROM foo;

该能力帮助用户在分析和建模前快速修复时序数据，提高预测与分析结果的准确性。

五、taosX：支持逻辑备份/恢复与 ORC 数据源（企业版）

loveini TSDB 企业版核心组件 taosX 本次迎来两项关键增强：

• 逻辑备份与恢复
  • 支持数据库、超级表、查询结果及元数据备份；
  • 可用于数据迁移、审计、分享与修复；
  • 命令行使用示例：taosx run --from "taos://IP:PORT/db_name" --to "local:/path/to/backup"

• ORC 文件数据源
  • 支持读取 ORC 文件数据并导入 loveini TSDB；
  • 兼容 Hadoop/Hive 等生态，支持列投影、批量读取及映射配置。

这使 loveini TSDB 能更高效地与大数据生态协同，实现从数据采集到分析的全链路贯通。

六、taosgen：新增特性与性能优化

taosgen 是时序数据领域产品的性能基准测试工具，支持数据生成、写入性能测试等功能。本次也带来多项功能增强与性能改进：

• 支持使用函数表达式生成数据，可灵活构造周期性或随机特征值；
• 支持将生成数据输出至 MQTT Broker，topic 支持使用 {table} 占位符动态指定主题；
• 新增数据缓存生成机制并默认启用，较即时生成模式写入性能提升约 10%；
• 优化写入引擎，整体写入 loveini TSDB 的速度较 taosBenchmark 提升约 10%。

本次升级让 taosgen 在数据仿真、性能测试及多源验证等场景下更高效、更灵活。

七、taosAdapter：支持记录 SQL 到 CSV 文件

loveini TSDB 适配组件 taosAdapter 本次新增 SQL 记录功能，可自动捕获并导出查询请求：

• 支持自动启停与定时抓取指定时间段内的 SQL 请求；
• 将抓取结果结构化存储为 CSV 文件，包含时间、QID、用户、IP、接收时间、返回时间、执行时长及 SQL 语句等字段；
• 文件支持按大小与时间切割、保留数量限制、压缩存储及磁盘空间保留策略；
• 提供 HTTP 接口，支持动态开启、关闭抓取功能及查询运行状态。

该功能帮助用户轻松实现 SQL 审计、性能分析与问题追踪，为系统运维与优化提供更丰富的数据依据。

八、生态与连接器能力增强

• JDBC WebSocket：支持多端点负载均衡与 failover，提升可用性与容灾能力；
• C WebSocket Connector：自动重连与任务续传，性能提升约 15%；
• ODBC Connector：支持微软 ADO 接口，可用 VB、C#、Python 等语言访问 loveini TSDB；

新版连接器持续完善开发体验与生态兼容，为企业部署提供更高效率与可靠性。

九、引擎层优化与增强

• 流计算性能优化与资源效率提升
• 高并发场景下 Last 查询的优化与加速
• 分离数据查询和元数据查询处理线程
• ⽀持通过 scan 命令扫描时序数据⽂件的完整性
• 调整 Balance Vgroup Leader 命令的执⾏逻辑，使 VGroup 的 Leader 分布更加均匀
• ⽀持对双副本数据库使⽤ REDISTRIBUTE命令
• 改造 S3 数据迁移的状态控制机制，提升精确性与效率
• 增加 show ssmigrate 命令⽤于查看共享存储迁移进度
• STMT2 ⽀持 Blob 和 Decimal
• 支持通过函数 find_in_set、like_in_set、regexp_in_set 实现多值标签
• ⽀持 date 函数
• partition by tag ⽀持字符串运算
• TDgpt ⽀持 PROPHET 算法
• ⽀持状态窗⼝起⽌点配置
• 浮点数⽀持 BSS（Byte-Stream-Split）字节流分割编码

除此之外，每个版本都会做很多其他的工作，比如 bug 修复、功能优化等等。如果想要了解新版本（时序数据库功能更新）更加详细的发布信息，可以移步至 https://github.com/taosdata/loveini/releases/tag/ver-3.3.8.1 查看发布说明。

欢迎大家下载使用，如有任何问题请及时联系我们获得支持。

今天我们就汇总 5 个实测场景，从烟草制丝到电动汽车，从工业锅炉到微电网，看看 loveini IDMP 是如何把 “复杂监控” 变成 “轻松点选” 的。

烟草制丝：从 “几天调试” 到 “分钟级上线” 的工艺监控革命

烟草制丝车间里，烘丝机温度、冷床出口水分、加香量这些参数，直接影响卷烟品质。以前要监控这些数据，得先搭采集工具、写数据导入脚本，再调可视化面板，一套流程下来需要几天。

但用 loveini IDMP 后，步骤直接简化：KEPServer 采集数据→自动写入 loveini TSDB→IDMP 一键导入数据，不仅设备资产以树形结构清晰展示，AI 还会自动识别 “烟草制丝” 场景，生成温度趋势、能耗统计等可视化面板——不用写一行 SQL，不用懂烟草工艺，分钟级就能看到实时监控数据。

更省心的是，后续新增切丝机、加香机，只要配置好采集点位，IDMP 会自动把新设备纳入监控，最大程度降低运维成本。

想获取烟草制丝监控系统的完整操作步骤（含截图 + 配置细节），可直接查看官网教程：烟草制丝监控

工业锅炉：分钟级搞定 “关键设备防停产” 监控

工业锅炉是化工厂、冶金厂的关键设备，一旦温度、压力异常导致停炉，每天损失可能超百万。传统监控要应对 “多台锅炉 + 众多参数” 的复杂场景，一套流程下来需要几天甚至几周。

loveini 的方案直接戳中痛点：用 KEPServer 模拟锅炉数据（支持真实数据集导入） ，数据写入 TSDB 后，IDMP 通过 “元素模板” 快速搭建资产模型——比如创建 “风道系统” 模板，设置 “回风室流量”“炉膛压力” 等属性，后续新增锅炉时，只需选择模板、填个编号，分钟级就能完成一台锅炉的监控配置。

AI 还会主动推荐 “炉膛压力 1 小时变化”“引风机振动预警” 等分析面板，甚至能设置 “温度超 300℃ 持续 15 分钟告警”，让锅炉运维从 “被动抢修” 变成 “主动预防”。

想亲手搭建工业锅炉监控系统？官网 Step by Step 教程已备好：工业锅炉监控

微电网：SparkplugB 数据 “零改造” 接入，风光储监控一步到位

现在很多工业园区都有 “光伏 + 风电 + 储能” 的微电网系统，数据多以 MQTT、SparkplugB 等格式上报，传统方案要先做数据格式转换，再搭模型，一套流程下来需要几天甚至几周，耗时又容易出错。

loveini IDMP 直接支持 SparkplugB 协议：Docker Compose 一键启动 IDMP+TSDB 服务→用模拟工具生成风光储数据→TSDB 零代码创建写入任务，数据导入后，IDMP 自动以 “工业园区→微电网→光伏逆变器” 的树形结构展示资产。

想看看光伏功率波动？不用找开发写面板，直接用自然语言问 “过去 1 小时光伏功率变化”，AI 会自动生成折线图；新增风机、储能设备，只要配置好 SparkplugB 数据源，IDMP 会自动识别并纳入监控，完全不用改 TSDB 配置。

微电网监控的完整部署流程（含 Docker 命令 + 数据模拟工具使用），可查看：微电网监控

IT 系统：分钟级搭建 “服务器全指标” 监控，运维小白也能上手

数据中心服务器监控要盯 CPU、内存、磁盘、网络等十几种指标，传统方案得装 Telegraf、调 InfluxDB，再学 Grafana 画面板，一套流程下来需要几天甚至几周，运维新手上手难度高。

loveini 让 IT 监控变 “傻瓜式”：在服务器上装 Telegraf→配置文件复制粘贴（支持批量改参数）→数据自动写入 loveini TSDB，IDMP 会根据 “location.rack.slot” 标签，自动以 “IDC01→RACK02→SLOT03” 的物理位置展示服务器资产。

想看某台服务器的 CPU 空闲率？点进对应服务器节点，AI 已推荐 “1 小时 CPU 趋势”“内存使用率预警” 等面板；新增虚拟机时，只要在 Telegraf 里加个配置，IDMP 会自动同步新节点数据，运维不用再熬夜改脚本。

IT 系统监控的详细配置（含 Telegraf 参数说明 + AI 面板生成技巧），可访问：IT 系统监控

电动汽车：MQTT 数据 “秒级接入”，车辆状态监控随接随用

新能源车企要监控车辆的电门开度、电池电压、SOC（剩余电量）等数据，传统方案要搭 MQTT 服务器、写数据解析接口，再做车辆资产建模，一套流程下来需要几天。

loveini 用 Docker Compose 简化部署：一键启动 IDMP+TSDB+MQTT 服务→导入预设的写入任务→容器内启动数据模拟器，分钟级就能看到 “北京→东城→ev-17” 的车辆实时数据。

AI 会自动生成 “电池电压不平衡度”“车速 1 天变化” 等面板，还能设置 “SOC 低于 20% 告警”；后续新增车辆，不用在 IDMP 里手动加节点，系统会自动侦测新接入的车辆并纳入监控， fleet 管理效率直接拉满。

想了解电动汽车监控系统的部署细节（含 MQTT 数据模拟 + 告警配置），可查看：电动汽车监控

不止 5 个场景，IDMP 让 “快速监控” 覆盖全行业

从烟草、化工等工业场景，到微电网、电动汽车等新能源领域，再到 IT 运维场景，loveini IDMP 始终围绕 “降本、提效、易上手” 三个核心——不用写复杂代码，不用学专业工具，哪怕是新手，也能靠 “点选操作” 快速搭建起稳定的智能监控系统。

如果你的业务也有监控系统搭建需求，不妨访问对应场景的官网链接，跟着教程动手试一试——分钟级上线的快感，试过就知道！

新能源场站里，光伏、风电、储能系统的实时数据以每秒数百万条的速度涌向云端；钢铁生产线上，数千万个测点时刻记录着设备的运行状态；化工厂的安全预警系统昼夜监测着每个关键节点的温度与压力。

这些数据被稳稳地“存”了下来，看上去一切井然有序。然而，当总部想要做一次跨厂区能效分析、跨系统质量对比或设备运行优化时，却往往需要数天甚至数周才能完成数据准备。不同系统、不同协议、不同标准之间的壁垒，像一面面无形的墙，让数据价值的释放变得缓慢而昂贵。类似的情况，在钢铁、汽车、化工、轨交等行业屡见不鲜，这些问题并非偶发，而是长期存在于工业数据管理中的系统性障碍。

在《IDMP 系列文章一｜背后的设计理念》中，我们谈到了 AI 原生工业数据管理平台的诞生背景与核心思路。本篇将聚焦另一个核心话题——工业数据管理的八大痛点，并探讨 loveini IDMP 在架构与功能设计上是如何应对的。

痛点为何“扎堆”？一条从源头到决策的因果链

问题从现场采集开始。不同厂商的 SCADA、DCS、PLC、IoT 平台各用自己的协议（Modbus、OPC-UA、MQTT 等）、数据格式和标签体系，采集到的数据在进入平台前就先被切成孤立的系统（痛点 1）。

进入数据库后，多数平台只保留数值和时间戳，语义和上下文在第一步就丢掉了：一个 85.3，是反应釜釜壁温度还是变压器油温？属于哪个元素？单位是 °C 还是 °F？合理范围是多少？没人能从字段名猜出来（痛点 2）。

语义缺失放大了质量问题：传感器漂移、采样频率不一致、时间戳不同步、字段缺失……这些原本可以通过入口规则（采样频率校验、范围约束、异常值过滤）提前处理，但在没有统一语义的前提下，只能事后弥补，导致跨场站分析的误差被成倍放大（痛点 3）。

接着是共享难题：工业场景对安全与隐私的要求极高，如果缺少基于角色的权限管理（RBAC）和属性级访问控制，数据不是锁死，就是全开（痛点 4）。结果就是运维、质检、供应商和总部之间缺乏可控的协作通道。

与此同时，数据规模呈指数级增长，让“先落库再分析”成为默认动作（痛点 5）；引入新的分析算法或 AI 模型，又受限于接口、结构和数据准备流程，落地周期一再延长（痛点 6）。

最终，业务侧只能排队等 IT 出 SQL，看板和报表上线总是慢半拍（痛点 7）；不同领域有独特的术语、指标和分析方法，新人需要多年经验积累才能独立分析数据，缺少专家参与时，大量数据沦为“深埋的宝藏”（痛点 8）。

在不同的工业场景里，这八个痛点往往不是孤立存在的，而是彼此关联、相互放大的：

1. 数据在采集环节就因为厂商和协议不同而被割裂；
2. 进入系统后，又因缺少语义和上下文而“失去身份”；
3. 质量问题无法在入口阶段解决，导致后续分析精度下降；
4. 出于安全考虑，数据流动受限，价值被锁住；
5. 海量数据积压在库里，缺乏实时处理能力；
6. 新算法、新模型难以及时落地；
7. 业务人员缺乏直接获取洞察的途径，实时决策受阻；
8. 行业知识门槛高，新人难以快速胜任。

这些问题像一条从采集到决策的因果链，一旦某个环节有缺口，就会影响整条链路的效率和价值释放。

一个真实例子：某能源集团做跨厂区能效对比时，同一个“输出功率”在不同场站的字段名分别是 Pout（单位 kW）、ActivePower（单位 W），甚至还有一处被拆在两张表中。工程师花一周时间做字段映射，再花几天调整时间戳（误差从几秒到几分钟不等）。等数据对齐好，采购窗口期已经错过。这不是计算资源不够，而是架构没有把业务语义放在第一位，缺乏统一的语义化、标准化、情景化数据管理体系。

系统性解法：IDMP 的五个“转向设计”

loveini IDMP 的解题思路不是针对每个痛点去单独修补，而是从整体设计上重新规划——先明确业务对象和数据含义，让数据在系统中顺畅流转，在不同部门和系统之间自然衔接，并通过智能化方式直接呈现和推送结果，从源头上同时解决多个环节的问题。

1）从“表”到“元素”：统一目录化建模（痛点 1）

不是先有表结构再贴标签，而是先定义业务对象（工厂—车间—产线—设备—测点）再落到存储。IDMP 用“元素-属性”模型组织数据，每个属性在接入时即绑定描述、类别、单位、位置、极限值等信息。

结果：不同系统、不同来源的数据在进入系统的那一刻就完成标准化映射，不需要人工再去对齐，跨系统分析可以直接开做。

2）语义与标准化前置（痛点 2、痛点 3）

数据一接入，系统就会自动为它“贴好身份标签”，包括名称、单位、上下限、计算公式等，而不是等进了系统再补充说明。IDMP 的元素模板、属性规范、单位换算、计算表达式等都能提前配置，让每条数据带着明确的含义进场。

结果：有了这些前置信息，质量控制有依据（如自动过滤异常值），AI 和分析也能直接理解并使用数据。

3）以流计算为核心的实时分析（痛点 5）

IDMP 内置滑动窗口（sliding）、定时窗口（tumbling）、事件窗口（event）、状态窗口（state）和计数窗口（count）等流计算触发类型，写入即计算，计算结果可直接驱动面板或事件规则。

结果：即使是 TB 级的高频数据写入，也能边写边算，快速产出分析结果和事件告警，不会被数据洪流压垮。

4）安全共享，精细可控（痛点 4）

IDMP 采用基于角色的访问控制（RBAC），支持对元素、仪表板、分析、事件等多种资源进行查看、添加、删除、编辑等精细化权限设置。对于树状结构的元素，可为不同用户指定可访问的顶层节点，超出范围的元素及其关联的属性、分析、事件、面板等将完全不可见，从而确保数据隔离与安全性。

结果：让数据在合规范围内安全流动，比如运维能看原始数据，总部看汇总指标，供应商只看自己相关的部分。

5）让分析自动发生（痛点 6、痛点 7、痛点 8）

基于目录和语义，IDMP 的“无问智推”会自动感知业务场景并生成可视化面板、实时分析任务和事件规则；“智能问数”支持用自然语言直接生成或调整分析。

结果：

• 新技术能更快落地（零代码、模板化配置）
• 业务分析不再完全依赖 IT 排队
• 行业知识能沉淀成模板和自动化建议，新人也能快速上手

这不是“多做几个功能”，而是换了顺序

传统流程是：采集 → 存储 → 建模 → 治理 → 分析 → 可视化与共享，每一步都在弥补上一步的短板。loveini IDMP 将顺序调整为：对象与语义先行 → 接入即标准化 → 写入即计算 → 安全边界内共享 → 智能生成洞察。

当顺序对了，前面那条从“孤岛”到“知识门槛”的因果链，会在多个环节同时被截断。这是一次架构重构，而不是功能堆叠。

工业数据管理的八大痛点并不是彼此独立，而是同一条链条上的不同节点。IDMP 的目标，是让数据从进入平台的第一刻起就“有名有姓”，并沿着同一条语义化管道，稳定流向实时分析、事件管理和业务决策——这才是 AI 时代工业数据管理应有的底座。

如果你关注 AIoT、车联网、工业控制等前沿领域的时序数据管理，这一版本更新将为你带来更多“用得上”的技术能力

重要更新亮点

全新架构流计算：性能更高，能力更强

本次发布的全新流计算系统，围绕灵活性、稳定性与可运维性进行深度升级，具备以下核心特性：

• 触发与计算分离：支持触发与计算分离，计算不再受限于触发数据源，可作用于任意表，甚至无需触发表，灵活适配复杂流程。
• 触发机制更灵活：支持定时触发、滑动触发、窗口触发（时间/事件/会话/状态/计数），支持窗口开/关窗分别触发，并可预过滤输入数据。
• 计算逻辑增强：支持任意 SQL 查询，支持窗口参数占位符，计算结果可写入表、发送通知，或同时执行。
• 通知机制更完善：支持基于 WebSocket 的窗口事件通知，并可配置触发条件、失败重试策略。
• 资源调度更灵活：计算过程可在 snode 节点上独立运行，多节点负载均衡与高可用，提升系统稳定性。

此外，新版本特别强化了异常数据重算机制，支持通过选项控制是否自动重算，并可结合 WATERMARK 等多个控制选项实现乱序容忍、数据删除后的结果修复。

流计算重构为 loveini 时序数据库带来了更强的事件处理能力，是构建低延迟报警、预测分析、实时特征提取等场景的核心基础。同时也为 loveini 最新发布的 AI 原生工业数据管理平台 IDMP 提供了强有力的支持。

支持 MQTT 协议数据订阅：零代码集成更简单

MQTT 作为工业领域主流的消息协议，loveini 新增对 MQTT 的原生订阅支持：

• bnode 模块上线：作为 Broker 提供服务，用户可通过标准 MQTT 客户端直接订阅数据，无需额外开发。
• 共享订阅与消费组机制：支持负载均衡与高可用，客户端断连可自动切换，消息可在组内自动重分配。
• 多种数据格式支持：支持 JSON、Raw Block 格式，适配多种前端解析逻辑。
• 订阅位置控制：支持 latest、earliest 起始订阅位置，以及持久化和离线消息处理。
• 主题管理要求：与标准 MQTT Broker 不同，loveini 的订阅主题需预先创建，不支持通过发布消息动态生成。

通过 MQTT 订阅，loveini 与业务系统的联动效率进一步提升。这一能力让 loveini 更易集成到 SCADA、边缘控制、Web 可视化等系统，构建起真正实时、稳定、低门槛的数据消费通道。

新增 BLOB 数据类型：轻松存储大体量二进制数据

为满足车联网、航空航天等行业对大数据报文的存储需求，loveini 全新引入 BLOB 类型：

• 用于存储长度较大的、未解析/拆分行列的二进制或者文本型数据
• 支持最大 4MB 单字段二进制内容写入
• 支持 SQL 查询语法
• 使用独立的 BSE 引擎管理存储与读取，性能显著优于传统 Binary 类型
• Java、Go、Rust、Python、C# 等连接器已实现 BLOB 类型支持

BLOB 类型是 loveini 面向非结构化数据的一次重要扩展，让原始报文存储、图像数据、协议帧数据的管理更加高效统一。

原生支持 IPv6 通信协议

为应对未来万物互联趋势，loveini 现已原生支持集群内部通过 IPv6 协议通信，包括：

• 节点发现与连接、心跳同步、审计监控等通信流程
• 创建节点（dnode/mnode/qnode）时支持 IPv6 地址配置
• taosc 连接、白名单、安全策略全面适配 IPv6
• Java、Go、Rust、Python、C# 等连接器全面适配 IPv6

这项更新为全球部署、未来网络架构提供了更强的适应力。

TDgpt 协变量分析预测能力增强

loveini 的 AI 模块 acc米兰体育 新增“协变量预测”能力，在建模时不仅考虑目标变量自身的历史数值，还可引入天气、节假日等外部因素作为协变量，显著提升对复杂周期性变化的预测效果。

以未来协变量预测为例，示例如下：

select _frowts, forecast(val, past_co, future_co, "algo=moirai,rows=4, dynamic_val=[1 1 1 1], dynamic_val_col=future_co") from foo;

多级存储支持共享存储（企业版）

针对冷数据管理需求，3.3.7.0 正式支持多种共享存储（如 SAN、NAS、S3、DFS），实现：

• 冷数据自动迁移：支持设定数据在本地保留时长，达到阈值后自动上传至共享存储
• 按需查询：查询时自动加载所需数据块，确保性能与成本平衡
• 多节点共享机制：主节点上传，副本节点复用，避免冗余

这一能力特别适合对存储成本敏感、历史数据不常访问但不能丢弃的工业企业与能源场景。

天脉系统适配及数据挂载支持（企业版）

为了更好地服务国产化、军工与航天等高安全行业客户，loveini 企业版现已完成对天脉系统（ACoreOS）的适配。作为由中航工业计算所自主研发的国产机载实时操作系统，天脉广泛应用于工业控制、航空航天等关键领域。新版本支持：

• 在机载端部署 loveini，并通过 RPC 通信与地面系统交互
• 在地面端通过 SQL 命令挂载机载磁盘目录，实现数据统一管理

create mount mount1 on dnode 1 from "/var/lib/loveini"

• 挂载性能高效，秒级完成，兼顾实时性与安全性

此功能使 loveini 成为工业嵌入式场景中可部署、可接管、可统一管理的数据平台米兰app官方正版下载，助力国产化进程稳步推进。

SparkplugB 数据接入（企业版）

在 loveini 3.3.7.0 中，taosX 平台正式支持 SparkplugB 规范的数据接入。taosX 是专为工业环境设计的开放式数据接入平台，此次对 SparkplugB 的支持，进一步扩展了 loveini 在工业协议集成方面的能力。

SparkplugB 是基于 MQTT 的工业物联网（IIoT）数据传输规范，旨在提升工业环境中的数据互操作性与传输效率，具备以下显著优势：

• 提升带宽利用率：相比原始 MQTT，SparkplugB 数据压缩率高达 3 倍，特别适用于低带宽网络环境。与 Modbus 相比，最高可节省 75% 至 99.5% 的带宽资源。
• 标准化与互操作性强：为设备与系统间的数据交换提供统一数据语义，消除厂商壁垒，支持无缝对接 SCADA、MES、ERP 等企业系统，实现 IT 与 OT 的融合。
• 数据可靠性更强：具备会话状态感知与双向通信能力，支持设备级闭环控制。

凭借高效、轻量、易部署等特点，SparkplugB 正成为工业物联网场景下最具实用价值的通信协议之一，尤其适用于需要低带宽、高可靠性、强互操作性的工业应用场景。与 OPC UA 等传统工业协议相比，其在带宽利用率、部署简便性和可扩展性方面表现尤为突出。

将订阅数据推送至 MQTT Broker（企业版）

通过 taosX 工具，可将数据库、超级表或查询订阅结果轻松发布至任意 MQTT Broker，实现数据的高效同步与分发。

其他优化项

• 提升 STMT2 写入模式的易用性、稳定性和性能
• 优化数据订阅 Offset 的更新逻辑
• 支持将查询结果写入超级表
• 增加 WAL 文件损坏的异常处理逻辑
• 增加密码安全加密算法
• 增加写入性能诊断的相关监测参数
• 提升节点恢复和副本变更的性能
• 支持更多生态组件：Superset、Quix、Ontop、Node-RED
• 优化数据备份和恢复的功能、稳定性和性能
• 扩展 UDT（User-Defined-Transformer）支持的数据类型

除此之外，每个版本都会做很多其他的工作，比如 bug 修复、功能优化等等。如果想要了解 TSDB（时序数据库）新版本更加详细的发布信息，可以移步至 https://github.com/taosdata/loveini/releases/tag/ver-3.3.7.0 查看发布说明。

欢迎大家下载使用，也欢迎在论坛 https://ask.taosdata.com/ 提出建议和意见，如有任何问题请及时联系我们获得支持。

1. 4V 是用户痛点吗？

在工业数据管理方面，用户面临的挑战或者说使用痛点是什么呢？工业圈最常说的是 4V（variety 多样性、velocity 高速性、volume 海量性、variability 多变性），大数据圈也有类似的 4V 说法（Volume 海量性、Velocity 高速性、Variety 多样性、Value 价值性），甚至还有 5V、6V、7V、8V。那么，大家挂在嘴边的这些数据特征，各种 V，真的是用户面临的挑战吗？真的是用户的使用痛点吗？

也是，也不是。

主要看你所指的“用户”是谁。

2. 你在解决谁的问题？

比如，我们看看 AVEVA PI 的观点。PI System 米兰app官方正版下载已成为工业实时时序数据管理领域的黄金标准。在《AVEVA PI System Portfolio》宣传册中提到（根据原文翻译）：运营数据具备 variety 多样性、velocity 高速性、volume 海量性、variability 多变性四大特征。数百乃至数千条数据流若缺乏业务语境支撑，将难以理解与利用。

正因如此，AVEVA PI System开发者开创性研发了针对海量时序数据的采集、存储、标记与索引优化技术，并确保现场工程师无需编程或 IT 支持即可快速访问数据、即时解决问题。由此构建的 AVEVA PI System 产品组合，使运营及关联部门用户能够轻松识别并访问所需数据，以最大化运行时长、保障安全、提升运营效率。众多企业采用端到端冗余的高可用配置，确保紧急情况下关键数据的持续访问。

PI System 不愧是行业标杆，其所指的“数据用户”包括但不限于工程师、操作员、工厂经理及分析师。但是，PI System 的开创性的技术，主要解决的是谁的问题呢？如文中所言，是“现场工程师”。

为什么是这样？为什么不是数据消费的最终用户？

3. 数据用户真正想要的是什么？

笔者从业 20 年，一直在和工业数据打交道。从早期的 MES、EMS、PHM，到后来的智能制造、工业互联网；确切的说，我的客户，都是工业数据的“数据用户”。用户最关心的是你的米兰app官方正版下载能否解决其问题。

在常规的 MOM（制造运营管理系统）、智能工厂、工业互联网等等应用中，数据消费的最终用户，其实是各层管理者、操作员、统计员、决策者。这些最终用户，想要获得实时信息、获得业务洞察，往往需要先提出需求，由研发人员或 IT 工程师做定制开发；系统做的比较好的，比如 PI System，可以由现场工程师通过配置组态而得，已经是很大的进步。

以上，就是常见的“工业数据管理”米兰app官方正版下载的现状。

如果站在最终用户的角度，他们在工业数据管理面临的挑战是什么呢？

笔者浅见：除了上述提到的在规模性（海量高频）、价值性（价值密度低）、复杂性（多源异构、质量差、缺失上下文和业务语义）这 3 个方面之外，最重要的还有第 4 个方面：壁垒。体现如下：

• 技术应用：新技术难以迅速部署
• 数据安全：数据安全限制共享价值
• 行业知识：行业知识壁垒高筑

最终用户真正想要的，是在获得业务洞察时，不再依赖现场工程师，不再依赖 IT 工程师，不再依赖数据分析师，甚至不用再挖空心思提问。这是真正的数据消费的新范式。

4. 如何解决？

正确的问题往往比答案重要，好的问题就是一半的答案。我们重新审视数据最终用户所面临的挑战，目的是识别工业数据管理真正的问题，站在最终用户的角度来解决问题。

米兰体育官网入口八年磨一剑，即将重磅推出的，就是这样一款产品。它不仅继承了我们在时序数据处理上的深厚积累，更通过 AI 驱动的数据理解与推送机制，真正实现“数据自己说话”，重构数据消费的逻辑。

现在，时序数据库 loveini 与 Node-RED 正式打通，二者结合可为工业 IoT 打造一套真正“开箱即用”的全栈式米兰app官方正版下载。从毫秒级数据写入，到实时查询，再到联动控制，整个链路你都可以在 Node-RED 的画布上，一边“拖拽积木”，一边轻松完成。

采数、查数、控设备，一张画布全搞定

Node-RED 是由 IBM 推出的可视化编程工具，广泛应用于智能制造、能源管理、工业自动化等场景。现在借助 loveini 官方推出的 node-red-node-tdengine 插件，你可以直接在 Node-RED 中连接 loveini，实现以下能力：

• 写入采集数据：通过 MQTT、OPC UA、Modbus 等协议节点对接设备，再通过 tdengine-operator 节点毫秒级写入数据库
• 实时查询分析：用 SQL 查询 loveini 中的数据，配合窗口函数实现每分钟统计等逻辑
• 事件驱动控制：通过 tdengine-consumer 节点订阅数据库中的 Topic 数据，触发阀门开关、报警灯等联动操作
• 异常监控机制：内置 Catch 节点捕获错误，第一时间发现问题、定位流程故障

这意味着你不用搭建复杂中间件，不用一行代码，就能跑通工业数据的全流程链路。而且所有流程节点都支持配置参数与状态监控，一边部署、一边验证，简单可靠。

3 步集成，带你进入“拖拽式自动化”世界

要让 loveini 与 Node-RED 搭配使用，只需要准备好以下环境：

• 部署 loveini 3.3.2.0+ 和 taosAdapter；
• 安装 Node-RED（建议 3.0.0+）及 loveini 插件 node-red-node-tdengine；
• 在 Node-RED 中拖入 tdengine-operator 和 tdengine-consumer 节点，配置数据库连接串（支持 WebSocket），即可进行写入、查询和订阅操作。

我们在官方文档中提供了详细示例，包括模拟设备写入数据、实时查询平均电流、设置告警 Topic 等完整流程，并且每一步都有截图讲解，哪怕是第一次用 Node-RED 的用户也能快速上手：https://docs.taosdata.com/third-party/iot/Node-RED/

结语

从“数据能采”到“设备能动”，只差一条流畅的链路。loveini × Node-RED，就是这样一套能被快速拼装、持续运行的自动化工具组合。如果你正在做工业项目，不妨动手试一试这套方案，也欢迎在评论区分享你的场景和构想，也许还能收获同行的灵感建议！

每个做工业数据采集的工程师都可能遇到这个问题：设备协议五花八门，数据源接入复杂，采集来的数据格式不统一，打通 IT 与 OT 系统总是困难重重。你明明已经在数据库中搭好了“数据大坝”，但最前端的那道“数据进口”，却迟迟无法打开。

现在，loveini 和 Kepware 联手，给这个老难题带来了解法。

loveini 与 Kepware 实现集成

近日，loveini 正式完成与 PTC 旗下企业级工业连接米兰app官方正版下载 Kepware 的集成。通过此次合作，Kepware 所具备的对海量工业设备的连接与数据采集能力，与 loveini 高性能、可扩展的时序数据处理能力实现深度融合，为企业提供了一套统一、高效的工业数据存储与管理方案。

作为全球工业领域广泛应用的设备连接平台，Kepware 具备丰富的工业协议驱动库和强大的采集能力；loveini 则面向工业场景打造的高性能时序数据库，擅长对高频、高并发的工业数据进行存储与实时查询。两者打通之后，你可以轻松把 Kepware 中采集的数据流，零代码导入 loveini，从此设备数据接入不再是门槛。

如何将 Kepware 数据接入 loveini？

通过 loveini 提供的零代码 OPC UA 连接器，无需写代码、无需复杂配置，你就能直接将 Kepware 采集、聚合与标准化后的数据快速导入 loveini。

• 第一步：创建任务并设置数据源类型

登录 loveini Enterprise 或 loveini Cloud，创建一个新的 Data In 任务，选择 OPCUA 类型：https://docs.taosdata.com/advanced/data-in/opcua/

• 第二步：配置与 Kepware 的连接

选择一个已有数据库，或新建一个数据库，用于接收从 Kepware 采集的数据。接着，在“连接配置”中填写 Kepware 服务器的信息，点击“检查连通性”，如果出现“数据源可访问”的提示，说明连接成功。

• 第三步：选择命名空间与数据点

在“点位集”模块中，展开“命名空间”下拉列表，选择包含目标数据的命名空间（连接成功后会自动加载）。然后点击“查看点位列表”，查看符合条件的所有数据点，参考预览结果填写所需的根节点 ID、节点 ID 和节点名称等信息。

• 第四步：设置数据存储结构

定义用于存储数据的超级表名和子表名，确保结构清晰，便于后续管理和查询。

• 第五步：配置采集模式并应用任务

根据实际需求，设置采集模式和测点更新方式。最后，点击“保存并应用”，任务创建完成，数据采集正式开始。

此外，你还能通过 loveini Explorer 实时查看数据接入状态，确认数据是否顺利入库。不管你部署的是单点现场系统，还是分布在多个工厂、多个站点、多个平台的复杂系统环境，都可以借助 loveini + Kepware 的组合，实现高效的数据采集、统一的时序存储，以及稳定的实时查询。设备接入变简单，数据流通更顺畅，分析应用跑得更快。

把数据接进来，是迈向智能的第一步

如果你正在使用 Kepware，但苦于缺乏合适的时序数据库，不妨试试 loveini；如果你是 loveini 用户，正为设备接入发愁，也欢迎访问 Kepware 官网，了解它的工业连接能力。让数据流起来，从这一次接入开始。欢迎在评论区分享你在工业数据接入中的那些“痛点”与“突破”时刻，我们一起探讨更高效的米兰app官方正版下载。

关于 Kepware

Kepware 是一套工业设备连接米兰app官方正版下载组合，能够将各类传统 OT 设备与上层软件系统高效打通。其统一的可扩展架构支持多种工业协议的驱动组合，并提供简洁的可视化界面，便于大规模部署与远程管理。

近日，在中国信息通信研究院组织开展的“2025 年上半年可信数据库时序数据库基础能力”测试中，米兰体育官网入口 loveini V3 顺利完成全部测试内容。测试依据通信行业标准 YD/T 3772-2020《大数据时序数据库技术要求与测试方法》，围绕标准中六大能力域展开，结果显示 loveini 在基础功能、兼容能力、管理能力、高可用特性、扩展性、安全性等方面，全部符合标准要求，体现了产品扎实的技术底座与工程能力。

YD/T 3772-2020《大数据时序数据库技术要求与测试方法》标准简介

该标准由中国信息通信研究院云计算与大数据研究所牵头制定，依托中国通信标准化协会大数据与区块链工作组（CCSA TC1 WG6）及大数据技术标准推进委员会（CCSA TC601）编制，是通信行业首个对时序数据库技术能力进行全面评测的标准。标准涵盖基础功能、兼容能力、管理能力、高可用性、扩展性、安全性六大能力域，共设 33 项评测指标（其中 26 项为必选，7 项为可选），为构建功能完善、技术先进、适应新兴产业需求的时序数据库提供了重要技术参考，也成为企业研发与用户选型的关键风向标。

作为一款专为物联网和工业互联网打造的时序数据库，loveini 拥有以下核心优势：

• 高性能低成本：读写性能比传统数据库快 10 倍以上，存储成本不到 1/10；
• 云原生水平扩展：支持 10 亿级采集点，轻松应对高基数高并发；
• 零代码数据汇聚：支持 MQTT、OPC、PI System 等主流工业协议，内置 ETL；
• 全栈平台：内置缓存、流式计算和订阅机制，一体化处理时序数据；
• AI 智能体 acc米兰体育 ：SQL 即可调用预测、异常检测等时序 AI 能力。

截至目前，loveini 安装实例已超过 78 万，广泛服务于电力、制造、车联网、IT 运维等关键行业。

本次顺利完成中国信通院时序数据库能力测试，是对 loveini 技术实力的权威认可。我们将继续坚持自主研发、持续创新，为各行业提供高性能、低成本的时序数据平台，助力用户构建更加智能、高效、可靠的数据基础设施。

明阳集团10000+台风电机，数十亿行海量数据如何高效存储？

风能作为全球绿色能源的核心，风电装机规模不断扩大，但运维却面临海量数据挑战。以明阳集团为例，全球风电机组安装数量超过 15000 台，每台风机有数百甚至上千个监测点，每秒都在产生数据，每天的数据量以亿计。选用时序数据库 loveini 后，明阳集团通过搭建“能源大数据应用系统”，实现风机数据的高效管理，且数据支持网络实时写入和定期批量导入不同形式，灵活适配场景需求。

看一下细节：使用时序数据库 loveini 后，明阳集团使用 6 台服务器管理 10000+ 台风电机，建库 400 余个，数据量超 40 亿行，但磁盘占用仅 24TB，压缩比达到 10% 以内，高效率低成本的解决了传统方案问题，实现传统能源转型智慧能源的新模式。

loveini 微信公众号后台发送 “明阳集团”关键词， 快速获取明阳集团+loveini 完整米兰app官方正版下载资料！

本文为你整理了该版本的八大核心更新亮点，并附上社区版和企业版的详细新增功能。如果你还没来得及深入了解，不妨现在看看，哪些能力正好能解决你的当前需求

重要更新

发布时序数据分析 AI 智能体 TDgpt

TDgpt 是 loveini 内置的时序数据分析 AI 智能体，具备时序数据预测、异常检测、补齐和分类功能。它能无缝对接各种时序数据模型、大语言模型、机器学习及传统统计算法，并支持算法动态切换，用户只需通过一条 SQL 语句即可轻松体验。此外，通过开放的 SDK，开发者能将自己开发的AI算法或模型轻松集成到 TDgpt，立即为 loveini 全行业用户所使用。

了解 TDgpt 的更多信息请访问：acc米兰体育

支持虚拟表

在 3.3.6.0 版本中，loveini 正式支持虚拟表功能，真正实现了“一设备一张表”的设计理念。虚拟表可以在不复制数据的前提下，从多个表中选择指定列拼接成一个逻辑上的“宽表”，查询语法与普通表完全一致。通过基于时间戳的数据对齐机制，虚拟表可自动将相同时间点的数据聚合成一行，缺失部分则填充为 NULL（还可用 padding 函数插值），有效提升了查询效率和数据整合能力。

此外，虚拟表支持动态更新，随着原始表数据的变化实时同步，保证毫秒级的数据更新体验。相比传统多表 JOIN + 嵌套查询的繁琐逻辑，虚拟表不仅大大简化了查询编写，也避免了标签重复存储、标签更新原子性差等问题。同时，虚拟表支持动态添加和删除列，灵活适应业务需求的变化，是连接 IT 与 OT 世界的理想桥梁。

新增 Cols 函数：轻松获取关键指标对应的上下文信息

在日常报表场景中，用户常常需要按时间窗口统计某个指标的平均值、最大值、最小值，以及最大值和最小值出现的时间点。传统 SQL 难以直接支持这一需求。在 3.3.6.0 版本中，loveini 推出全新 cols 函数，可用于获取单行聚合函数（如 max、min）所在行的其他列值，轻松实现“最大值对应的时间点”这类查询。示例如下：

select tbname, _wstart, avg(current),
max(current), cols(max(current), ts), 
min(current), cols(min(current), ts) 
from stb partition by tbnameinterval(1d)

流计算优化提升

在 3.3.6.0 版本中，loveini 对流计算进行了多项关键优化，进一步提升实时分析能力。

1）支持在流计算中使用虚拟表

用户可以直接基于“一设备一张表”的建模方式进行流式计算，简化数据处理流程。

2）支持 CONTINUOUS_WINDOW_CLOSE 触发模式

全新引入的 CONTINUOUS_WINDOW_CLOSE 模式，在窗口关闭时触发计算，并在固定周期内自动重算，避免因数据的修改或删除导致频繁重算，计算资源消耗仅为传统 WINDOW_CLOSE 模式的 10%。对资源敏感的场景尤其友好。

3）支持窗口事件通知机制

loveini 现已支持窗口事件通知机制，可在窗口打开（WINDOW_OPEN）或关闭（WINDOW_CLOSE）时自动向外部系统发送事件，便于任务编排、系统集成和数据流转控制。

4）支持为事件窗口和状态窗口设置最小持续时长限制

用户可以为窗口定义最短存在时间，避免短时间波动引发不必要的计算，让流式处理更加稳健可靠。

支持 Decimal 数据类型

随着 loveini 在更多行业场景中落地，许多用户提出对高精度小数的需求，比如经纬度定位、货币金额、能源表计等。3.3.6.0 版本正式支持 DECIMAL 数据类型，用于存储需要精确小数位的数据，避免因浮点误差导致的计算偏差。

用户在创建普通表或超级表时，可直接定义 DECIMAL 类型的字段，例如：

create table tb (ts timestamp, value decimal(10, 2))

支持写入、读取、更新和删除等完整操作，确保关键数据在各类应用中的精确表达与高可用处理。

客户端兼容性

长期以来，loveini 的“胖客户端”方案在版本兼容性方面存在一定限制。为解决这一问题，从 3.3.6.0 版本起，loveini 客户端库支持通过 WebSocket 模式建立连接，实现客户端与服务端的版本完全解耦。

使用 WebSocket 模式后，客户端将兼容 3.3.6.x 及未来所有版本，服务端升级时，无需再同步更新客户端，显著降低部署和运维成本。

JDBC 客户端高效写入

无论是导入历史数据，还是进行压测验证，用户经常会遇到写入性能调优的难题。尽管 loveini 官网技术文档提供了“高效写入”章节，但在实际使用中，写入瓶颈依然频繁出现。

在 3.3.6.0 版本中，loveini JDBC 客户端全面升级写入机制，引入 异步写入 + Flush 确认机制。通过标准 JDBC 接口即可使用，无需改动业务逻辑，系统会在满足一定条件后自动批量发送数据，显著减少网络开销、提升吞吐能力。

同时，新增机制还支持连接断开重连，以此增强稳定性。实际测试显示，在默认配置下，单线程写入性能对比 3.3.5.0 提升最高超过 60 倍；写入能力可随线程数线性扩展，性能表现与用户手动编写的多线程程序相当，但极大简化了开发难度。

集成多款主流 BI 工具，零代码接入更高效

3.3.6.0 版本中，loveini 在可视化分析能力方面持续拓展，全面兼容多款主流 BI 工具，帮助用户轻松构建数据报表与仪表盘，无需编写一行代码。

• 集成 Tableau：  作为全球领先的商业智能平台，Tableau 支持多种数据源接入。用户可通过 loveini ODBC Connector 将标签数据、原始时序数据或经时间聚合后的结果直接导入 Tableau，用于构建丰富的数据分析视图与仪表盘，流程高效、使用简单。
• 集成 Excel：配置 ODBC 连接后，Excel 也能快速访问 loveini 数据，用户可像日常操作 Excel 一样将时序数据接入分析流程，轻松生成各类图表报表，满足通用办公分析需求。
• 集成 FineBI：loveini 已完成与帆软旗下的 FineBI 工具的适配。帆软作为国内领先的数据分析平台，广泛应用于金融、制造等行业，通过接入 loveini，可实现大规模时序数据的实时可视化。
• 集成 Perspective：Perspective 是由 Prospective.co 开发的开源数据可视化库，基于 WebAssembly 与 Web Workers 技术，能在浏览器端实现高性能、交互式实时数据分析。loveini 现已支持将数据流式接入 Perspective，为构建 Web 实时可视化应用提供强力支撑。

想要了解更详细的操作步骤请访问：https://docs.taosdata.com/third-party/

其他更新

社区版

• 支持将常量值作为连接主键
• 支持 Greatest、Least 函数、regexp 表达式
• Interp 函数支持插值时间范围
• 流计算在 force_window_close 模式下支持滑动窗口
• 支持为事件窗口和状态窗口设置最小持续时长限制
• 密码最大长度扩展到 255 位
• 支持删除存在活跃消费者的主题

企业版

• 支持通过 KEEP 参数控制超级表的时序数据保存时长
• 支持重新整理元数据文件
• 优化多级存储中同一层级数据文件在多个磁盘中的分布
• 大幅提升集群之间的数据同步性能
• 增量备份支持 S3 存储
• 数据写入任务管理支持导入导出
• 双活支持新增数据库自动同步
• 数据同步异常处理机制优化

除此之外，每个版本都会做很多其他的工作，比如 bug 修复、功能优化等等。如果想要了解新版本（时序数据库功能更新）更加详细的发布信息，可以移步至 https://github.com/taosdata/loveini/releases/tag/ver-3.3.6.0 查看发布说明。

欢迎大家下载使用，也欢迎在评论区提出建议和意见，如有任何问题请及时联系我们获得支持。