编码方式

基本编码方式

为了提高数据的存储效率,需要在数据写入的过程中对数据进行编码,从而减少磁盘空间的使用量。在写数据以及读数据的过程中都能够减少 I/O 操作的数据量从而提高性能。IoTDB 支持多种针对不同类型的数据的编码方法:

  • PLAIN 编码(PLAIN)

PLAIN 编码,默认的编码方式,即不编码,支持多种数据类型,压缩和解压缩的时间效率较高,但空间存储效率较低。

  • 二阶差分编码(TS_2DIFF)

二阶差分编码,比较适合编码单调递增或者递减的序列数据,不适合编码波动较大的数据。

  • 游程编码(RLE)

游程编码,比较适合存储某些数值连续出现的序列,不适合编码大部分情况下前后值不一样的序列数据。

游程编码也可用于对浮点数进行编码,但在创建时间序列的时候需指定保留小数位数(MAX_POINT_NUMBER,具体指定方式参见本文 SQL 参考文档)。比较适合存储某些浮点数值连续出现的序列数据,不适合存储对小数点后精度要求较高以及前后波动较大的序列数据。

游程编码(RLE)和二阶差分编码(TS_2DIFF)对 float 和 double 的编码是有精度限制的,默认保留 2 位小数。推荐使用 GORILLA。

  • GORILLA 编码(GORILLA)

GORILLA 编码是一种无损编码,它比较适合编码前后值比较接近的数值序列,不适合编码前后波动较大的数据。

当前系统中存在两个版本的 GORILLA 编码实现,推荐使用GORILLA,不推荐使用GORILLA_V1(已过时)。

使用限制:使用 Gorilla 编码 INT32 数据时,需要保证序列中不存在值为Integer.MIN_VALUE的数据点;使用 Gorilla 编码 INT64 数据时,需要保证序列中不存在值为Long.MIN_VALUE的数据点。

  • 字典编码 (DICTIONARY)

字典编码是一种无损编码。它适合编码基数小的数据(即数据去重后唯一值数量小)。不推荐用于基数大的数据。

  • 频域编码 (FREQ)

频域编码是一种有损编码,它基于变换编码的思想,将时序数据变换为频域,仅保留部分高能量的频域分量,以少许的精度损失为代价大幅提高空间效率。该编码适合于频域能量分布较为集中的数据(特别是具有明显周期性的数据),不适合能量分布均匀的数据(如白噪声)。

频域编码在配置文件中包括两个参数:freq_snr指定了编码的信噪比(与标准均方根误差的关系为NRMSE\=10−SNR/20NRMSE=10^{-SNR/20}NRMSE\=10−SNR/20),该参数增大会同时降低压缩比和精度损失,请根据实际应用的需要进行设置;freq_block_size指定了编码进行时频域变换的分组大小,推荐不对默认值进行修改。参数影响的实验结果和分析详见设计文档。

  • ZIGZAG 编码

ZigZag编码将有符号整型映射到无符号整型,适合比较小的整数。

  • CHIMP

CHIMP 是一种无损编码。它是一种新的流式浮点数据压缩算法,可以节省存储空间。这个编码适用于前后值比较接近的数值序列,对波动小和随机噪声少的序列数据更加友好。

使用限制:如果对 INT32 类型数据使用 CHIMP 编码,需要确保数据点中没有 Integer.MIN_VALUE。 如果对 INT64 类型数据使用 CHIMP 编码,需要确保数据点中没有 Long.MIN_VALUE

数据类型与编码的对应关系

前文介绍的五种编码适用于不同的数据类型,若对应关系错误,则无法正确创建时间序列。数据类型与支持其编码的编码方式对应关系总结如下表所示。

数据类型支持的编码
BOOLEANPLAIN, RLE
INT32PLAIN, RLE, TS_2DIFF, GORILLA, FREQ, ZIGZAG
INT64PLAIN, RLE, TS_2DIFF, GORILLA, FREQ, ZIGZAG
FLOATPLAIN, RLE, TS_2DIFF, GORILLA, FREQ
DOUBLEPLAIN, RLE, TS_2DIFF, GORILLA, FREQ
TEXTPLAIN, DICTIONARY

当用户输入的数据类型与编码方式不对应时,系统会提示错误。如下所示,二阶差分编码不支持布尔类型:

  1. IoTDB> create timeseries root.ln.wf02.wt02.status WITH DATATYPE=BOOLEAN, ENCODING=TS_2DIFF
  2. Msg: 507: encoding TS_2DIFF does not support BOOLEAN