現今大數據時代情況下，數據不單只是海量，且併發性越來越高，連帶要求系統吞吐量要高，處理反應要即時。因此，相對應技術應運而生，像是
- Streaming : Kafka
- Time-Series DB : InfluxDB/Prometheus/Graphite
- 監控 UI : Grafana
Time-Series DB 相較以往的 RDB / Document / Key-Value / Wide-Column 等類型 DB，它是更適合處理時間性質資料，像是指定時間區間做統計查詢，因此很適合該場景 :
- 設備每一秒報出各自的溫度，要能快速取出每五秒的平均值
而 Time-Series DB 為了達到能處理海量數據且高效能力，這類技術通常只提供 Insert/Read ，Delete 須依靠 Retention Policy。另外，一個很大優點是 InfluxDB 提供 HTTP Post 便可以將資料寫入，相當輕便好整合。
另外，要選擇與參考各類型 DB，推薦可到此網站，有詳細的排名與分類。
接下來，簡易介紹如何安裝與整合 InfluxDB & Grafana，並透過 HTTP 持續送資料到 InfluxDB，Grafana 即時呈現數據
首先，安裝的部分，推薦用這個 docker-compose
裡面除了包含 InfluxDB & Grafana 鏡像以外，也增加了 Chronograf 這套開源軟體，它是作為 InfluxDB Admin UI (InfluxDB 原本官方的 Admin UI 已經放棄改用 Chronograf)
照著 GitHub 上說明安裝完後，應可順利到 Chronograf Admin UI，去建立資料庫，甚至可以做查詢達到類似 Grafana 效果。
接下來，透過 HTTP API，可模擬機台送點到 InfluxDB
curl -i -XPOST 'http://localhost:8086/write?db=iot_test' --data-binary 'equipment,machine_id=1,region=tw value=0.5'- database : iot_test
- measurement 可類比成 table name : equipment
- tag key 可類比成有索引的欄位 : machine_id & region
- tag value : 1 & tw
- field key : value
- field value : 0.5
再到 Grafana 便可以設計 Dashboard，設定對應的查詢條件
以下列SQL 為例，取出 machine_id 1設備每30秒平均值
SELECT mean(“value”) AS “mean_value” FROM “iot_test”.”autogen”.”equipment” WHERE “machine_id” = ‘1’ GROUP BY time(30s) FILL(none)- autogen 是 influxdb 每個 DB default retention policy，預設是永遠保留。建議可以改變保留期間或建立新的 retention policy
- 若是要傳入資料到 non-default retention policy，HTTP 參數需要指定 rp parameter，並給予 retention policy name
最後呈現效果如下 :
更好的 Practice，可以透過 Kafka Producer & Consumer 或是 Kafka Connect for InfluxDB，達到一個更完整的 Real-Time 資料流架構
