在时序数据库领域，TimescaleDB 作为 PostgreSQL 生态的时序化方案，扩时序能力都会优先考虑，是 PG 系时序方案的标杆。而 KaiwuDB 这两年发声也挺多的，作为国产原生时序数据库，在各类基准测试里表现亮眼，往期几篇我也依次分享了KaiwuDB 与 IoTDB、TDengine、InfluxDB 的对比测试数据情况。

这次依然还是想沿用 TSBS 标准基准，想来看看 PG 生态主流时序化方案 VS 国产原生时序新锐，两者技术路线完全不同的情况下到底性能差异如何，分享给同样在时序选型的朋友参考。

一、测试环境与配置

本次测试依然保证两个数据库（KaiwuDB v3.1.0 与 TimescaleDB v2.25.2 ）的运行环境完全一致，排除了环境差异对测试结果的干扰，全程采用 Docker 容器化部署，具体配置如下：

• 2 颗 Intel Xeon Gold 6240 CPU（2.6GHz 基础频率，最高 3.9GHz），共 72 逻辑核（18 核 / 颗 ×2，超线程开启），2 个 NUMA 节点

• 通过 Docker 限制单节点仅使用 16 核，单节点内存上限为 32GB

• 总容量 394.8GB（MemTotal: 394835452 kB），支持 DirectMap4k / DirectMap2M / DirectMap1G 页映射

• 每个容器（节点）绑定单个 1.8TiB Intel NVMe 硬盘

PS：其中，为了保证较好的性能，TimescaleDB 需要针对不同的场景设置不同的 Chunk 参数，不同场景下参数的设置如下表所示。

（此参数的设置，充分参考了对比报告【TimescaleDB vs. InfluxDB: Purpose Built Differently for Time-Series Data.https://www.timescale.com/blog/timescaledb-vs-influxdb-for-time-series-data-timescale-influx-sql-nosql-36489299877/】中推荐的配置参数设置，以确保能够最大化写入性能指标。）

二、核心结论一眼看懂

  1. 写入优势：KaiwuDB 在 4/4 个场景中全部领先，吞吐最高超 15 倍，原生架构优势明显。

  2. 查询领先：Worker 1 相较于TimescaleDB 平均提升 76.6%，Worker 8 提升 87.6%，几乎全场景更快。

  3. 复杂查询：高聚合、lastpoint 等场景差距达百倍级。

  4. 稳定性能：数据量上来后，TimescaleDB 性能衰减严重，KaiwuDB 几乎无波动。

三、写入性能（rows/s，数值越高越好）

写入部分使用写入速度作为吞吐指标，统一按 rows/s 展示，数值越高越好。相对差异采用 (KaiwuDB - TimescaleDB) / TimescaleDB 计算。

节点

场景

KaiwuDB rows/s

TimescaleDB rows/s

相对差异

单机

场景一

3006478.08

289739.45

9.376

单机

场景二

2961473.92

175900.04

15.836

单机

场景三

2825616.69

211793.09

12.341

单机

场景四

1626088.47

244959.88

5.638

KaiwuDB 在所有场景下吞吐都大幅领先，尤其在中规模场景，吞吐接近 16 倍差距。原生时序存储引擎对高并发写入的优化，明显强于 PG 时序化方案；TimescaleDB 写入上限偏低，数据量增大后吞吐下滑明显。

四、查询性能（ms，越低越好）

查询部分采用公式 (TimescaleDB 延迟 - KaiwuDB 延迟) / TimescaleDB 延迟计算相对差异。正值表示 KaiwuDB 查询延迟更低，负值表示 TimescaleDB 更优。测试分别在 Worker 1、Worker 8 两种并发下实测，覆盖 15 类典型时序查询，下图为数据差异总览：

通过上图可以看出：

• 单机 worker 1查询：KaiwuDB 在 55/60 个测点延迟更低，平均改善 +76.6%。

• 单机 worker 8查询：KaiwuDB 在 59/60 个测点延迟更低，平均改善 +87.6%。

节点

worker

KaiwuDB领先数

平均提升

最佳查询项

最弱查询项

单机

1

55/60

76.60%

lastpoint (+98.1%)

single-groupby-5-8-1 (+43.9%)

单机

8

59/60

87.60%

high-cpu-1 (+97.7%)

high-cpu-all (+49.0%)

接下来，我们分别看看小规模（100 设备）、中规模（4000 设备）、大规模及超大规模（10 万 / 100 万设备），在 Worker1（低并发）、 Worker8（高并发）不同情况下的性能情况。

4.1 小规模（100 台）

Worker 1

在单 Worker 低并发下，两者均能快速响应。KaiwuDB 在所有查询类型上全面领先，尤其在 lastpoint（最新点查询）上优势巨大，延迟从 TimescaleDB 的 7114ms 降至 0.9ms。

Worker 8

当并发提升到 8 Workers 后，TimescaleDB 的延迟开始显著增加，性能衰减明显，而 KaiwuDB 依旧保持极低且稳定的延迟。在 lastpoint 和复杂聚合查询上，KaiwuDB 的性能优势进一步扩大，普遍快一到两个数量级。

Worker 1查询项

KaiwuDB(ms)

TimescaleDB(ms)

相对差异

single-groupby-1-1-1

0.92

11.54

92.00%

single-groupby-1-1-12

1.34

33.51

96.00%

single-groupby-1-8-1

1.34

11.88

88.70%

single-groupby-5-1-1

1.08

6.75

84.00%

single-groupby-5-1-12

2.06

63.65

96.80%

single-groupby-5-8-1

1.75

12.32

85.80%

cpu-max-all-1

1.58

35.09

95.50%

cpu-max-all-8

4.06

37.79

89.30%

double-groupby-1

6.15

155.19

96.00%

double-groupby-5

9.29

187.64

95.00%

double-groupby-all

13.04

259.86

95.00%

high-cpu-all

6.75

98.51

93.10%

high-cpu-1

1.22

34.71

96.50%

lastpoint

0.9

7114.12

100.00%

groupby-orderby-limit

1.45

31.56

95.40%

worker 8查询项

KaiwuDB (ms)

TimescaleDB (ms)

KaiwuDB 相对差异

single-groupby-1-1-1

0.81

17.23

95.30%

single-groupby-1-1-12

1.13

91.71

98.80%

single-groupby-1-8-1

1.07

16.88

93.70%

single-groupby-5-1-1

0.75

11.46

93.50%

single-groupby-5-1-12

1.51

103.41

98.50%

single-groupby-5-8-1

1.57

17.94

91.20%

cpu-max-all-1

1.15

77.37

98.50%

cpu-max-all-8

3.54

85.37

95.90%

double-groupby-1

16.21

202.58

92.00%

double-groupby-5

23.38

206.66

88.70%

double-groupby-all

33.4

274.52

87.80%

high-cpu-all

22.89

118.18

80.60%

high-cpu-1

1

75.13

98.70%

lastpoint

1.4

8232.38

100.00%

groupby-orderby-limit

1.48

80.4

98.20%

4.2 中规模（4000 台）

Worker 1

简单查询差距依然不大，但在 double-groupby（双维度分组）等复杂聚合查询上，差距开始急剧拉大。例如 double-groupby-1 查询，TimescaleDB 耗时 6300ms，而 KaiwuDB 仅需 183.69ms，优势高达 97.1%。

Worker 8

并发压力下，TimescaleDB 的多个查询开始进入秒级甚至 8 秒以上（double-groupby-all 达 8073ms），性能严重下滑。KaiwuDB 虽然延迟相比低并发也有所增加，但始终保持在可控范围内（最高 1241ms），表现出极佳的性能韧性。

worker 1查询项

KaiwuDB(ms)

TimescaleDB(ms)

相对差异

single-groupby-1-1-1

0.97

19.81

95.10%

single-groupby-1-1-12

1.42

358.64

99.60%

single-groupby-1-8-1

1.74

225.08

99.20%

single-groupby-5-1-1

1.12

4.24

73.60%

single-groupby-5-1-12

2

16.02

87.50%

single-groupby-5-8-1

2.72

9.17

70.30%

cpu-max-all-1

1.61

54.44

97.00%

cpu-max-all-8

5.56

434.68

98.70%

double-groupby-1

183.69

6300.32

97.10%

double-groupby-5

283.36

2179.98

87.00%

double-groupby-all

401.24

2670.62

85.00%

high-cpu-all

168.7

1232.48

86.30%

high-cpu-1

1.13

27.1

95.80%

lastpoint

3.22

114.86

97.20%

groupby-orderby-limit

4.41

134.79

96.70%

worker 8查询项

KaiwuDB(ms)

TimescaleDB(ms)

相对差异

single-groupby-1-1-1

0.68

11.72

94.20%

single-groupby-1-1-12

1.11

38.85

97.10%

single-groupby-1-8-1

1.26

37.45

96.60%

single-groupby-5-1-1

0.79

10.47

92.50%

single-groupby-5-1-12

1.59

32.1

95.00%

single-groupby-5-8-1

1.42

21.13

93.30%

cpu-max-all-1

1.07

33.17

96.80%

cpu-max-all-8

3.68

186.18

98.00%

double-groupby-1

561.16

7883.08

92.90%

double-groupby-5

874.2

5940.89

85.30%

double-groupby-all

1241.75

8073.5

84.60%

high-cpu-all

825.85

3606.86

77.10%

high-cpu-1

1.05

44.55

97.60%

lastpoint

7.75

193.24

96.00%

groupby-orderby-limit

16.54

110.47

85.00%

4.3 大规模（10 万台）

Worker 1

TimescaleDB 性能严重承压，double-groupby-1 查询耗时高达 19715ms（近20秒），基本不具备可用性。KaiwuDB 虽然延迟也增长到秒级（1074ms），但相比 TimescaleDB 仍有近 20 倍的性能优势。lastpoint 查询上，KaiwuDB 同样保持近 20 倍的优势。

Worker 8

TimescaleDB 的性能彻底崩溃，大量复杂查询耗时在 8-22 秒之间。KaiwuDB 的高并发查询延迟虽然也上升至 5-7 秒，但整体可控，且在高负载下无任何失败或超时，稳定性优势彻底拉开。

worker 1查询项

KaiwuDB(ms)

TimescaleDB(ms)

相对差异

single-groupby-1-1-1

0.96

4.53

78.80%

single-groupby-1-1-12

0.99

23.93

95.90%

single-groupby-1-8-1

1.45

15.93

90.90%

single-groupby-5-1-1

1.06

3.74

71.70%

single-groupby-5-1-12

1.22

10.61

88.50%

single-groupby-5-8-1

1.96

10.28

80.90%

cpu-max-all-1

1.22

6.04

79.80%

cpu-max-all-8

2.88

32.68

91.20%

double-groupby-1

1074.26

19715.21

94.60%

double-groupby-5

1689.85

5949.9

71.60%

double-groupby-all

2475.25

6917.85

64.20%

high-cpu-all

915.62

4005.01

77.10%

high-cpu-1

0.94

12.35

92.40%

lastpoint

52.04

2207.94

97.60%

groupby-orderby-limit

72.43

845

91.40%

worker 8查询项

KaiwuDB(ms)

TimescaleDB(ms)

相对差异

single-groupby-1-1-1

0.67

10.52

93.60%

single-groupby-1-1-12

0.79

24.5

96.80%

single-groupby-1-8-1

1.09

18.87

94.20%

single-groupby-5-1-1

0.76

9.81

92.30%

single-groupby-5-1-12

0.96

26.45

96.40%

single-groupby-5-8-1

1.57

15.23

89.70%

cpu-max-all-1

1

19.82

95.00%

cpu-max-all-8

2.12

42.52

95.00%

double-groupby-1

3550.44

18434.69

80.70%

double-groupby-5

5425.19

15823.77

65.70%

double-groupby-all

7751.04

22178.53

65.10%

high-cpu-all

5096.47

8756.72

41.80%

high-cpu-1

0.75

41.9

98.20%

lastpoint

169.74

2812.89

94.00%

groupby-orderby-limit

409.1

1045.82

60.90%

4.4 超大规模（100 万台）

Worker 1

TimescaleDB 已到达极限，double-groupby-all 查询耗时超过 40 秒，lastpoint 查询也超过 21 秒。值得注意的是，在 single-groupby-1-1-1、single-groupby-1-8-1、cpu-max-all-1 等几个最简单的单维度点查上，TimescaleDB 的响应速度（<1ms）反常地优于 KaiwuDB（~1ms），可能是得益于其极端的缓存策略或执行计划优化，但并不影响整体性能格局。KaiwuDB 在所有复杂查询上依然保持压倒性优势，double-groupby-all 比对方快 91.9%。

Worker 8

并发拉满后，TimescaleDB 在部分双维度聚合查询上出现灾难性延迟，double-groupby-5 耗时 477295ms（约 8 分钟），double-groupby-all 更是高达 1152227ms（约 19 分钟），基本等同于不可用。而 KaiwuDB 即使在如此极限的压力下，所有查询仍能在 5.4 秒内返回，且无任何失败或中断，稳定性优势达到顶峰。

worker 1查询项

KaiwuDB(ms)

TimescaleDB(ms)

相对差异

single-groupby-1-1-1

0.91

0.78

-16.70%

single-groupby-1-1-12

0.85

8

89.40%

single-groupby-1-8-1

1.27

1.02

-24.50%

single-groupby-5-1-1

1.03

1.27

18.90%

single-groupby-5-1-12

1.07

8.75

87.80%

single-groupby-5-8-1

1.39

0.86

-61.60%

cpu-max-all-1

1.26

0.96

-31.30%

cpu-max-all-8

1.57

0.81

-93.80%

double-groupby-1

1581.06

7907.44

80.00%

double-groupby-5

2644.18

14863.83

82.20%

double-groupby-all

3328.03

40925.49

91.90%

high-cpu-all

308.32

975.67

68.40%

high-cpu-1

0.82

5.43

84.90%

lastpoint

527.71

21059.11

97.50%

groupby-orderby-limit

410.06

4544.74

91.00%

worker 8查询项

KaiwuDB(ms)

TimescaleDB(ms)

相对差异

single-groupby-1-1-1

0.63

4.16

84.90%

single-groupby-1-1-12

0.64

12.55

94.90%

single-groupby-1-8-1

0.88

4.39

80.00%

single-groupby-5-1-1

0.68

4.63

85.30%

single-groupby-5-1-12

0.67

13.35

95.00%

single-groupby-5-8-1

1.22

4.91

75.20%

cpu-max-all-1

0.95

4.6

79.30%

cpu-max-all-8

1.25

4.21

70.30%

double-groupby-1

2703.22

16466.39

83.60%

double-groupby-5

4494.9

477295.9

99.10%

double-groupby-all

5420.57

1152227

99.50%

high-cpu-all

1164.16

1123.89

-3.60%

high-cpu-1

0.63

17.71

96.40%

lastpoint

1693.98

28103.82

94.00%

groupby-orderby-limit

1472.12

5066.39

70.90%

五、实测总结

  1. 写入能力：KaiwuDB 原生时序引擎优势突出，吞吐碾压 PG 时序化方案，高并发写入更稳更强。

  2. 查询表现：整体领先，复杂查询拉开百倍差距，并发越高优势越明显。

  3. 稳定性：数据量越大、并发越高，TimescaleDB 衰减越严重；KaiwuDB 波动极小，更适合长期高负载运行。

  4. 架构差异：原生时序 vs PG 插件化，在高吞吐、高并发、复杂查询场景的差距被彻底放大。

六、选型建议

KaiwuDB 在大规模、高并发、复杂查询场景下优于 PG 时序化方案；TimescaleDB 更适合小规模、轻查询、依赖 PG 生态的边际场景。

✅ 优先选择 KaiwuDB 的场景

场景类型 典型业务
工业物联网 工厂设备监控、产线数据采集、预测性维护
运维监控（DevOps） 服务器/容器/网络指标采集、告警、可视化
大规模时间序列分析 金融 tick 数据、能源计量、车联网轨迹
高并发查询场景 多用户仪表盘、实时大屏、多租户分析
长期高负载运行 7x24 小时采集、连续写入 + 查询混合负载

⚠️ 可考虑 TimescaleDB 的场景

场景类型 典型业务
小规模轻量监控 家庭智能设备、小型实验室数据、个人项目
重度依赖 PG 生态 已有大量 PG 业务代码、需要复用 PG 函数/索引/视图
查询模式极其简单 仅做单时间线点查、极简过滤
不考虑未来扩展 临时项目、PoC 验证、数据量可控

🚫 不建议选择 TimescaleDB 的场景

  • 设备数 > 1 万台：中规模下 TimescaleDB 复杂查询已进入秒级，大规模下突破 20 秒。

  • 并发 > 8：高并发下 TimescaleDB 延迟快速抬升，超大规模双维度聚合达分钟级，基本不可用。

  • 需要 lastpoint / 高聚合 / 双维度分组：这些恰恰是时序场景核心需求，KaiwuDB 优势最明显（90%-99%）。

  • 长期生产运行：TimescaleDB 性能随数据量增长衰减明显，运维成本高，需频繁调优 chunk 参数。

至此，已经基于TSBS和大家分享了高提名时序库TD、IoTDB、KaiwuDB、influxDB、TimescaleDB 的性能对比情况。后面大家还有什么想了解，欢迎评论区互动，继续和大家唠唠。

>>>

TSBS 实测：KaiwuDB vs InfluxDB，时序数据库性能差多少？https://blog.csdn.net/Limxx_/article/details/161427917?spm=1011.2415.3001.5331

时序数据库实测对比：KaiwuDB 3.1.0 vs TDengine 3.3.8 写入与查询性能全解析 https://blog.csdn.net/Limxx_/article/details/160256271?spm=1011.2415.3001.5331

基于 TSBS 的时序数据库性能测试报告：KaiwuDB 3.1.0 vs IoTDB 2.0.7https://blog.csdn.net/Limxx_/article/details/160479054?spm=1011.2415.3001.5331

# 时序数据库 # 数据库 # 功能测试
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

2026 高性价比GEO监测工具排行：数据精准、覆盖全场景优质GEO系统推荐

本文结合国内主流 AI 生态、不同企业规模需求，明确一套标准化选型评判标准，再横向拆解四款差异化工具，覆盖本土中小商家、连锁实体、强监管机构、出海品牌四大场景，帮企业选到数据精准、运行稳定、性价比适配的 GEO 排名查询系统。排名查询、信源追踪、基础舆情预警等核心监测功能永久免费，专业版、企业版按需扩容批量话题、API 对接、GEO优化报告等高阶能力，初创门店、中小品牌可零成本搭建 AI 数据基线

avatar AtomGit开源社区
cover

海外动态代理行业彻底换代，AI 数据时代新标准已到来

avatar AtomGit开源社区
cover

2026年SEO+GEO优化指南：搜索排名机制解析与实用工具推荐

avatar AtomGit开源社区