本文源于:長安汽車智能化研究院

業務場景介紹

1.?公司簡介:長安汽車，全稱“重慶長安汽車股份有限公司”，是中國領先的汽車制造商之一，以廣泛的産品線和創新技術而聞名。長安汽車不僅提供多種乘用車和商用車，還在智能網聯汽車技術方面處于行業前沿，特別是在車聯網平台的開發上。

車聯網平台是長安汽車智能化戰略的核心組成部分，該平台利用雲計算、大數據、物聯網和人工智能等技術，實現車輛與外部環境、其他車輛以及交通基礎設施的互聯互通。其核心平台VOT實現了萬級車輛實時在線、毫秒級通訊互聯、完整的生態接入能力，並在此基礎上提供實時數據采集、海量數據分析計算、實時預警車輛故障、保證車輛安全駕駛等功能，顯著提升了用戶的用車體驗。

2.?业务全景介绍:长安汽车智能化研究院承担了长安汽车智能化转型的重要角色，其車聯網平台是公司智能化战略的重要组成部分，该平台借助大數據、雲計算和人工智能等先进的数字技术，为消费者提供更安全、更舒适、更便捷的智能驾驶体验。主要包含的业务如下:

車聯網核心平台VOT:公司基于超大规模云原生架构下设计的车云核心服务，业务涵盖车辆远控、车况、事件通讯、服务编排、规则引擎等核心能力，通过物联网时序数据库IoTDB实现了万级的车辆稳定接入、千万点每秒的数据并发处理以及超高的终端接入兼容性，是长安汽车所有车辆的云上大脑。

数据分析平台:公司基于Apache Doris升级了車聯網数据分析平台，支持单日百亿级别数据的实时处理，并能实现十亿级别数据查询的秒级响应。该平台为长安汽车在提升用户用车体验、实时预警车辆故障、保证车辆安全驾驶等方面带来显著成果。

云器Lakehouse大數據平台:公司建设了基于云器Lakehouse的車聯網大數據平台，面对超大规模数据量和业务的飞速发展，解决了成本高、用数难、运维烦等挑战。

車聯網业务整体架构图

3.?平台时序数据管理能力建设:伴随着长安汽车旗下主要品牌（包括阿维塔、深蓝、启源等）的迅猛扩张以及智能网联汽车的数量呈指数级增长，車聯網平台迎来了比较罕见的压力。这种增长不仅给車聯網平台带来了数据并发处理的挑战，也导致了平台海量数据处理成本的上升、效率的下降以及实时和历史数据存储费用的增加。

具體來看，車況信息作爲衆多車輛數據中的核心數據，海量的連接數量導致數據上報量也呈指數級增長。在當前的日活躍用戶數下，每日實時上行的車況數據量已達到驚人的200T。

IoTDB作为长安汽车車聯網平台的核心数据存储引擎，扮演着至关重要的角色，不仅支持高并发的读写操作，还负责历史数据的长期存储。

業務需求痛點

1.?海量并发写入性能低。当前，在长安汽车闲时活跃用户量约200万的情况下，車聯網平台实时上传的车况数据并发量已经稳定在数十万级别。由于不同车型导致的车况模板信息需求差异，动态存储成为了一个迫切需要解决的问题。

同时，相比传统汽车，智能汽车领域单个智能汽车的数据交互量呈现出数十倍的增长。以长安汽车近千万的日活跃用户量计算，长安汽车車聯網平台长期承受着每秒超过50万次的数据传输压力。如此海量数据压力下，传统数据库面临着服务器资源高负载和写入性能的双重挑战。

2.?存储与查询灵活性差。在面对这些挑战时，长安汽车现有车况数据存储引擎HBase表现出明显的劣势:原数据存储引擎数据模型基于行键、列族和时间戳，所有的数据访问模式都必须围绕该模型设计。若数据访问模式与 HBase 的数据模型不匹配，可能会导致查询效率降低。

而且，HBase 不支持像传统关系型数据库般的联结操作和复杂的事务处理。因此在需要进行复杂查询的应用场景中，HBase 可能并不是理想选择。

此外，HBase 的查询通常涉及全表扫描，这在大型表中会消耗大量资源和时间。尽管这一问题可以通过使用过滤器来减少扫描的数据量，但仍然是一个需要考虑的性能瓶颈。

3.?历史数据存储成本高。HBase 作为一种基于列的存储解决方案，虽然适合存储稀疏数据，但在处理高频更新和小批量随机读写操作时效率并不理想。同时，尽管 HBase 支持 GZIP、Snappy 等多种压缩算法以有效减少存储空间占用，但这些操作可能会增加 CPU 使用率，并降低数据的读写性能，从而无法满足大數據量下数据实时处理的需求。

4.?中心计算资源紧张。长安汽车原有的车况数据架构基于纯云端的 HBase 存储，强烈依赖于 Hadoop 生态计算架构，这种计算架构并非轻量级，其所有计算成本都紧密围绕着建立的生态系统。这种依赖性，对云核心的负载造成了极大压力。

此外，HBase 基于单个主节点的集群架构，在面临故障时虽然可以继续连接其他区域（region），但主节点的恢复时间较长，从而导致计算链路性能下降，这也意味着所有计算压力都集中在云端，单就HBase而言其复杂的架构难以在边缘节点上部署。

选型 IoTDB 原因

1.?支持動態模板的海量並發處理能力。IoTDB基于時間序列的存儲結構優化與Hbase針對基于時間序列的固定模板不同，IoTDB的元數據模板支持動態的增刪改查，並在此基礎上實現了物理量元數據共享，優化了存儲及使用成本。

IoTDB也支持高並發連接，單台服務器可以處理數萬次並發連接/秒，具備高寫入吞吐的特點;單核處理寫入請求可以達到數萬次/秒，單台服務器的寫入性能可以達到數千萬點/秒;在集群環境下，寫入性能可以線性擴展，集群的寫入性能可達數億點/秒。

2.?实时读写与有效压缩兼顾。IoTDB使用更有效的时间序列数据压缩技术，如 Gorilla 编码，可以在保持较高压缩比的同时，实现快速的数据读写，既降低了历史车况的存储压力，又满足了車聯網下车况数据的实时使用场景。

3.?端雲計算架构。IoTDB 的轻量级架构适用于边缘设备，具有有效的数据管理和存储能力。在边缘节点，IoTDB支持低延迟的查询，使实时数据分析成为可能;终端层的数据通过边缘层的IoTDB进行实时采集、处理和存储，并进行一系列的分析任务后，后续数据可上传到云端IoTDB，满足車聯網领域中大规模数据存储、高速数据摄入和复杂数据分析的需求。

边缘IoTDB结合IoTDB云版本，可以支持在不同环境中管理时间序列数据，提升数据质量，降低雲計算的成本。

IoTDB時序數據管理流程簡述

长安汽车車聯網平台原有方案采取较为简单的车况上报，经由网关转发后实时车况存储在redis，历史车况存储在Hbase。

基于IoTDB的新方案采用端雲協作計算，部分車況數據在終端進行數據整合，也可根據特定需求（如國家采集標准的數據格式轉換、周期數據整合等）自行在終端進行簡單計算、短期存儲。按照配置上傳雲端，通過規則引擎進行分發後，基于IoTDB實時性高的特征，同時進行實時數據推送、實時數據redis存儲、曆史數據IoTDB落庫並提供查詢接口做數據統一。

車聯網平台VOT完整架构图

應用效果

1.?車況上報百萬並發寫入。面向長安汽車萬級在線車輛實時車況數據上報、實時存儲查詢場景，IoTDB每秒寫入能力達到800w+，並且支持水平擴展承載更高的壓力。

當前，長安汽車VOT平台實時接入車輛數量達到200萬輛，每日産生的數據量高達1500億條記錄。在這種規模下，依托IoTDB打造的新系統能夠保持寫入延遲在毫秒級別，數據實現快速可靠寫入。

平台单日产生的数据量累计约200T，在经过IoTDB有效实时存储处理后，数据量得以大幅压缩，最终存储量约为30T，实现了约10倍的数据压缩比例。在当前的数据存量（覆盖近90天的时间范围）下，IoTDB在大數據处理和存储方面的卓越性能得以体现。

2.?曆史車況有效查詢。針對目前長安汽車的萬億級車況數據，IoTDB將查詢延遲控制在50ms內，完全滿足所需性能。

此外，VOT平台的数据处理架构设计充分考虑到高并发和大數據量的挑战，并基于IoTDB及其完善的生态接入能力，通过采用先进的数据索引和查询优化技术，从而支持快速的数据检索和分析。

不僅如此，平台還集成了機器學習算法，用于智能預測和維護車輛狀態，進一步提升數據處理的效率和准確性。這些技術的應用不僅提高數據處理的速度、降低運維成本，也爲用戶提供了更加穩定和可靠的服務體驗。

3.?平台效果展示

启源App首頁

車聯網VOT服务管理

（推廣）