何为多模？

"多模数据库"这个词在如今的数据库领域里，已经不再是个新鲜词。所谓多模数据库：目标是通过 "整合与效率 "解决传统 "单一模型数据库" 的局限性，用一个系统统一管理多种结构的数据，支持统一查询接口（如一套 SQL 扩展），减少数据同步和跨库操作的成本。它把多种数据库（如 MySQL、MongoDB、Influxdb）的能力整合到一个系统里，让用户不用为不同结构的数据搭建多个数据库。

什么场景需要多模？

举个例子，企业要存工厂设备类型信息（关系型）以及工厂各类设备（如拧紧机等）采集的数据（时序型），如果用 2 个独立数据库，会面临数据孤岛、跨库查询复杂、维护成本高的问题。而 KaiwuDB 作为国内面向物联网 AIoT 场景的分布式多模数据库代表，能够支持在同一实例同时创建时序库和关系库，融合处理包括结构化数据、非结构化数据在内的多模数据。KaiwuDB 通过单一数据库系统统一管理时序数据和关系数据，一库代替多库，从而实现技术架构的简化，并帮助客户降低开发和运维复杂度及成本。

KaiwuDB一库代替关系库+时序库

KaiwuDB 3.0 多模融合的内核

KaiwuDB 多模架构图

1. 接入层：多源数据统一收敛

• 协议兼容：JDBC/ODBC（关系数据）、RESTful API（时序 / 流式数据）、MQTT（IoT 设备直连）。

• 多模透明性：应用无需感知底层数据模型，统一接口适配时序 / 关系 / 非结构化 数据写入。

2. 解析优化层：跨模型查询语句解析、编译与优化

• 多模 SQL 处理：

① 解析器：兼容标准 SQL + 时序扩展语法（如 time_bucket 函数、窗口函数）。

② 优化器：自动识别数据模型（时序 / 关系），匹配最优执行路径。动态生成跨模执行计划，支持两种核心优化策略，跨模查询性能提升 5 倍以上。

• Outside-In：当关联查询中的关系数据量较少时，关系数据过滤后下推至时序引擎。

• Inside-Out：当关联查询中的时序数据量较少时，时序数据过滤或预聚合后返回到关系引擎进行关联。

• 元数据管理：统一管理时序库（TS DATABASE）与关系库元数据，支持跨模关联索引。

3. 计算引擎层：模型自适应执行

• 专属跨模计算算子，支持亿级时序数据与千万级关系数据秒级关联（如设备状态时序表 JOIN 设备属性表）。

• 专属单设备数据扫描算子，增加单设备跨模查询性能。

• 算子内并行，提升扫描和聚合性能。

• 聚合计算下推到时序引擎，从源头端压降数据量。

4. 存储管理层：混合架构适配

• 分层存储策略：

① 成本优化：通过冷热介质差异化存储，降低整体存储成本 30%~60%（时序场景下，冷数据占比通常 > 80%）。

② 性能保障：热数据留存于高速介质，确保实时业务（如监控告警、实时报表）的低延迟需求。

③ 灵活适配：支持自定义冷热规则、迁移策略与归档周期，适配 IoT 监控、工业日志等不同场景。

• 多模适配机制：

数据类型	存储结构	核心技术
时序数据	列式存储	自研压缩算法、就地计算技术、自研"主键标签"机制
关系数据	行式存储 + 主键索引	分布式事务、并行计算技术

5. AI 扩展层（多模增强）

支持 TensorFlow/XGBoost 模型全生命周期管理，可直接通过 SQL 调用模型推理，实现 "数据存储 - 训练 - 预测" 一体化。

核心功能特性&价值

• 一体化数据管理

通过单一数据库系统统一管理时序数据和关系数据，可以简化技术架构，降低开发和运维复杂度及成本。

• 高效时序数据处理能力

针对时序场景，自研"主键标签"机制，内置时序特色函数，提升数据库的读写性能；百万级 / 秒写入、毫秒级查询响应，支持 400 万 + 测点实时接入。

• 跨模查询

原生跨模关联查询，一套标准 SQL 操作两种数据，无需数据迁移。3.0 通过增加高效跨模连接算子，时序算子并行处理优化，跨模查询性能提升 5-10 倍。

• 资源与成本优化

避免异构数据库间的数据同步 ，减少数据冗余；通过计算下推，减少网络传输，降低数据处理时延。

• AI 深度赋能

① DB For AI：内置预测分析引擎，支持 SQL 级模型全生命周期管理，通过内置函数实现数据价值主动挖掘。

② AI For DB：提供 Agent 智能体工具，借助 MCP 协议，结合 LLM 技术，将自然语言处理与 KaiwuDB 深度结合，赋能数据库自动化运维与智能管理。