选择正确的数据库对于构建任何软件应用程序都是至关重要的。所有数据库在性能方面都有不同的优势和劣势，因此，针对您的特定用例和数据模型，决定哪个数据库的优势最多、劣势最少是一个重要的决定。下面您将找到 Datadog 和 Apache Druid 的关键概念、架构、功能、用例和定价模型的概述，以便您可以快速了解它们之间的比较。
本文的主要目的是比较 Datadog 和 Apache Druid 在涉及时序数据的工作负载中的性能，而不是所有可能的用例。时序数据通常在数据库性能方面提出独特的挑战。这是由于大量数据被写入以及访问该数据的查询模式所致。本文并非旨在说明哪个数据库更好；它只是提供了每个数据库的概述，以便您可以做出明智的决定。
Datadog 与 Apache Druid 细分
 |
 |
|
| 数据库模型 | 云可观测平台 |
列式数据库 |
| 架构 | 基于云的 SaaS 平台 |
Druid 可以部署在本地、云端或使用托管服务 |
| 许可 | 闭源 |
Apache 2.0 |
| 用例 | 基础设施监控、应用程序性能监控、日志管理 |
实时分析、OLAP、时序数据、事件驱动数据、日志分析、广告技术、用户行为分析 |
| 可扩展性 | 水平可扩展，内置支持多云和全球部署。 |
水平可扩展，支持分布式架构以实现高可用性和性能 |
正在寻找最有效的入门方式？
无论您是寻求成本节约、降低管理开销还是开源，InfluxDB 都能提供帮助。
Datadog 概览
Datadog 是一个监控和分析平台，它集成了基础设施监控、应用程序性能监控 (APM) 和日志管理，并实现自动化，以提供对组织整个技术堆栈的统一、实时可观测性。Datadog 成立于 2010 年，已迅速成为云规模监控的首选解决方案，提供基于 SaaS 的功能，使企业能够提高敏捷性、提高效率，并在动态、高规模基础设施中提供端到端可见性。
Apache Druid 概览
Apache Druid 是一个开源实时分析数据库，专为高性能查询和数据摄取而设计。Druid 最初由 Metamarkets 于 2011 年开发，并于 2018 年捐赠给 Apache 软件基金会，因其处理大量数据且延迟低的能力而广受欢迎。Druid 具有独特的架构，结合了时序数据库、搜索系统和列式存储的元素，特别适用于涉及事件驱动数据和交互式分析的用例。
Datadog 在时序数据方面的应用
Datadog 通过其基于指标的架构在处理时序数据方面表现出色。它经过优化，可以收集和分析随时间推移的数据点，例如 CPU 使用率、内存消耗或请求延迟。虽然 Datadog 不是专门的时序数据库，但它集成了长期数据保留、聚合和可视化等功能，使其非常适合监控随时间变化的指标。但是，与 InfluxDB 等专用时序数据库相比，它可能不是大规模实时分析的理想选择。
Apache Druid 在时序数据方面的应用
Apache Druid 专为实时分析而设计，非常适合处理需要在写入后快速分析的时序数据。Druid 还提供集成，用于将历史数据存储在更便宜的对象存储中，以便也可以使用 Druid 分析历史时序数据。
Datadog 关键概念
- Datadog Agent: Datadog Agent 是一个轻量级软件，安装在您的服务器、容器或端点上，用于收集和报告指标、日志和跟踪。它充当您的系统和 Datadog 平台之间的主要桥梁。
- 仪表板: Datadog 中的仪表板提供了一个可自定义的界面，用于可视化指标、日志和跟踪。它们支持各种小部件，包括时序图、仪表和热图，以有意义的方式呈现数据。
- 集成 : Datadog 支持 600 多个集成，以连接各种技术，例如数据库、云提供商和容器编排器。每个集成都会收集相关的指标、日志和事件，并且可能需要通过 Agent 进行特定配置。
- 事件: 事件是通过 Agent、集成或自定义应用程序流式传输到 Datadog 的数据。它们被流式传输到 Datadog，可用于过滤和关联应用程序中正在发生的事情
- 标签 : 标签是分配给指标、日志和跟踪的元数据，用于对数据进行分组、过滤和搜索。有效使用标签（例如环境、区域或服务）对于高效组织和分析数据至关重要。
Apache Druid 关键概念
- 数据摄取: 将数据从各种来源（例如流式或批量数据源）导入 Druid 的过程。
- 段: 段是 Druid 中最小的数据存储单元，是不可变的、分区的和压缩的。
- 数据汇总: 在摄取期间聚合原始数据以减少存储需求并提高查询性能的过程。
- 节点: Druid 的架构由不同类型的节点组成，包括 Historical、Broker、Coordinator 和 MiddleManager/Overlord，每种节点都有特定的职责。
- 索引服务: Druid 的索引服务管理摄取数据、创建段以及将段发布到深度存储的过程。
Datadog 架构
Datadog 采用 SaaS（软件即服务）模型，具有高度分布式、基于云的架构。它使用 Agent 从各种来源收集数据，然后在 Datadog 的云中处理和存储这些数据。该平台支持结构化和非结构化数据，其后端利用现代分布式系统原则来确保可扩展性和可靠性。关键组件包括数据摄取管道、指标存储、日志处理系统和查询引擎。
Apache Druid 架构
Apache Druid 是一个强大的分布式数据存储系统，专为大型数据集上的实时分析而设计。在其架构中，几个核心组件在确保其效率和可扩展性方面发挥着关键作用。以下是 Apache Druid 核心组件的概述。
- Historical Nodes (历史节点) 是 Druid 数据服务能力的基础。它们的主要职责是为查询提供存储数据服务。为了实现这一目标，它们从深度存储加载段，将它们保留在内存中，然后处理对这些段的查询。在考虑部署和管理时，这些节点通常驻留在配备了大量内存和 CPU 资源的计算机上。它们的扩展性显而易见，因为只需添加更多节点即可水平扩展它们。
- Broker Nodes (代理节点) 充当传入查询的网关。它们的主要功能是将这些查询引导到适当的历史节点或实时节点。有趣的是，它们是无状态的，这意味着可以扩展它们以适应查询并发性的增加。
- Coordinator Nodes (协调器节点) 具有管理角色，负责监督历史节点之间的数据分配。它们关于加载或删除哪些段的决定基于特定的可配置规则。在部署方面，Druid 设置通常只需要一个活动的协调器节点，并在备用节点上进行故障转移场景的备份。
- Overlord Nodes (Overlord 节点) 指示摄取任务的分配，将它们定向到中间管理器或索引器节点。它们的部署与协调器节点类似，通常有一个活动的 overlord 和一个用于冗余的备份。
- MiddleManager 和 Indexer Nodes (MiddleManager 和 Indexer 节点) 是 Druid 中数据摄取的主力军。虽然 MiddleManagers 启动用于数据摄取的短期任务，但 indexers 专为长期任务而设计。鉴于它们密集的操作，这些节点需要高 CPU 和内存资源。它们的扩展性很灵活，允许根据数据摄取量进行水平扩展。
- Deep Storage (深度存储) 是一个组件，充当 Druid 的持久存储单元。Druid 与各种 blob 存储解决方案集成，如 HDFS、S3 和 Google Cloud Storage。
- Metadata Storage (元数据存储) 是关于段、任务和配置的关键元数据的存储库。Druid 与流行的数据库兼容，用于此目的，包括 MySQL、PostgreSQL 和 Derby。
免费时序数据库指南
获取关于备选方案和选择关键要求的全面评估。
Datadog 功能
实时仪表板
Datadog 提供可自定义的实时仪表板，使用户能够在一个地方监控各种指标、跟踪和日志。这种集中视图有助于快速检测和解决问题。这些仪表板是交互式的，可以深入查看细粒度细节，从而促进精确的故障排除和根本原因分析。
自动化警报
Datadog 中的自动化警报可以实时通知团队任何问题或异常。可以微调这些警报以避免噪音和误报，确保只有可操作的见解才能引起注意。它们还可以与 Slack 或 PagerDuty 等第三方通信工具集成，以实现无缝的事件响应。
合成监控
Datadog 的合成监控允许用户模拟用户事务并监控应用程序的正常运行时间、延迟和功能。此功能确保关键端点保持可用且性能良好。
Apache Druid 功能
数据摄取
Apache Druid 支持实时和批量数据摄取，使其能够处理来自各种来源的数据，如 Kafka、Hadoop 或本地文件。凭借内置的数据分区、复制和汇总支持，Druid 确保了高可用性和高效存储。
可扩展性和性能
Druid 设计为水平扩展，为大规模部署提供支持，且性能下降最小。其独特的架构允许快速高效的查询，使其适用于需要低延迟分析的用例。
列式存储
Druid 以列式格式存储数据，与基于行的存储系统相比，可以实现更好的压缩和更快的查询性能。列式存储还允许 Druid 通过仅访问相关列来优化查询。
时间优化索引
Druid 的索引服务创建具有基于时间的分割的段，优化了时序数据的数据存储和检索。此功能显着提高了基于时间的查询的查询性能。数据汇总
Druid 的数据汇总功能在摄取期间聚合原始数据，从而减少存储需求并提高查询性能。此功能对于涉及高基数数据或大量相似数据点的用例尤其有益。
Datadog 用例
基础设施监控
Datadog 的主要用例之一是实时基础设施监控。企业可以在一个地方监控服务器、容器、数据库等。全面的覆盖范围帮助团队快速识别性能瓶颈或可用性问题，从而最大限度地减少停机时间并提高系统可靠性。
应用程序性能监控
Datadog 的 APM 功能使组织能够跟踪请求在应用程序的各种服务和组件之间传递的过程。这对于微服务架构至关重要，在微服务架构中，理解服务之间的交互可能很复杂。它有助于识别可能影响应用程序整体性能的慢速服务。
安全监控
Datadog 通过从各种来源收集日志和指标来协助组织监控安全相关事件。它有助于检测异常活动、未经授权的访问和潜在威胁。通过关联堆栈中的数据，安全团队可以更有效地调查事件。Datadog 的合规性监控功能支持遵守 PCI DSS、HIPAA 和 GDPR 等标准。
Apache Druid 用例
地理空间分析
Apache Druid 提供对地理空间数据和查询的支持，使其适用于涉及基于位置的数据的用例，例如跟踪资产的移动、分析用户位置或监控事件的分布。它有效处理大量地理空间数据的能力使用户能够获得见解并根据位置信息做出数据驱动的决策。
机器学习和人工智能
Druid 的高性能数据处理能力可用于机器学习和 AI 工作流程中的预处理和特征提取。它对实时数据摄取和低延迟查询的支持使其适用于需要实时预测或见解的用例，例如推荐系统或预测性维护。
实时分析
Apache Druid 的低延迟查询和实时数据摄取功能使其成为实时分析用例的理想解决方案，例如监控应用程序性能、用户行为或业务指标。
Datadog 定价模型
Datadog 使用模块化、基于使用量的定价模型，客户根据他们使用的特定产品和数据量付费。定价通常分为不同的产品，如基础设施监控、APM、日志等。每个产品都有自己的定价结构，通常基于主机数量、实例或摄取的数据量。Datadog 提供具有有限功能和数据上限的免费层，以及提供高级功能和更高限制的 Pro 和 Enterprise 层。
Apache Druid 定价模型
Apache Druid 是一个开源项目，因此，它可以免费自托管，无需许可费用。但是，选择自托管 Druid 的组织在部署和运营 Druid 时将产生与基础设施、管理和支持相关的费用。这些成本将取决于组织的具体要求和选择的基础设施，无论是在本地还是在云端。
对于那些喜欢托管解决方案的人，可以使用云服务来提供 Apache Druid 作为托管服务，例如 Imply Cloud。使用托管服务，提供商负责处理基础设施、管理和支持，从而简化了 Druid 的部署和运营。这些托管服务的定价将因提供商和选择的服务层而异，其中可能包括数据存储、查询容量和数据摄取速率等因素。
免费开始使用 InfluxDB
InfluxDB Cloud 是开始存储和分析时序数据的最快方式。
