QuestDB Time Series กับ Technical Debt

QuestDB คืออะไร

QuestDB เป็น Time Series Database แบบ Open-source ที่ออกแบบมาเพื่อประสิทธิภาพสูงสุด เขียนด้วย Java และ C++ ใช้ Memory-mapped Files และ SIMD Instructions สำหรับ Query ที่เร็วมาก รองรับ SQL ทำให้เรียนรู้ง่ายไม่ต้องเรียนภาษาใหม่

เนื้อหาเกี่ยวข้อง — PHP Pest Testing RBAC ABAC Policy — คู่มือฉบับสมบูรณ์ 2026

จุดเด่นคือ Ingestion Speed ที่สูงมาก (หลายล้าน rows/second), SQL Query ที่คุ้นเคย, Built-in Web Console สำหรับ Query และ Visualization, รองรับหลาย Protocol (InfluxDB Line Protocol, PostgreSQL Wire, REST API) และ Partitioning อัตโนมัติตามเวลา

เนื้อหาเกี่ยวข้อง — GCP Vertex AI Architecture Design Pattern

Setup และ SQL Queries

# === QuestDB Setup ===

# Docker
docker run -d --name questdb \
  -p 9000:9000 \
  -p 9009:9009 \
  -p 8812:8812 \
  -v questdb_data:/var/lib/questdb \
  questdb/questdb:latest

# เข้า Web Console: http://localhost:9000

# === SQL — สร้าง Table ===
CREATE TABLE metrics (
  host SYMBOL CAPACITY 256 CACHE,
  metric SYMBOL CAPACITY 1024 CACHE,
  value DOUBLE,
  tags STRING,
  timestamp TIMESTAMP
) TIMESTAMP(timestamp) PARTITION BY DAY
  WAL
  DEDUP UPSERT KEYS(timestamp, host, metric);

CREATE TABLE trades (
  symbol SYMBOL CAPACITY 256 CACHE,
  side SYMBOL CAPACITY 2 CACHE,
  price DOUBLE,
  quantity DOUBLE,
  timestamp TIMESTAMP
) TIMESTAMP(timestamp) PARTITION BY HOUR;

CREATE TABLE iot_sensors (
  device_id SYMBOL CAPACITY 10000 CACHE,
  sensor_type SYMBOL CAPACITY 100 CACHE,
  value DOUBLE,
  battery_pct DOUBLE,
  location_lat DOUBLE,
  location_lon DOUBLE,
  timestamp TIMESTAMP
) TIMESTAMP(timestamp) PARTITION BY DAY;

# === SQL — Query Examples ===

# 1. ค่าเฉลี่ย CPU ทุก 5 นาที
SELECT
  host,
  avg(value) AS avg_cpu,
  max(value) AS max_cpu,
  min(value) AS min_cpu,
  count() AS samples
FROM metrics
WHERE metric = 'cpu_usage'
  AND timestamp > dateadd('h', -1, now())
SAMPLE BY 5m
ALIGN TO CALENDAR;

# 2. Moving Average สำหรับ Stock Price
SELECT
  symbol,
  timestamp,
  price,
  avg(price) OVER (
    PARTITION BY symbol
    ORDER BY timestamp
    ROWS BETWEEN 19 PRECEDING AND CURRENT ROW
  ) AS ma20,
  avg(price) OVER (
    PARTITION BY symbol
    ORDER BY timestamp
    ROWS BETWEEN 49 PRECEDING AND CURRENT ROW
  ) AS ma50
FROM trades
WHERE symbol = 'BTCUSDT'
  AND timestamp > dateadd('d', -7, now());

# 3. ASOF JOIN — จับคู่ข้อมูลตามเวลาใกล้สุด
SELECT
  t.timestamp, t.symbol, t.price,
  m.value AS cpu_at_trade_time
FROM trades t
ASOF JOIN metrics m ON (m.host = 'trading-server-1'
  AND m.metric = 'cpu_usage');

# 4. LATEST ON — ค่าล่าสุดของแต่ละ Device
SELECT * FROM iot_sensors
LATEST ON timestamp
PARTITION BY device_id;

# 5. Data Retention — ลบข้อมูลเก่ากว่า 30 วัน
ALTER TABLE metrics DROP PARTITION
  WHERE timestamp < dateadd('d', -30, now());

Technical Debt Checklist สำหรับ Time Series DB

# ts_debt_audit.py — Technical Debt Audit สำหรับ Time Series Systems
debt_checklist = {
    "Schema Design": [
        ("ใช้ SYMBOL type สำหรับ Low-cardinality Columns", True),
        ("มี Timestamp Column และ PARTITION BY ที่เหมาะสม", True),
        ("ไม่มี Wide Tables (> 50 columns)", False),
        ("มี Deduplication Strategy", True),
    ],
    "Data Retention": [
        ("มี Retention Policy อัตโนมัติ", False),
        ("กำหนดระยะเวลาเก็บข้อมูลสำหรับแต่ละ Table", False),
        ("มี Downsampling สำหรับข้อมูลเก่า", False),
    ],
    "Query Optimization": [
        ("ใช้ SAMPLE BY แทน GROUP BY สำหรับ Time Aggregation", True),
        ("ใช้ LATEST ON สำหรับดึงค่าล่าสุด", True),
        ("มี Index สำหรับ Columns ที่ Filter บ่อย", False),
        ("ไม่มี SELECT * ใน Production Code", True),
    ],
    "Ingestion Pipeline": [
        ("ใช้ ILP (InfluxDB Line Protocol) สำหรับ High-throughput", True),
        ("มี Batch Ingestion (ไม่ส่งทีละ Row)", True),
        ("มี Error Handling และ Retry Logic", False),
        ("มี Backpressure Handling", False),
        ("มี Dead Letter Queue สำหรับ Failed Records", False),
    ],
    "Monitoring": [
        ("ติดตาม Ingestion Rate", True),
        ("ติดตาม Query Latency", False),
        ("ติดตาม Disk Usage", True),
        ("มี Alert สำหรับ Ingestion Failures", False),
        ("มี Dashboard สำหรับ DB Performance", False),
    ],
    "Operations": [
        ("มี Backup Strategy", False),
        ("มี Disaster Recovery Plan", False),
        ("มี Capacity Planning", False),
        ("Documentation ครบถ้วน", False),
    ],
}

print("Time Series DB — Technical Debt Audit")
print("=" * 55)

total = 0
done = 0
for category, items in debt_checklist.items():
    ready = sum(1 for _, ok in items if ok)
    total += len(items)
    done += ready
    pct = ready / len(items) * 100
    print(f"\n[{category}] {ready}/{len(items)} ({pct:.0f}%)")
    for desc, ok in items:
        mark = "v" if ok else "x"
        print(f"  [{mark}] {desc}")

overall = done / total * 100
print(f"\nOverall: {done}/{total} ({overall:.0f}%)")
print(f"Status: {'Good' if overall >= 80 else 'Needs Work' if overall >= 50 else 'Critical'}")

Best Practices

• SYMBOL สำหรับ Tags: ใช้ SYMBOL type สำหรับ Columns ที่มี Low Cardinality เช่น host, metric_name เร็วกว่า STRING มาก
• Partitioning: เลือก Partition Size ที่เหมาะสม DAY สำหรับข้อมูลไม่มาก HOUR สำหรับ High-frequency Data
• SAMPLE BY: ใช้ SAMPLE BY แทน GROUP BY + date_trunc สำหรับ Time-based Aggregation เร็วกว่ามาก
• Data Retention: ตั้ง Retention Policy ลบ Partition เก่าอัตโนมัติ ป้องกัน Disk Full
• Batch Ingestion: ส่งข้อมูลเป็น Batch ไม่ใช่ทีละ Row ใช้ ILP สำหรับ High-throughput
• Monitoring: ติดตาม Ingestion Rate, Query Latency, Disk Usage ตั้ง Alert

QuestDB คืออะไร

Time Series Database แบบ Open-source ที่เร็วมาก ใช้ SQL Query ได้ รองรับ InfluxDB Line Protocol, PostgreSQL Wire Protocol, REST API ประสิทธิภาพสูงกว่า InfluxDB และ TimescaleDB ในหลาย Benchmark

แนะนำเพิ่มเติม — คู่มือเทรดจาก SiamCafeBook

เนื้อหาเกี่ยวข้อง — AWS Bedrock AI Load Testing Strategy