Gestione di Serie Temporali con TimescaleDB: un'analisi sperimentale

Nell'attuale contesto della gestione di grandi volumi di dati temporali, le serie temporali sono cruciali in molti ambiti, dall'Internet of Things al monitoraggio ambientale e sistemi industriali. Tuttavia, l’alta frequenza e il rapido incremento dei dati pongono sfide di scalabilità, efficienza delle interrogazioni e persistenza. Questa Tesi esplora TimescaleDB, estensione per PostgreSQL progettata per gestire efficientemente le serie temporali, confrontandola con soluzioni tradizionali e specializzate. Si approfondisce l’architettura di TimescaleDB, evidenziando l’approccio ibrido tra database relazionali e strumenti specifici per time series, come hypertable, chunking automatico, ottimizzazioni per query aggregate e compressione. Attraverso un caso di studio basato su dati da un sensore reale, si simula un’applicazione concreta di gestione time series, introducendo le problematiche tipiche del dominio. I test prestazionali sono condotti separatamente su dati artificiali in scenari controllati per analizzare scalabilità, tempi di risposta, efficienza e compressione. I risultati evidenziano l’efficienza di TimescaleDB nell’elaborazione e compressione di grandi volumi, anche con elevato carico. L’obiettivo è comprendere vantaggi, limiti e implicazioni pratiche nell’adozione di TimescaleDB per la gestione di serie temporali a lungo termine. Infine, si presentano considerazioni conclusive e sviluppi futuri, con attenzione all’evoluzione delle tecnologie per dati temporali su larga scala.