近年来,随着物联网技术的迅速发展,时间序列数据量出现了迸发式的增幅。股市行情的预测,天气变化的预测,金融分析,人口预测等等,都离不开海量时间序列数据的支持。索引与可视化成为分析这些时间序列数据的先决条件,但是时间序列数据实时产生,数据量动辄达到百万、千万甚至亿万级别,如何完成这样数据量的时间序列数据的存储、索引以及可视化充满了挑战。为了有效利用数据存储空间,时间序列数据存储采用分布式压缩存储结构,对整数、浮点数、布尔值、字符串和时间等不同类型的数据采用不同的压缩算法。每个存储节点采用日志结构化合并树的数据结构组织数据,单机查询性能好。多机查询采用二级索引方案,为数据单独建立倒排索引、前缀树结构,当产生多个数据库的联合查询时,首先通过二级索引过滤数据,减轻数据库压力。查询出的结果数据由于数据量大,维度大,无法直接进行可视化,因此对于同一维度的数据,使用分段聚合近似表示;查询结果如果包含多个维度的数据,则使用降维算法降维后可视化,这里采用随机近邻嵌入降维算法,为避免维度过多引起的拥挤问题,最终采用优化后的基于t分布的随机近邻嵌入算法。以InfluxDB为基础,构建了用于时间序列数据的存储、索引与可视化的原型系统,并基于数据中心的硬盘监测数据进行了测试。测试结果表明:该系统对上亿时序数据查询均在秒级得到查询结果,系统具有良好的查询性能。