随着各种互联网服务和工业物联网的飞速发展,其生成的时序数据规模不断扩大,给时序数据的存储管理带来了巨大压力。在实际生产环境中,时间序列的数量连年成倍增长,传统数据库的磁盘吞吐率会逐渐成为其整体性能瓶颈,为了保证数据库系统的读写性能,使用内存缓存近期数据,搭配磁盘持久存储成了当前的主流应对方案。而随着数据量的持续增长,系统内存开销不断增加,集群需要频繁进行扩展,导致系统运行和维护成本也在持续增加。数据压缩作为一种节约存储开销的常用技术,虽然能够实现不错的压缩比或吞吐率,但为了优先保证数据库系统的读写性能,时序数据库通常会限制数据压缩过程,即无法支持时序数据的实时压缩和解压。为了解决上述不足,基于CUDA设计并实现了一种并行压缩通用框架GFPC（General Framework for Parallel Compression）,能够利用GPU实现时序数据的并行压缩,加速数据的压缩和解压过程,并且GFPC与压缩算法之间高度解耦,能够适应多种压缩算法。其中GFPC架构主要可以分为数据划分模块、计算模块、数据合并模块共三个部分,分别负责数据块的分割、压缩和解压、合并等任务,并通过数据并行的方式来对时序数据的压缩和解压过程实现加速。此外,基于对时序数据中各个类型数值序列的数据特征分析结果,在GFPC架构上实现了多种时序数据无损压缩算法,相比于传统的压缩方案不论是压缩比还是吞吐率都有明显性能提升。实验结果表明,基于GFPC的时序数据压缩算法在GTX 1050上最多能将测试数据集压缩到原来的1/30,同时压缩和解压吞吐率能够维持在GB/s级别。相比于Gorilla压缩算法,压缩比提升最多可以达到50%以上,而压缩和解压的加速比平均能达到3.5倍。