在表格存储的数据模型这篇文章中提到：
在表格存储内部，一个表在创建的时候需要定义主键，主键会由多列组成，我们会选择主键的第一列作为分片键。当表的大小逐渐增大后，表会分裂，由原来的一个分区自动分裂成多个分区。触发分裂的因素会有很多，其中一个很关键的因素就是数据量。分裂后，每个分区会负责某个独立的分片键范围，每个分区管理的分片键范围都是无重合的，且范围是连续的。在后端会根据写入数据行的分片键的范围，来定位到是哪个分片。
表会以分区为单位，被均匀的分配到各个后端服务器上，提供分布式的服务。
在表格存储的最佳实践中提出，一个设计良好的主键，需要避免访问压力集中在一个小范围的连续的分片键上，也就是说避免热点分片。设计良好的表结构，整张表的访问压力能够均匀的分散在各个分片上，这样才能充分利用后端服务器的能力。
那在使用表格存储来存储时间序列数据时，我们应该如何设计表的结构，避免热点分片的问题？
假设我们需要设计一张表，用于存储监控信息，监控信息包括：时间戳（timestamp）、监控指标名称（metric）、主机名（host）和监控指标值（value）。而我们的查询场景为，指定监控指标名称和时间范围，查询该监控指标的所有值。通常我们会这样设计我们的表结构：
表设计一：
该设计以metric列为分片键，能够满足查询的场景，但是有很严重的分片热点问题。假设一个metric下每秒采集一个点，而我们有上百台设备，则该分片每秒需要能够提供上百的写入能力，这点也没有问题。但是由于使用了metric作为分片键，metric的值为常量，随着数据量的上涨，其无法再进行分裂，会导致该分片下的数据量不断膨胀，可能超过一台物理机所能承受的上限，存在分片数据量的热点。
为了解决这个问题，我们对分片键做一个调整：
表设计二：
我们将第一列主键和第二列主键合并为一列主键作为分片键，在数据的分布模式上并没有什么变更，但是引入了时间这个维度后，我们避免了分片数据量的热点。但是当host规模变大，从上百膨胀到上万，则该张表需要每秒提供上万并发的写入能力。我们需要将该表的写入压力均匀的分散到各个分片上，但是由于其数据的特点，每次写入的数据都是最新时间的数据，其写入压力永远集中在最新时间戳所在的分片上。
为了将写入压力均匀的分散到分片上，我们再对表做一个重新设计：
表设计三：
我们引入一个新的列 - bucket，在每行数据写入前，为每行数据分配一个桶（可随机分配），以桶的编号为分片键（HBase中有类似的解决方案，称为salted key）。桶的个数任意，可扩张，在写入之前将数据预分桶之后，也就解决了写入压力热点的问题，因为写入压力永远是均匀分配在各个桶上的。可根据具体的写入压力，决定桶的个数。
数据分桶后，如果需要读取完整的数据，需要在每个桶内都分别执行一遍查询后将数据进行汇总，可以使用我们SDK提供的异步接口，来并行的查询每个桶，提高查询的效率。
总结
在时间序列存储的场景，例如监控数据或者日志数据，通常比较难解决的是写入的问题，传统的数据库难以承载如此大数据量、高并发的写入压力。
表格存储能够提供非常优秀的写入能力，在阿里内部得到到了正好的实践和证明。但是若要发挥其强度的写入能力，需要有一个良好的表结构设计。
本篇文章给出了一个存储时间序列数据库的最佳实践，供参考。但表结构设计并不是千篇一律的，需要根据不同的业务场景设计做灵活的调整，欢迎一起探讨。
