如果有人能阐明HBase作为OpenTSDB的数据存储引擎的选择，我将不胜感激？
考虑了其他哪些选择，如Whisper（石墨前端+碳持久性）？
像HBase这样的面向列的数据库是如何更好地选择时间序列数据的？
我选择HBase是因为它可伸缩。Whisper很像RRD，它是一个固定大小的数据库，它必须销毁数据才能在其空间限制内工作。HBase提供了以下特性，使其非常适合大型时间序列数据库：
- 线性缩放想要存储数据吗？添加更多节点。在我编写OpenTSDB的StumbleUpon，我们的时间序列数据位于一个20节点的集群中，该集群主要用于分析和批处理。集群很快增长到120个节点，同时OpenTSDB（仅占集群工作负载的一小部分）增长到了半个万亿数据点
- 自动复制您的数据存储在HDFS中，默认情况下，这意味着3台不同机器上有3个副本。如果一台机器或驱动器坏了，没什么大不了的。当你构建商品服务器时，驱动器和机器总是会消亡。但问题是：你其实并不在乎
- 高效扫描大多数时间序列数据用于回答诸如"时间X和Y之间的数据点是什么"之类的问题。如果你的密钥结构正确，你可以用HBase通过简单的扫描操作非常有效地实现这一点
- 高写吞吐量HBase遵循的Bigtable设计使用LSM树，而不是B树，以降低写入成本（以可能更昂贵的读取为代价）
HBase是面向列的，这一事实并不像它是一个真正可扩展的大型排序键值系统那样重要。
所有基于RRD和源自RRD的工具都无法满足以非常便宜的价格（每个数据点只有几个字节的实际磁盘空间）准确地永远存储数十亿个数据点的规模要求。