常见的时序数据压缩方法有哪些？

常见的压缩方法基本都是支持单模式，或者有限的偏static的模式进行数据的压缩。很多为了提高压缩率，都用了 bit-packing (甚至有损压缩），但对越来越广泛使用的并行计算不太友好。具体方法如下：

a) Snappy：对整数或字符串进行压缩，主要用了长距离预测和游程编码（RLE），广泛的应用包括 Infuxdb。

b) Simple8b：先对数据进行前后 delta 处理，如果相同用RLE编码；否则根据一张有 16 个 entry 的码表把 1 到 240 个数（每个数的 bits 根据码表）pack 到 8B 为单位的数据中，有广泛的应用包括 Infuxdb。

c) Compression planner：引入了一些 general 的压缩 tool 如 scale, delta, dictionary, huffman, run length 和 patched constant 等，然后提出了用静态的或动态办法组合尝试这些工具来进行压缩；想法挺新颖但实际性能会是个问题。

d) ModelarDB：侧重在有损压缩，基于用户给定的可容忍损失进行压缩。基本思想是把维护一个小 buff，探测单前数据是否符合某种模式（斜率的直线拟合），如果不成功，切换模式重新开始buff等；对支持有损的 IoT 领域比较合适。

e) Sprintz：也是在 IoT 领域效果会比较好，侧重在 8/16 bit 的整数处理；主要用了 scale 进行预测然后用 RLC 进行差值编码并做 bit-level 的 packing。

f) Gorilla：应用在 Facebook 高吞吐实时系统中的当时 sofa 的压缩算法，进行无损压缩，广泛适用于 IoT 和云端服务等各个领域。它引入 delta-of-delta 对时间戳进行处理，用 xor 对数据进行变换然后用 Huffman 编码及 bit-packing。示例图如下所示。

g) MO：类似 Gorilla，但去掉了 bit-packing，所有的数据操作基本都是字节对齐，降低了压缩率但提供了处理性能。