[AWS] Timestream: 시계열 DB (LiveAnalytics + InfluxDB)

Amazon Timestream, AWS Timestream, Timestream, Timestream for LiveAnalytics, Timestream for InfluxDB, TSDB on AWS, 시계열 데이터베이스

정의

Amazon Timestream 은 AWS 의 관리형 시계열 데이터베이스 (Time-Series Database). 2024년부터 두 가지 별도 제품:

• Timestream for LiveAnalytics - 서버리스, SQL, 초기 Timestream 원류
• Timestream for InfluxDB - 관리형 InfluxDB v2.x (Flux/InfluxQL)

시계열 데이터의 특성:

• Append-only (수정 거의 없음)
• 시간 순 조회 (최근 데이터 조회 빈도 압도적)
• 대량 인제스션 (초당 수백만 포인트)
• Aggregation / rollup 이 표준 쿼리
• 오래된 데이터는 저해상도로 압축 (downsampling)

일반 Postgres / DynamoDB 로도 가능하지만, 시계열 전용 저장/쿼리 최적화가 없어 규모가 커지면 비쌈/느림.

두 제품 비교

축	Timestream for LiveAnalytics	Timestream for InfluxDB
아키텍처	서버리스, memory + magnetic 티어	관리형 InfluxDB v2 인스턴스
쿼리 언어	SQL (Timestream 방언)	Flux, InfluxQL
인스턴스	없음 (서버리스)	db.influx.medium ~ db.influx.24xlarge
오픈소스 호환	X (AWS 전용)	O (InfluxDB v2 호환)
write 성능	자동 확장	인스턴스 크기
쿼리 지연	수백 ms	한 자릿수 ms
최대 저장	사실상 무제한 (magnetic)	최대 16 TiB / instance
Multi-AZ	자동	옵션
과금	write / query / storage 단위	인스턴스 시간 + 스토리지
적합	IoT 대규모, DevOps 모니터링, AWS 네이티브	기존 InfluxDB 사용자, 저지연 필요

Timestream for LiveAnalytics (원류, 서버리스)

스토리지 티어

두 계층 자동 이동.

티어	위치	지연	보존
Memory Store	인메모리	매우 낮음	시간 - 일 (설정)
Magnetic Store	자기 저장	낮음	일 - 년 (설정, 최대 200년)

• 새 데이터 -> Memory Store 로
• Memory 보존 기간 지나면 자동으로 Magnetic 으로 티어링
• 쿼리는 두 티어를 투명하게 조회

데이터 모델

Database
└── Table
    └── Record
        ├── Dimensions (메타) : device_id, region, ...
        ├── Measure (측정)    : temperature=25.3
        └── Timestamp

Write 예제

import boto3
client = boto3.client('timestream-write')

client.write_records(
    DatabaseName='iot',
    TableName='sensor_readings',
    Records=[{
        'Dimensions': [
            {'Name': 'device_id', 'Value': 'sensor-42'},
            {'Name': 'region', 'Value': 'seoul'},
        ],
        'MeasureName': 'temperature',
        'MeasureValue': '25.3',
        'MeasureValueType': 'DOUBLE',
        'Time': str(int(time.time() * 1000)),
        'TimeUnit': 'MILLISECONDS',
    }]
)

멀티 측정 (Multi-measure): 한 레코드에 여러 측정값을 담아 쓰기.

Query 예제

-- 최근 1시간 device 별 평균 온도
SELECT
  device_id,
  BIN(time, 5m) AS bin,
  AVG(measure_value::double) AS avg_temp
FROM iot.sensor_readings
WHERE measure_name = 'temperature'
  AND time > ago(1h)
GROUP BY device_id, BIN(time, 5m)
ORDER BY bin DESC;

-- Interpolation (누락 보간)
SELECT INTERPOLATE_LINEAR(
  CREATE_TIME_SERIES(time, measure_value::double),
  SEQUENCE(ago(1h), now(), 1m)
)
FROM iot.sensor_readings
WHERE device_id = 'sensor-42' AND measure_name = 'temperature';

-- 이동 평균
SELECT time, measure_value::double,
       AVG(measure_value::double) OVER (
         PARTITION BY device_id
         ORDER BY time ROWS BETWEEN 10 PRECEDING AND CURRENT ROW
       ) AS moving_avg
FROM iot.sensor_readings
WHERE device_id = 'sensor-42' AND time > ago(1d);

시계열 특화 함수:

• BIN(time, INTERVAL) - 시간 버킷
• INTERPOLATE_LINEAR / CUBIC / LOCF - 보간
• CREATE_TIME_SERIES - 배열로 변환
• PARTIAL_APPROX_DISTINCT - 근사 distinct

요금 (LiveAnalytics)

항목	요금 (us-east-1, 2026)
Write	~$0.50 / 1M writes (1 KB)
Memory Store	~$0.036 / GB-시간 (매우 비쌈)
Magnetic Store	~$0.03 / GB-월
Query	~$0.01 / GB scanned (10 MB 최소)

최적화:

• Memory store 보존을 최소로 (실시간 쿼리 필요 만큼만)
• Magnetic 으로 빨리 티어링
• Multi-measure 쓰기 (write 수 절감)
• 쿼리 결과 캐싱

Timestream for InfluxDB (2024+)

관리형 InfluxDB v2. 오픈소스 InfluxDB 를 AWS 가 완전 관리.

특징

• InfluxDB v2.7 (2026 기준)
• Flux + InfluxQL 지원
• Line Protocol 로 write (InfluxDB 표준)
• Organizations + Buckets 모델 (InfluxDB 네이티브)
• 관리형: 백업, SW 업데이트, Multi-AZ
• 인스턴스: db.influx.medium ~ db.influx.24xlarge
• 스토리지: 3K / 12K / 16K IOPS 티어, 최대 16 TiB

Write (Line Protocol)

sensor,device=sensor-42,region=seoul temperature=25.3,humidity=60 1706600000000000000

from influxdb_client import InfluxDBClient, Point

client = InfluxDBClient(url="https://ts-influx-xxx.timestream-influxdb.amazonaws.com:8086",
                        token=TOKEN, org="my-org")

point = Point("sensor") \
    .tag("device", "sensor-42") \
    .tag("region", "seoul") \
    .field("temperature", 25.3) \
    .field("humidity", 60)

client.write_api().write(bucket="iot", record=point)

Query (Flux)

from(bucket: "iot")
  |> range(start: -1h)
  |> filter(fn: (r) => r._measurement == "sensor" and r._field == "temperature")
  |> group(columns: ["device"])
  |> aggregateWindow(every: 5m, fn: mean)

요금 (InfluxDB)

• 인스턴스 시간 (db.influx.medium: ~$0.09/hr,‘db.influx.24xlarge‘:$5.6/hr)
• 스토리지 GB-월
• 데이터 전송 표준

vs LiveAnalytics 비용 감각:

• 인스턴스 기반 = 사용량 무관 고정
• LiveAnalytics 는 write/query 볼륨 기반
• 워크로드 예측 후 선택

언제 무엇을 쓰나

시나리오	선택
AWS 네이티브 + IoT 대규모 write	LiveAnalytics
DevOps/APM 모니터링 대시보드	InfluxDB (Grafana 통합 우수)
기존 InfluxDB 마이그레이션	InfluxDB
서버리스, 트래픽 예측 불가	LiveAnalytics
저지연 (< 10 ms) 쿼리	InfluxDB
200년 보존이 필요한 규제	LiveAnalytics (magnetic)
Flux / InfluxQL 코드 재사용	InfluxDB
Timestream SQL 로 Athena 스타일 쿼리	LiveAnalytics

대안 시계열 저장

옵션	특징
Timestream (both)	관리형
Postgres + TimescaleDB	오픈소스 확장, SQL
ClickHouse	컬럼형 OLAP, 매우 빠름, 셀프 호스팅
Prometheus	모니터링 표준 (단기 저장)
VictoriaMetrics	Prometheus 호환, 장기 저장
OpenSearch (Metrics)	로그와 통합
S3 + Parquet + Athena	대규모 저비용, 배치

결정 기준: 실시간성 / 규모 / 예산 / 팀 익숙도.

데이터 인제스션 패턴

flowchart LR
    IoT["IoT 디바이스<br/>수만 개"] --> Kinesis["Kinesis Data Streams"]
    Kinesis --> Flink["Managed Flink<br/>(집계/필터)"]
    Flink --> TS["Timestream<br/>LiveAnalytics"]

    Grafana --> TS
    QS[QuickSight] --> TS
    Custom[커스텀 앱] --> TS

    TS --> SM["SageMaker<br/>(이상 감지 학습)"]

통합

서비스	통합
AWS IoT Core	규칙으로 직접 write
Kinesis	Firehose / Managed Flink 통해
Grafana	데이터 소스 플러그인
QuickSight	데이터 소스
Telegraf	InfluxDB / LiveAnalytics 둘 다
SageMaker	이상 감지 학습 데이터
CloudWatch	시스템 메트릭 -> Timestream
JDBC	BI 도구 (LiveAnalytics)

함정

관련 위키

• Kinesis Data Streams - 인제스션 pipeline
• Managed Flink - 실시간 집계
• DynamoDB - NoSQL 대안 (덜 최적화)
• Athena - 배치 시계열 (S3 + Parquet)
• RDS / Postgres - TimescaleDB 대안
• CloudWatch - AWS 자체 모니터링
• ETL - 데이터 파이프라인