DolphinDB成为首批通过国家安全可靠测评的时序数据库：技术实力与行业价值深度解读

2026年5月26日中国信息安全测评中心与国家保密科技测评中心联合发布了《安全可靠测评结果公告2026年第2号》。在这份承载着关键行业技术选型风向标意义的公告中时序数据库领域迎来了标志性的一刻DolphinDB数据库软件V2.0以I级安全可靠等级成为首批通过国家安全可靠测评的时序数据库软件。这一结果的背后是智臾科技在核心技术能力、安全保障能力、持续发展能力以及关键行业应用能力等方面持续深耕的集中体现。安全可靠测评是国家对关键信息基础设施领域软硬件产品进行的系统性技术审查其目的在于筛选出真正具备自主知识产权、技术先进、安全可靠的国产产品为政务、金融、能源、电信等关键行业的国产化替代提供权威技术依据。对于时序数据库这一细分领域而言DolphinDB首批通过测评的意义尤为特殊它标志着国产时序数据库产品已经具备了支撑关键行业核心系统的技术成熟度与工程可靠性为金融、电力、能源、制造等领域的国产化替代提供了权威背书。一、数字化转型中的三大核心痛点理解DolphinDB通过测评的深层意义需要回到当前数字化转型中的核心痛点。1.1 数据规模的指数级膨胀与处理能力的结构性错配过去十年间全球数据总量以年均超过25%的速度增长而在金融交易、电力调度、工业制造、物联网监测等关键领域时序数据的增长尤为迅猛。以金融行业为例一家头部券商每日产生的行情数据、交易数据、风控数据可达数十TBpeak时段每秒需要处理数百万条tick级数据。传统关系型数据库在时序数据的写入吞吐、压缩效率、时间窗口查询等方面早已力不从心。当数据规模从GB级跃升至PB级当响应延迟从秒级压缩至毫秒级底层数据库的架构设计、存储引擎、计算模型都必须进行根本性重构。1.2 研究-生产割裂与流批分离的架构困境工业物联网场景的痛点则更为复杂。一个中型智能制造工厂可能部署数万个传感器每秒产生百万级的数据点。这些数据不仅需要被高效存储更需要被实时分析以支撑预测性维护、质量控制和产能优化。然而传统的数据架构往往将实时流数据与历史批量数据割裂处理消息队列和流计算引擎负责实时侧数据仓库和批处理引擎负责历史侧。两套系统、两种语义、两份代码不仅带来了巨大的开发与运维成本更导致了研究环境与生产环境之间的断层。数据科学家在离线环境中训练好的模型无法直接部署到在线流处理系统中工程师在仿真环境中验证有效的控制策略难以无缝迁移到实际产线。这种研究-生产的割裂在智能制造和能源调度场景中造成了严重的效率损耗与决策延迟。1.3 安全可控与供应链韧性的刚性要求近年来国际技术环境的不确定性显著增加关键行业对信息技术产品的自主可控要求从可选项变为必选项。这不仅仅是替换国外产品的简单替代更涉及到底层指令集、操作系统、数据库、中间件等全栈技术的国产化适配与深度优化。对于时序数据库而言能否在国产CPU架构上保持高性能运行能否与国产操作系统深度集成能否在信创环境中提供与x86平台一致的功能体验这些都是衡量其产品成熟度的重要标尺。在金融、电力、政务等对数据安全零容忍的领域任何底层技术的不可控都可能演变为系统性风险。图1 安全可靠测评结果公告2026年第2号二、安全可靠测评到底在测什么国家安全可靠测评体系的建立正是为了系统性地回应上述时代命题。该测评从四个维度对产品进行系统性审查• 核心技术能力源代码自主率、架构先进性、性能指标是否达到行业领先水平。对于数据库产品这意味着存储引擎、查询优化器、事务机制等核心模块必须自主研发而非基于开源代码的简单封装。• 安全保障能力数据加密、访问控制、审计追溯等安全机制是否满足关键行业要求。在金融、政务等场景中数据泄露的代价是巨大的安全不是可选项而是必选项。• 持续发展能力研发投入占比、生态建设进度、人才储备规模等长期发展指标。测评不仅看当下更看未来——产品是否有持续迭代的能力。• 关键行业应用能力产品在金融、能源、政务等关键领域的实际落地效果。纸上谈兵不行必须有真实的生产环境验证。时序数据库作为工业物联网、金融量化交易等场景的核心数据基础设施其测评标准需要充分考虑高频数据写入、实时计算、海量存储等差异化需求。DolphinDB能够成为首批通过测评的时序数据库说明其在这些维度上确实做到了位。能够进入首批通过名单意味着产品在架构设计、代码质量、安全机制、供应链韧性以及实际场景验证等方面均达到了国家权威机构的严格标准。三、技术拆解DolphinDB凭什么能通过通过测评不是终点而是对DolphinDB技术实力的背书。让我们从架构层面拆解其核心能力。3.1 高性能分布式存储引擎PB级时序数据的毫秒级响应面对海量时序数据处理的挑战DolphinDB在基础架构层面展现出针对性的技术能力。其高性能分布式存储引擎实现了PB级时序数据的高效组织与毫秒级查询响应。与传统数据库采用行存储或通用列存储不同DolphinDB采用面向时序数据特性的专用存储格式通过时间分区、数据压缩、预聚合索引等机制将存储成本降低一个数量级的同时将查询性能提升数个量级。在金融高频交易场景中这意味着行情数据的回溯分析可以在秒级完成在工业设备监控场景中这意味着数万传感器的实时状态查询可以保持在毫秒级响应。3.2 存算一体消灭数据搬运的性能杀手传统数据库架构的最大性能损耗往往不在计算本身而在数据搬运。数据从存储节点搬到计算节点经过序列化、反序列化、网络传输延迟就这样一层层叠加。DolphinDB的存算一体架构Data Localization让计算任务直接下推到存储节点执行。数据在哪里计算就在哪里没有跨节点网络传输和序列化开销。在电力物联网的压力测试中面对单机百万级测点写入实现了写入不阻塞、查询毫秒级将复杂算法的延迟从秒级压缩到毫秒级。这种设计的另一个好处是扩展性——存储与计算不再各自为政节点增减时自动均衡负载运维复杂度大幅降低。3.3 流批一体一套代码搞定实时与历史流批一体的架构设计是解决研究-生产割裂问题的关键路径。DolphinDB通过统一的编程模型和计算引擎同一套数据处理逻辑既可以应用于历史批量数据的离线分析也可以无缝迁移到实时数据流的在线处理。在金融领域量化研究员开发的因子计算逻辑无需重写即可部署到实盘交易系统中在工业领域基于历史数据训练的故障预测模型可以直接接入实时产线数据进行在线推理。这种一次开发、多处运行的能力不仅大幅降低了研发成本更从根本上消除了因代码不一致导致的模型漂移风险。某离散制造企业的实践显示采用DolphinDB流批一体架构后设备综合效率OEE的统计时效从 T1 变为当班内可见。对于生产管理而言这意味着从事后复盘到事中干预的转变。3.4 全栈计算与AI原生融合2000内置函数赋能智能分析工业数据分析的复杂度远超简单的求和计数。设备故障诊断需要频域分析FFT、小波变换工艺优化需要多元回归、时间序列预测质量检测需要图像识别与信号处理的融合。DolphinDB内置了 2000 多个数据处理与计算分析函数覆盖从基础统计到高级时序分析的全谱系。更重要的是DolphinDB原生支持 AI 推理张量数据类型允许直接在数据库内部存储和运算多维张量无需导出到外部 Python 环境模型插件化支持加载 libTorch、XGBoost、LightGBM 等主流框架训练的模型数据流经过时实时完成推理特征工程内置功能则使滑动窗口特征、滞后特征、交叉特征等工业常用方法均可通过内置函数一键生成。这意味着一条完整的数据清洗→特征提取→模型推理→决策输出链路可以在DolphinDB内部闭环完成解决了从实验室到生产线的最后一公里难题。3.5 多模融合打破数据孤岛真实的工业业务从来不是纯时序数据的独角戏。一台设备的完整画像既包括传感器的时序数据温度、压力、振动也包括关系型台账数据设备型号、维保记录还可能包括半结构化的日志数据。DolphinDB支持多模存储引擎TSDB、OLAP、IMOLTP允许时序数据与关系型数据在同一平台内进行联合查询。这种多模协同能力彻底消除了跨库 Join 的性能损耗和数据一致性风险。图2 DolphinDB技术架构全景四、实战验证国家级项目的压力测试DolphinDB不是在实验室里跑分而是在国家级重大工程和关键行业场景中真刀真枪干出来的。4.1 能源行业百万测点的毫秒级守护国内最大水电企业之一部署了 200 余万测点日增几百亿行数据。原有Flink Java架构在多测点关联查询时存在严重性能瓶颈。采用DolphinDB后多源数据关联查询响应从分钟级缩至秒级复杂分析任务处理效率提升 5-6 倍故障预警实现毫秒级事前预警。对于水电站这样的关键基础设施而言预警快一秒可能就意味着避免一次重大事故。4.2 核电安全分析效率的十倍提升核电站数据监控系统的安全要求极高传统方案分析效率低无法满足快速决策需求。利用DolphinDB的一站式分析能力与内置机器学习组件替代原有的混合技术栈分析效率提升 10 倍为安全决策赢得宝贵时间窗口。4.3 智能制造从半年到数天的工艺优化某钢铁集团焙烧工艺参数调整长期依赖人工经验原有方案下单次产线调整周期长达半年。基于DolphinDB构建机理模型数据模型融合的实时参数寻优系统后产线调整周期压缩至数天物料浪费减少方案复用率达 90%。4.4 金融核心从行情到风控的实时闭环在金融核心业务场景中DolphinDB需要承载的不仅是海量数据的存储与查询更是复杂业务逻辑的实时计算。从行情数据的实时接入、清洗、聚合到量化因子的毫秒级计算与策略回测再到组合风险的实时监控与预警每一个环节都对系统的性能、稳定性和准确性提出了极高要求。DolphinDB已形成多个面向金融核心场景的垂直解决方案指标平台提供覆盖指标开发、权限管理与展示分析的全生命周期管理能力因子开发管理平台提供从数据处理、因子构建、因子评价到策略回测的一站式支持。这些垂直化能力的沉淀使得金融机构可以在统一的数据底座上快速构建复杂业务逻辑。图3 DolphinDB流批一体一套代码打通实时与历史五、信创生态自主可控的技术底座自主可控不是一句口号而是需要落实到每一行代码、每一个适配细节。DolphinDB作为拥有自主知识产权的国产数据库产品已完成对主流国产 CPU、国产操作系统以及信创环境的全面适配。在硬件层面DolphinDB支持龙芯、鲲鹏、飞腾、海光、兆芯等国产处理器在操作系统层面适配统信 UOS、银河麒麟、中标麒麟、凝思等国产系统。这种适配并非简单的能跑起来而是在国产硬件平台上经过深度优化确保性能表现与功能完整性达到生产环境可用标准。对于正在推进信创替代的关键行业而言这意味着可以在不牺牲业务性能的前提下完成底层技术栈的自主可控升级。从芯片指令集到操作系统内核从数据库引擎到上层应用全栈国产化的技术闭环正在逐步成型。六、安全保障构建完整能力体系在安全保障方面DolphinDB构建了覆盖数据安全、高可用、权限控制、审计追踪与容灾恢复的完整能力体系。集群化部署支持数据、元数据、流数据及客户端的多维度高可用方案保障系统在7x24小时连续运行场景下的稳定服务能力。细粒度权限控制与企业级审计能力可实现用户、角色、数据对象的精细化授权与操作留痕满足金融行业对数据安全和合规治理的严苛要求。值得关注的是DolphinDB在海量数据场景下仍能保证数据一致性的分布式事务机制这在时序数据库领域属于较为稀缺的技术能力对于金融交易、电力调度等对数据准确性零容忍的场景具有关键价值。七、生态建设产品服务社区的完整能力在生态建设方面DolphinDB提供丰富的接口与集成能力。系统支持Python、Java、C等多种开发语言的API接入便于与现有业务系统快速集成。针对工业物联网场景支持MQTT、OPC、OPC UA/DA、Modbus、IEC104等多种工业协议的数据接入可灵活连接不同类型设备与工业控制系统。与此同时与帆软、Grafana、Node-RED、Prometheus、Airflow等主流数据工具的生态协同以及通过插件扩展机器学习、消息队列、云存储等能力帮助企业构建更加灵活、统一的数据技术体系。在人才培养与生态建设方面智臾科技通过高校合作计划、开发者培训认证、技术博客与线上课程等多种形式帮助行业用户和开发者快速掌握DolphinDB能力加速项目实施。活跃的技术社区和线上讨论群组为从业者提供了交流实践案例、解决技术难题、分享行业洞察的持续平台。DolphinDB背后智臾科技在高校蔚蓝计划中的持续投入以及与多所知名高校在讲座、课程开发、人才实训及联合研究等方面的合作正是这种生态建设理念的体现。八、AI融合与未来展望AI能力的内置集成是DolphinDB面向智能化时代的重要演进方向。通过测评的产品在AI层面提供了多维度的技术支撑AI Agent实现自然语言数据检索与分析降低了非技术用户使用数据的门槛基于RAG技术的工业知识库相似性搜索将海量历史经验转化为可查询、可推理的智能资产内置的机器学习算法与XGBoost、LibTorch等插件支持使模型训练与推理可以直接在数据存储层完成避免了大规模数据搬运带来的性能损耗CPU-GPU异构计算平台则将GPU的极致算力应用于工业仿真、参数优化等高性能计算场景。这种数据加AI的深度融合正在重新定义时序数据库的价值边界使其从单纯的数据管理工具进化为智能化决策的核心引擎。展望未来时序数据库的发展将呈现几个明确的趋势。首先是与AI的深度融合——随着大模型和智能体技术的快速发展DolphinDB将不再仅仅是数据的仓库而将成为智能决策系统的神经中枢。其次是边缘-云协同的架构演进在工业物联网场景中大量数据产生于边缘设备如何在边缘侧实现高效的数据预处理与实时分析同时将关键数据同步到云端进行深度挖掘将成为架构设计的重要方向。再次是行业垂直化的解决方案深化通用型时序数据库产品正在向金融、电力、制造等垂直领域延伸形成面向特定场景的业务中间件与垂直解决方案降低行业用户的落地门槛。结语安全可靠测评的通过为行业用户的技术选型提供了权威参考。在关键行业的招投标与采购流程中安全可靠等级已经成为重要的评估维度之一。对于正在规划或推进数字化转型的机构而言选择DolphinDB这样通过国家级安全可靠测评的产品意味着在合规性、安全性、可持续性等方面获得了权威背书可以显著降低技术选型的决策风险与审计成本。同时测评结果有效期三年的设定也要求智臾科技在产品迭代、安全更新、生态维护等方面保持持续投入形成了一种以评促建的良性机制推动整个行业向更高标准演进。从金融高频交易到电力调度监控从智能制造产线到核电安全分析DolphinDB正在用技术实力证明国产时序数据库不仅能够替代进口产品更能在特定场景下实现超越。这不仅是智臾科技一家企业的里程碑更是国产基础软件整体实力提升的缩影。