HTAP数据库 PostgreSQL 场景与性能测试之 33 - (OLAP) 物联网 - 线性字段区间实时统计

1 minute read

背景

PostgreSQL是一个历史悠久的数据库，历史可以追溯到1973年，最早由2014计算机图灵奖得主，关系数据库的鼻祖Michael_Stonebraker 操刀设计，PostgreSQL具备与Oracle类似的功能、性能、架构以及稳定性。

PostgreSQL社区的贡献者众多，来自全球各个行业，历经数年，PostgreSQL 每年发布一个大版本，以持久的生命力和稳定性著称。

2017年10月，PostgreSQL 推出10 版本，携带诸多惊天特性，目标是胜任OLAP和OLTP的HTAP混合场景的需求：

《最受开发者欢迎的HTAP数据库PostgreSQL 10特性》

1、多核并行增强

2、fdw 聚合下推

3、逻辑订阅

4、分区

5、金融级多副本

6、json、jsonb全文检索

7、还有插件化形式存在的特性，如 向量计算、JIT、SQL图计算、SQL流计算、分布式并行计算、时序处理、基因测序、化学分析、图像分析 等。

在各种应用场景中都可以看到PostgreSQL的应用：

PostgreSQL近年来的发展非常迅猛，从知名数据库评测网站dbranking的数据库评分趋势，可以看到PostgreSQL向上发展的趋势：

从每年PostgreSQL中国召开的社区会议，也能看到同样的趋势，参与的公司越来越多，分享的公司越来越多，分享的主题越来越丰富，横跨了 传统企业、互联网、医疗、金融、国企、物流、电商、社交、车联网、共享XX、云、游戏、公共交通、航空、铁路、军工、培训、咨询服务等 行业。

接下来的一系列文章，将给大家介绍PostgreSQL的各种应用场景以及对应的性能指标。

环境

环境部署方法参考：

《PostgreSQL 10 + PostGIS + Sharding(pg_pathman) + MySQL(fdw外部表) on ECS 部署指南(适合新用户)》

阿里云 ECS：56核，224G，1.5TB*2 SSD云盘。

操作系统：CentOS 7.4 x64

数据库版本：PostgreSQL 10

PS：ECS的CPU和IO性能相比物理机会打一定的折扣，可以按下降1倍性能来估算。跑物理主机可以按这里测试的性能乘以2来估算。

场景 - 物联网 - 线性字段区间实时统计 (OLAP)

1、背景

在物联网、互联网、业务系统中都有时序数据，随着时间推移产生的数据。在时间维度或序列字段上呈现自增特性。

区间查询与统计分析的需求非常多。

PostgreSQL针对时序类型的数据，除了有传统的b-tree索引，还有一种块级索引BRIN，非常适合这种相关性很好的时序数据。这种索引在Oracle Exadata一体机上也有。而使用PostgreSQL可以免费享用这种高端特性。

在第15个场景中，设计了一个区间查询输出明细的场景，输出吞吐达到了 3160万行/s。

《HTAP数据库 PostgreSQL 场景与性能测试之 15 - (OLTP) 物联网 - 查询一个时序区间的数据》

本文的场景与之类似，只不过换成聚合并输出。

2、设计

1万个传感器，10亿条时序自增记录，输入任意传感器，查询并输出任意区间5000条记录的聚合值。

3、准备测试表

create table t_sensor(  
  id serial,  
  val int,  
  ts timestamp default clock_timestamp()  
);  

do language plpgsql $$  
declare  
begin  
  for i in 1..10000 loop  
    execute format ('create table t_sensor%s (id serial, val int, ts timestamp default clock_timestamp()) inherits(t_sensor)', i);  
    execute format ('create index idx_t_sensor%s on t_sensor%s using brin(id)', i, i);  
  end loop;  
end;  
$$;  

4、准备测试函数(可选)

1、批量写入传感器数据的函数

create or replace function ins_sensor(int, int) returns void as $$  
declare  
begin  
  execute format('insert into t_sensor%s (val) select random()*1000 from generate_series(1,%s)', $1, $2);  
end;  
$$ language plpgsql;  

2、统计函数

create or replace function stats_sensor(int, int) returns float8 as $$  
declare  
  res float8;  
begin  
  execute format('select avg(val) from t_sensor%s where id>=%s and id<=%s', $1, $2, $2+5000) into res;  
  return res;  
end;  
$$ language plpgsql strict;  

5、准备测试数据

准备10亿条测试记录。

vi test.sql  
  
\set sid random(1,10000)  
select ins_sensor(:sid, 1000);  

pgbench -M prepared -n -r -P 1 -f ./test.sql -c 50 -j 50 -t 20000

6、准备测试脚本

vi test.sql  
  
\set sid random(1,10000)  
\set range random(1,100000)  
select stats_sensor(:sid, :range);  

压测

CONNECTS=56  
TIMES=300  
export PGHOST=$PGDATA  
export PGPORT=1999  
export PGUSER=postgres  
export PGPASSWORD=postgres  
export PGDATABASE=postgres  
  
pgbench -M prepared -n -r -f ./test.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES  

7、测试

transaction type: ./test.sql  
scaling factor: 1  
query mode: prepared  
number of clients: 56  
number of threads: 56  
duration: 300 s  
number of transactions actually processed: 1881394  
latency average = 8.929 ms  
latency stddev = 4.260 ms  
tps = 6266.195309 (including connections establishing)  
tps = 6266.920752 (excluding connections establishing)  
script statistics:  
 - statement latencies in milliseconds:  
         0.002  \set sid random(1,10000)  
         0.001  \set range random(1,100000)  
         8.930  select stats_sensor(:sid, :range);  

TPS： 6266

10亿记录，1万个传感器，任意滑动范围内取5000条，进行统计，输出统计值。

平均响应时间： 8.9 毫秒

10亿记录，1万个传感器，任意滑动范围内取5000条，进行统计，输出统计值。

参考

《PostgreSQL、Greenplum 应用案例宝典《如来神掌》 - 目录》

《数据库选型之 - 大象十八摸 - 致架构师、开发者》

《PostgreSQL 使用 pgbench 测试 sysbench 相关case》

《数据库界的华山论剑 tpc.org》

https://www.postgresql.org/docs/10/static/pgbench.html

digoal’s 大量PostgreSQL文章入口

Twitter Facebook Google+ LinkedIn

Digoal.zhou