标签
PostgreSQL , HTAP , OLTP , OLAP , 场景与性能测试
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()
);
AI 代码解读
do language plpgsql $$
declare
begin
for i in 1..10000 loop
execute format ('create table t_sensor%s (id serial, val int, ts timestamp default clock_timestamp()) inherits(t_sensor)', i);
execute format ('create index idx_t_sensor%s on t_sensor%s using brin(id)', i, i);
end loop;
end;
$$;
AI 代码解读
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;
AI 代码解读
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;
AI 代码解读
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);
AI 代码解读
pgbench -M prepared -n -r -P 1 -f ./test.sql -c 50 -j 50 -t 20000
AI 代码解读
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);
AI 代码解读
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
AI 代码解读
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);
AI 代码解读
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》
