5大类15小类查询类型，全面对比三大流行时序数据库查询性能

　　在上一篇文章《写入性能：TDengine最高达到InfluxDB的10。3倍，TimeScaleDB的6。74倍》中，我们基于TSBS时序数据库（TimeSeriesDatabase）性能基准测试报告对三大数据库写入性能进行了相关解读，较为直观地展现出了TDengine的众多写入优势。本篇文章将以查询性能作为主题，给正在为数据分析痛点而头疼的朋友们带来一些帮助。
　　在查询性能评估部分，我们使用场景一（只包含4天数据）和场景二作为基准数据集，关于基础数据集的具体特点，请点击进入《TSBS是什么？为什么时序数据库TDengine会选择它作为性能对比测试平台？》一文中查看。在查询性能评估之前，为确保两大数据库充分发挥查询性能，对于TimescaleDB，我们采用了《TimescaleDBvs。InfluxDB》（见下方链接）中的推荐配置，设置为8个Chunk；对于InfluxDB，我们开启InfluxDB的TSI（timeseriesindex）。在整个查询对比中，TDengine数据库的虚拟节点数量（vnodes）保持为默认的6个，其他的数据库参数配置为默认值。
　　TimescaleDBvs。InfluxDB：PurposeBuiltDifferentlyforTimeSeriesData：
　　https：www。timescale。comblogtimescaledbvsinfluxdbfortimeseriesdatatimescaleinfluxsqlnosql364892998774，000devices10metrics查询性能对比：最高达到InfluxDB的34。2倍
　　由于部分类型（分类标准参见上方《TimescaleDBvs。InfluxDB》一文）单次查询响应时间非常短，为了更加准确地测量每个查询场景下较为稳定的响应时间，我们将单个查询运行次数提升到5000次，然后使用TSBS自动统计并输出结果，最后结果是5000次查询的算数平均值，使用并发客户端Workers数量为8。下表是场景二（4000设备）的查询性能对比结果。
　　4，000devices10metrics（场景二）查询性能对比表（单位：ms）
　　下面我们对每个查询结果做一定的分析说明：
　　4000devices10metricsSimpleRollups查询响应时间（数值越小越好）
　　由于SimpleRollups的整体查询响应时间非常短，因此制约查询响应时间的主体因素并不是查询所涉及的数据规模，即这一类型查询的瓶颈并非数据规模。但从结果上看，TDengine仍然在所有类型的查询响应时间上优于InfluxDB和TimescaleDB，具体的数值对比请参见上表。
　　4000devices10metricsAggregates查询响应时间（数值越小越好）
　　在Aggregates类型的查询中，TDengine的查询性能相比于TimescaleDB和InfluxDB优势更为明显，其在cpumaxall8中的查询性能是InfluxDB的7倍，是TimescaleDB的6倍。
　　4000devices10metricsDoublerollups查询响应时间（数值越小越好）
　　从上表可见，在Doublerollups类型查询中，TDengine展现出了巨大的性能优势。以查询响应时间来度量，其在doublegroupby5和doublegroupbyall的查询性能均是TimescaleDB的24倍；在doublegroupby5查询上是InfluxDB的26倍，doublegroupbyall上是其34倍。
　　4000devices10metricsThresholds查询highcpu1响应时间（数值越小越好）
　　4000devices10metricsThresholds查询highcpuall响应时间（数值越小越好）
　　如上面两图所示，threshold类型的查询中，highcpu1中TDengine的查询响应时间均显著低于TimescaleDB和InfluxDB。在highcpuall的查询中，TDengine的性能是InfluxDB的15倍，是TimescaleDB的1。23倍。
　　4000devices10metricsComplexqueries查询响应时间（数值越小越好）
　　对于Complexqueries类型的查询，TDengine两个查询均大幅领先TimescaleDB和InfluxDB在lastpoint查询中，其性能是TimescaleDB的5倍，InfluxDB的21倍；在groupbyorderbylimit场景中其查询性能是TimescaleDB的8倍，是InfluxDB的15倍。在时间窗口聚合的查询过程中，TimescaleDB针对规模较大的数据集查询性能不佳（doublerollups类型查询），对于groupbyorderbylimit的查询，其性能上表现同样不是太好。资源开销对比：整体CPU计算时间消耗是InfluxDB的110
　　由于部分查询持续时间特别短，因此并不能凭借以上信息完整地看到查询过程中服务器的IOCPU网络情况。为此，我们以场景二的数据为模拟数据，以Doublerollups类别中的doublegroupby5查询为例，执行1000次查询，记录整个过程中三个软件系统在查询执行的整个过程中服务器CPU、内存、网络的开销并进行对比。服务器CPU开销
　　查询过程中服务器CPU开销
　　从上图可以看到，三个系统在整个查询过程中CPU的使用均较为平稳。TDengine在查询过程中整体CPU占用约80，在三个系统中使用的CPU资源最高；TimescaleDB在查询过程中瞬时CPU占用次之，约38；InfluxDB的CPU占用的最小，约27（但是有较多的瞬时冲高）。从整体CPU开销上来看，虽然InfluxDB瞬时CPU开销最低，但是其完成查询持续时间也最长，所以整体CPU资源消耗最多。由于TDengine完成全部查询的时间仅为TimescaleDB或InfluxDB的120，因此虽然其CPU稳定值是TimescaleDB与InfluxDB的2倍多，但整体的CPU计算时间消耗却只有其110。服务器内存状况
　　查询过程中服务器内存情况
　　如上图所示，在整个查询过程中，TDengine内存维持了一个相对平稳的状态。TimescaleDB在整个查询过程中内存呈现增加的状态，查询完成后即恢复到初始状态，InfluxDB内存占用呈现相对稳定的状态。服务器网络带宽
　　查询过程中网络占用情况
　　上图展示了查询过程中服务器端上行和下行的网络带宽情况，负载状况基本上和CPU状况相似。TDengine网络带宽开销最高，因为在最短的时间内就完成了全部查询，需要将查询结果返回给客户端。InfluxDB网络带宽开销最低，TimescaleDB介于两者之间。100devices10metrics查询性能对比：最高达到TimescaleDB的28。6倍
　　对于场景一（100devicesx10metrics）来说，TSBS的15个查询对比结果如下：
　　InfluxDB与Timescale相对于TDengine的查询响应时间比率（单位：ms）
　　如上表所示，在更小规模的数据集（100设备）上的查询对比可以看到，整体来说TDengine同样展现出极好的性能，在全部查询语句中均优于TimescaleDB和InfluxDB，部分查询性能超过TimescaleDB28倍，超过InfluxDB37倍。写在最后
　　基于上文可以做出总结，整体来讲，在场景一（只包含4天的数据）与场景二的15个不同类型的查询中，TDengine的查询平均响应时间全面优于InfluxDB和TimescaleDB，在复杂查询上优势更为明显，同时具有最小的计算资源开销。相对于InfluxDB，场景一中TDengine查询性能是其1。937倍，场景二中TDengine查询性能是其1。834。2倍；相对于TimeScaleDB，场景一中TDengine查询性能是其1。128。6倍，场景二中TDengine查询性能是其1。224。6倍。
　　事实上，TDengine高效的查询性能此前在很多企业客户的实践中就已经展示出来了，以广东省环境科学研究院生态环境数据治理服务项目为例，对于76亿行的超级表，TDengine运行分组TOP查询仅用了0。2秒；基于TDengine返回2，968行，仅用了0。06秒；返回5，280行数据，仅用了0。1秒。