От Digoal.
Все больше и больше данных, особенно финансовых данных, данных, собранных датчиками Интернета вещей (IoT), и данных онлайн-игр, все чаще используется в приложениях для анализа, агрегации и поиска в реальном времени. А учитывая такие тенденции, важно уметь находить мощные и эффективные средства обработки данных, конкретно выясняя, как быстро и эффективно записывать и обновлять данные по мере их сбора в режиме реального времени.
Следуя этой тенденции, в этой статье мы рассмотрим преимущества и недостатки использования трех основных методов: потоковая передача данных, лямбда-архитектура и синхронный анализ данных в реальном времени (или триггерный режим). Мы уделим основное внимание тому, как запись и обновление данных, собранных в режиме реального времени, работают с этими различными методами.
Дизайн сценария
В этой статье мы рассмотрим случай, когда развернут миллион датчиков и каждый датчик периодически сообщает данные. Требования к пользователю для этого сценария обработки данных следующие:
- Просматривайте последние значения датчиков в режиме реального времени.
- Просматривайте статистику исторических данных датчиков в режиме реального времени по периодам времени.
- Просматривайте подробные исторические данные датчика в режиме реального времени.
- Просматривайте статистику исторических данных датчика в режиме реального времени на основе других измерений.
Объем данных может достигать нескольких сотен терабайт. Чтобы выполнить предыдущие четыре требования, система должна вычислять данные в режиме реального или близкого к реальному времени.
Для этого сценария вы можете использовать следующий дизайн:
Дизайн структуры таблицы
Данные в деталях
create table sensor_data(
pk serial8 primary key, -- Primary key
ts timestamp, -- Timestamp
sid int, -- Sensor ID
val numeric(10,2) -- Data
);
Каждый фрагмент данных, как показано выше, включает в себя показанную выше информацию, которая представляет собой первичный ключ, отметку времени, идентификатор датчика и сам вывод данных.
Проектирование агрегации данных в реальном времени
Сначала вы получите последнее значение данных, собранное каждым датчиком.
create table sensor_lastdata(
sid int primary key, -- Sensor ID, which is the primary key
last_ts timestamp, -- Timestamp
last_val numeric(10,2) -- Value
);
Информация, которую вы увидите, включает в себя все значения каждого датчика за каждый период времени (скажем, час), а также другие значения, включая значение суммы, количество записей, максимальное значение, минимальное значение. значение, среднее значение и отклонение значения, как показано ниже:
create table sensor_aggdata(
sid int, -- Sensor ID
ts_group varchar(10), -- Group by time, such as by hour (yyyymmddhh24)
sum_val numeric, -- Sum
min_val numeric(10,2), -- Minimum value
max_val numeric(10,2), -- Maximum value
avg_val numeric(10,2), -- Average value
count_val int, -- Count
all_vals numeric(10,2)[], -- Detail value
unique (sid,ts_group) -- Unique constraint
);
Наконец, вы можете собирать статистику данных, сообщаемых датчиками, в зависимости от региона или других параметров в режиме реального времени.
Как я могу получить последние значения датчика из подробных данных?
Чтобы получить последние значения каждого идентификатора датчика (SID) с помощью операторов SQL, вы можете использовать функцию агрегации или окна. Но прежде чем делать что-либо из этого, вставьте пакет тестовых данных.
postgres=# insert into sensor_data(ts,sid,val) select clock_timestamp(), random()*100, random()*10000 from generate_series(1,100000);
Рассмотрим, например, использование одной из этих функций. Из вариантов сначала рассмотрим агрегацию. Для этого метода вам нужно сгруппировать данные на основе идентификатора датчика (сокращенно SID), агрегировать VAL в массивы (в порядке убывания на основе первичного ключа каждой отдельной записи данных) и, наконец, получить первое значение каждого массива. .
Для получения дополнительной информации ознакомьтесь с этой статьей: Агрегатные функции. Далее ниже приведен пример кода, в котором используется этот метод:
postgres=# select sid, (array_agg(ts order by pk desc))[1] as last_ts, (array_agg(val order by pk desc))[1] as last_val from sensor_data group by sid;
sid | last_ts | last_val
-----+----------------------------+----------
0 | 2017-05-18 14:09:10.625812 | 6480.54
1 | 2017-05-18 14:09:10.627607 | 9644.29
2 | 2017-05-18 14:09:10.627951 | 3995.04
3 | 2017-05-18 14:09:10.627466 | 840.80
4 | 2017-05-18 14:09:10.627703 | 1500.59
5 | 2017-05-18 14:09:10.627813 | 3109.42
6 | 2017-05-18 14:09:10.62754 | 4131.31
7 | 2017-05-18 14:09:10.627851 | 9333.88
......
В качестве альтернативы вы можете использовать оконный метод, который мы здесь обсуждать не будем. На самом деле очень похоже. Рассмотрим приведенный ниже пример кода для справки:
postgres=# select sid,ts,val from (select sid,ts,val,row_number() over(partition by sid order by pk desc) as rn from sensor_data) t where rn=1;
sid | ts | val
-----+----------------------------+---------
0 | 2017-05-18 14:09:10.625812 | 6480.54
1 | 2017-05-18 14:09:10.627607 | 9644.29
2 | 2017-05-18 14:09:10.627951 | 3995.04
3 | 2017-05-18 14:09:10.627466 | 840.80
4 | 2017-05-18 14:09:10.627703 | 1500.59
5 | 2017-05-18 14:09:10.627813 | 3109.42
6 | 2017-05-18 14:09:10.62754 | 4131.31
7 | 2017-05-18 14:09:10.627851 | 9333.88
......
Ну, на наш взгляд, какая функция и метод, на наш взгляд, лучше в итоге? Что ж, чтобы ответить на этот вопрос, давайте проверим планы выполнения. Подводя итог, оконный метод имеет немного более быстрое время выполнения; однако они оба довольно быстрые.
postgres=# set work_mem ='16MB';
SET
postgres=# explain (analyze,verbose,timing,costs,buffers) select sid, (array_agg(ts order by pk desc))[1] as last_ts, (array_agg(val order by pk desc))[1] as last_val from sensor_data group by sid;
QUERY PLAN
------------------------------------------------------------------------------------------------------------------------------------
GroupAggregate (cost=7117.15..7823.57 rows=101 width=44) (actual time=29.628..88.095 rows=101 loops=1)
Output: sid, (array_agg(ts ORDER BY pk DESC))[1], (array_agg(val ORDER BY pk DESC))[1]
Group Key: sensor_data.sid
Buffers: shared hit=736
-> Sort (cost=7117.15..7293.38 rows=70490 width=26) (actual time=29.273..36.249 rows=70490 loops=1)
Output: sid, ts, pk, val
Sort Key: sensor_data.sid
Sort Method: quicksort Memory: 8580kB
Buffers: shared hit=736
-> Seq Scan on public.sensor_data (cost=0.00..1440.90 rows=70490 width=26) (actual time=0.243..9.768 rows=70490 loops=1)
Output: sid, ts, pk, val
Buffers: shared hit=736
Planning time: 0.077 ms
Execution time: 88.489 ms
(14 rows)
postgres=# explain (analyze,verbose,timing,costs,buffers) select sid,ts,val from (select sid,ts,val,row_number() over(partition by sid order by pk desc) as rn from sensor_data) t where rn=1;
QUERY PLAN
------------------------------------------------------------------------------------------------------------------------------------------
Subquery Scan on t (cost=7117.15..9408.08 rows=352 width=18) (actual time=46.074..81.377 rows=101 loops=1)
Output: t.sid, t.ts, t.val
Filter: (t.rn = 1)
Rows Removed by Filter: 70389
Buffers: shared hit=736
-> WindowAgg (cost=7117.15..8526.95 rows=70490 width=34) (actual time=46.072..76.115 rows=70490 loops=1)
Output: sensor_data.sid, sensor_data.ts, sensor_data.val, row_number() OVER (?), sensor_data.pk
Buffers: shared hit=736
-> Sort (cost=7117.15..7293.38 rows=70490 width=26) (actual time=46.065..51.742 rows=70490 loops=1)
Output: sensor_data.sid, sensor_data.pk, sensor_data.ts, sensor_data.val
Sort Key: sensor_data.sid, sensor_data.pk DESC
Sort Method: quicksort Memory: 8580kB
Buffers: shared hit=736
-> Seq Scan on public.sensor_data (cost=0.00..1440.90 rows=70490 width=26) (actual time=0.245..9.863 rows=70490 loops=1)
Output: sensor_data.sid, sensor_data.pk, sensor_data.ts, sensor_data.val
Buffers: shared hit=736
Planning time: 0.100 ms
Execution time: 82.480 ms
(18 rows)
Обновление и статистика в реальном времени
В этом разделе мы рассмотрим, как работает режим Lamdba, потоковая передача данных, а также как работают режимы синхронного анализа данных, когда речь идет об обновлениях и статистике в реальном времени. Мы сосредоточимся на их общем дизайне и на том, как работает стресс-тестирование для каждого из них.
1. Лямбда-режим
В лямбда-режиме данные датчика записываются в подробную таблицу. Система извлекает, а затем удаляет данные из таблицы сведений посредством планирования задач, затем собирает добавочную статистику по извлеченным данным и объединяет статистические результаты.
Поскольку существует множество статистических измерений, поиск данных изолирован от удаления данных для достижения параллелизма. Система получает и удаляет подробные данные пакетами и упорядочивает подробные данные на основе первичных ключей. Несколько записей данных получаются одновременно. Функция выглядит следующим образом:
create or replace function get_sensor_data(i_limit int) returns sensor_data[] as $$ declare arr_pk int8[]; arr_sensor_data sensor_data[]; begin select array_agg(t.sensor_data), array_agg((t.sensor_data).pk) into arr_sensor_data, arr_pk from (select sensor_data from sensor_data order by pk limit i_limit for update skip locked) t ; delete from sensor_data WHERE pk = any (arr_pk); return arr_sensor_data; end;
$$ language plpgsql strict;
После получения подробных данных система переходит к следующему действию. Если существуют более свежие значения, система обновляет эти значения. Если самое последнее из значений не может быть найдено, система вставит значения с помощью синтаксиса INSERT ON CONFLICT PostgreSQL.
В частности, система делает следующее. Он обновляет последние значения датчиков в режиме реального времени.
insert into sensor_lastdata
select sid, (array_agg(ts order by pk desc))[1] as last_ts, (array_agg(val order by pk desc))[1] as last_val from
unnest(get_sensor_data(1000))
group by sid
on conflict (sid) do update set last_ts=excluded.last_ts,last_val=excluded.last_val;
А затем он также собирает добавочную статистику по значениям датчиков в пакетах.
Если вам интересно, как работает метод объединения статистических значений, обратите внимание на материалы, связанные с SQL. Подробные данные объединяются в массивы в соответствии с идентификатором датчика (SID) и сохраняются на основе первичного ключа (PK).
insert into sensor_aggdata (sid,ts_group,sum_val,min_val,max_val,avg_val,count_val,all_vals)
select sid,to_char(ts,'yyyymmddhh24'),sum(val),min(val),max(val),avg(val),count(val),array_agg(val order by pk) from unnest(get_sensor_data(1000))
group by sid,to_char(ts,'yyyymmddhh24')
on conflict (sid,ts_group) do update set
sum_val=sensor_aggdata.sum_val+excluded.sum_val,
min_val=least(sensor_aggdata.min_val, excluded.min_val),
max_val=greatest(sensor_aggdata.max_val, excluded.max_val),
avg_val=(sensor_aggdata.sum_val+excluded.sum_val)/(sensor_aggdata.count_val+excluded.count_val),
count_val=sensor_aggdata.count_val+excluded.count_val,
all_vals=array_cat(sensor_aggdata.all_vals, excluded.all_vals);
Стресс-тестирование
Ниже приведены некоторые стресс-тесты. Для этих стресс-тестов вам необходимо создать эти таблицы.
create table sensor_data(
pk serial8 primary key, -- Primary key
ts timestamp, -- Timestamp
sid int, -- Sensor ID
val numeric(10,2) -- Data
);
create table sensor_lastdata(
sid int primary key, -- Sensor ID, which is the primary key
last_ts timestamp, -- Timestamp
last_val numeric(10,2) -- Value
);
create table sensor_aggdata(
sid int, -- Sensor ID
ts_group varchar(10), -- Group by time, such as by hour (yyyymmddhh24)
sum_val numeric, -- Sum
min_val numeric(10,2), -- Minimum value
max_val numeric(10,2), -- Maximum value
avg_val numeric(10,2), -- Average value
count_val int, -- Count
all_vals numeric(10,2)[], -- Detail value
unique (sid,ts_group) -- Unique constraint
);
Сценарий стресс-теста 1
Для этого первого сценария стресс-теста у нас будут данные, записанные и обновленные до самых последних значений датчиков в режиме реального времени.
vi ins.sql
\set sid random(1,1000000)
insert into sensor_data(ts,sid,val) values (clock_timestamp(), :sid, random()*1000);
Вам потребуется каждый раз объединять 50 000 записей данных.
vi lambda1.sql
insert into sensor_lastdata select sid, (array_agg(ts order by pk desc))[1] as last_ts, (array_agg(val order by pk desc))[1] as last_val from unnest(get_sensor_data(50000)) group by sid on conflict (sid) do update set last_ts=excluded.last_ts,last_val=excluded.last_val;
Вы также захотите иметь около 100 000 записей данных каждую секунду.
pgbench -M prepared -n -r -P 1 -f ./ins.sql -c 64 -j 64 -T 120
transaction type: ./ins.sql
scaling factor: 1
query mode: prepared
number of clients: 64
number of threads: 64
duration: 120 s
number of transactions actually processed: 12742596
latency average = 0.603 ms
latency stddev = 2.163 ms
tps = 106184.095420 (including connections establishing)
tps = 106188.650794 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.001 \set sid random(1,1000000)
0.602 insert into sensor_data(ts,sid,val) values (clock_timestamp(), :sid, random()*1000);
Затем используйте данные постепенно и обновляйте примерно 50 000 последних значений каждую секунду.
pgbench -M prepared -n -r -P 1 -f ./lambda1.sql -c 1 -j 1 -T 1200
progress: 236.0 s, 1.0 tps, lat 649.196 ms stddev 0.000
progress: 237.0 s, 2.0 tps, lat 868.952 ms stddev 6.024
progress: 238.0 s, 1.0 tps, lat 728.553 ms stddev 0.000
progress: 239.0 s, 258.1 tps, lat 5.335 ms stddev 44.167
progress: 240.0 s, 850.9 tps, lat 0.983 ms stddev 14.506
progress: 241.0 s, 7962.2 tps, lat 0.146 ms stddev 3.672
progress: 242.0 s, 13488.1 tps, lat 0.074 ms stddev 0.006
postgres=# select count(*) from sensor_data;
count
-------
0
(1 row)
postgres=# select * from sensor_lastdata limit 10;
sid | last_ts | last_val
------+----------------------------+----------
672 | 2017-05-18 16:33:43.569255 | 196.01
178 | 2017-05-18 16:33:31.23651 | 593.16
686 | 2017-05-18 16:33:38.792138 | 762.95
4906 | 2017-05-18 16:33:43.498217 | 150.13
544 | 2017-05-18 16:33:45.338635 | 410.31
165 | 2017-05-18 16:33:28.393902 | 678.75
625 | 2017-05-18 16:33:37.077898 | 229.06
1316 | 2017-05-18 16:33:45.218268 | 27.55
3091 | 2017-05-18 16:33:33.320828 | 697.75
340 | 2017-05-18 16:33:31.567852 | 24.18
(10 rows)
При пакетном сборе статистики по 100 000 значений производительность можно немного повысить.
progress: 211.0 s, 1.0 tps, lat 1428.401 ms stddev 0.000
progress: 212.0 s, 0.0 tps, lat -nan ms stddev -nan
progress: 213.0 s, 1.0 tps, lat 1375.766 ms stddev 0.000
progress: 214.0 s, 2665.9 tps, lat 0.699 ms stddev 23.234
progress: 215.0 s, 8963.1 tps, lat 0.083 ms stddev 0.008
progress: 216.0 s, 1699.4 tps, lat 0.741 ms stddev 12.434
progress: 217.0 s, 13247.9 tps, lat 0.075 ms stddev 0.006
Сценарий стресс-теста 2
Для этого второго текста стресса у нас будут данные, записанные в режиме реального времени и собранные для дополнительной статистики по значениям датчиков в пакетах. Для этого сценария первое, что вам нужно, чтобы 100 000 записей данных каждый раз объединялись.
vi lambda2.sql
insert into sensor_aggdata (sid,ts_group,sum_val,min_val,max_val,avg_val,count_val,all_vals) select sid,to_char(ts,'yyyymmddhh24'),sum(val),min(val),max(val),avg(val),count(val),array_agg(val order by pk) from unnest(get_sensor_data(100000)) group by sid,to_char(ts,'yyyymmddhh24') on conflict (sid,ts_group) do update set sum_val=sensor_aggdata.sum_val+excluded.sum_val, min_val=least(sensor_aggdata.min_val, excluded.min_val), max_val=greatest(sensor_aggdata.max_val, excluded.max_val), avg_val=(sensor_aggdata.sum_val+excluded.sum_val)/(sensor_aggdata.count_val+excluded.count_val), count_val=sensor_aggdata.count_val+excluded.count_val, all_vals=array_cat(sensor_aggdata.all_vals, excluded.all_vals);
Затем запишите около 100 000 записей данных каждую секунду.
pgbench -M prepared -n -r -P 1 -f ./ins.sql -c 64 -j 64 -T 120
transaction type: ./ins.sql
scaling factor: 1
query mode: prepared
number of clients: 64
number of threads: 64
duration: 120 s
number of transactions actually processed: 12753950
latency average = 0.602 ms
latency stddev = 2.733 ms
tps = 106272.985233 (including connections establishing)
tps = 106277.604416 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.001 \set sid random(1,1000000)
0.601 insert into sensor_data(ts,sid,val) values (clock_timestamp(), :sid, random()*1000);
Затем постепенно используйте данные и собирайте статистику со скоростью 44 000 записей данных каждую секунду.
pgbench -M prepared -n -r -P 1 -f ./lambda2.sql -c 1 -j 1 -T 1200
progress: 287.0 s, 1.0 tps, lat 2107.584 ms stddev 0.000
progress: 288.0 s, 0.0 tps, lat -nan ms stddev -nan
progress: 289.0 s, 100.1 tps, lat 29.854 ms stddev 213.634
progress: 290.0 s, 1855.0 tps, lat 0.540 ms stddev 5.677
progress: 291.0 s, 8447.0 tps, lat 0.118 ms stddev 0.005
postgres=# select * from sensor_aggdata limit 10;
sid | ts_group | sum_val | min_val | max_val | avg_val | count_val | all_vals
--------+------------+----------+---------+---------+---------+-----------+--------------------------------------------------------------------------------
6 | 2017051816 | 1842.71 | 42.47 | 577.09 | 307.12 | 6 | {42.47,559.47,577.09,193.62,75.74,394.32}
2 | 2017051816 | 5254.01 | 69.98 | 861.77 | 437.83 | 12 | {628.03,77.15,662.74,69.98,337.83,563.70,750.44,423.81,158.27,861.77,649.27,71.02}
226 | 2017051816 | 2756.42 | 144.00 | 680.45 | 344.55 | 8 | {350.57,144.00,194.23,352.52,680.45,302.66,420.01,311.98}
509 | 2017051816 | 6235.10 | 44.98 | 939.43 | 566.83 | 11 | {939.43,598.33,741.12,535.66,44.98,732.00,694.66,440.00,327.80,312.98,868.14}
20 | 2017051816 | 4684.00 | 7.01 | 878.64 | 425.82 | 11 | {209.70,288.67,76.35,544.31,289.33,7.01,841.21,878.64,418.05,651.01,479.72}
934042 | 2017051816 | 10210.41 | 46.44 | 945.59 | 486.21 | 21 | {235.86,656.24,450.73,945.59,932.06,256.10,46.44,903.74,694.43,713.79,523.25,325.82,333.67,603.01,743.63,137.48,238.60,321.65,466.50,70.49,611.33}
960 | 2017051816 | 3621.60 | 20.59 | 895.01 | 603.60 | 6 | {347.70,876.07,895.01,20.59,871.64,610.59}
81 | 2017051816 | 4209.38 | 459.06 | 949.42 | 701.56 | 6 | {716.38,949.42,706.20,459.06,613.36,764.96}
723065 | 2017051816 | 7176.00 | 12.37 | 983.84 | 512.57 | 14 | {869.29,715.48,323.42,595.29,983.84,700.06,716.37,741.55,137.88,12.37,334.74,951.94,46.85,46.92}
77 | 2017051816 | 5394.54 | 87.43 | 872.90 | 490.41 | 11 | {301.87,777.52,872.90,219.96,87.43,525.80,308.87,509.80,383.90,608.52,797.97}
(10 rows)
2. Потоковая передача данных (режим потоковых вычислений)
В решении для потоковых вычислений PipelineDB используется для создания потока (и подробной таблицы), таблицы обновления в реальном времени и статистической таблицы.
Для этого создайте поток для хранения данных датчика.
create sequence seq; -- Create the PK sequence.
pipeline=# create stream sensor_data(
pk int8, -- Latest PK value, used for sequencing
ts timestamp, -- Timestamp
sid int, -- Sensor ID
val numeric(10,2) -- Value
);
CREATE STREAM
Затем создайте непрерывное представление для обновления последних значений датчиков в режиме реального времени. Вам нужно использовать уникальную функцию агрегации PipelineDB для получения последних значений:
keyed_max ( key, value )
Returns the value associated with the "highest" key.
keyed_min ( key, value )
Returns the value associated with the "lowest" key.
Обратите внимание, что вы не хотите использовать (array_agg(ts order by pk desc))[1]
, потому что PipelineDB не обеспечивает хорошей поддержки agg(order by)
.
-- An error occurs during the writing test because PipelineDB currently does not provide good support for agg(order by).
CREATE CONTINUOUS VIEW sensor_lastdata1 AS
select sid, (array_agg(ts order by pk desc))[1] as last_ts, (array_agg(val order by pk desc))[1] as last_val
from sensor_data
group by sid;
--1. Replace the preceding SQL statement with this one.
CREATE CONTINUOUS VIEW sensor_lastdata1 AS
select sid, keyed_max(pk, ts) as last_ts, keyed_max(pk, val) as last_val
from sensor_data
group by sid;
-- PipelineDB currently does not support the window function. You can replace the window function with keyed_max and keyed_min.
CREATE CONTINUOUS VIEW sensor_lastdata2 AS
select sid,ts as last_ts,val as last_val from sensor_data
where row_number() over(partition by sid order by pk desc)=1;
ERROR: subqueries in continuous views cannot contain window functions
Затем создайте непрерывное представление для сбора статистики о значениях датчиков и агрегирования подробных данных в режиме реального времени.
-- An error occurs during the writing test because PipelineDB currently does not provide good support for agg(order by).
CREATE CONTINUOUS VIEW sensor_aggdata1 AS
select
sid,
to_char(ts,'yyyymmddhh24') as ts_group,
sum(val) as sum_val,
min(val) as min_val,
max(val) as max_val,
avg(val) as avg_val,
count(val) as count_val,
array_agg(val order by pk) as all_vals
from sensor_data
group by sid,to_char(ts,'yyyymmddhh24');
--2. Replace the preceding SQL statement with this one.
CREATE CONTINUOUS VIEW sensor_aggdata1 AS
select
sid,
to_char(ts,'yyyymmddhh24') as ts_group,
sum(val) as sum_val,
min(val) as min_val,
max(val) as max_val,
avg(val) as avg_val,
count(val) as count_val,
jsonb_object_agg (pk, val) as all_vals
from sensor_data
group by sid,to_char(ts,'yyyymmddhh24');
Затем активируйте непрерывные виды.
pipeline=# activate sensor_lastdata1;
ACTIVATE
pipeline=# activate sensor_aggdata1;
ACTIVATE
Стресс-тестирование
vi ins.sql
\set sid random(1,1000000)
insert into sensor_data(pk,ts,sid,val) values (nextval('seq'), clock_timestamp(), :sid, random()*1000);
Если вы не используете приведенный выше оператор замены SQL, появятся следующие сообщения об ошибках, поскольку PipelineDB в настоящее время не обеспечивает хорошей поддержки для agg(order by).
/home/digoal/pgsql10/bin/pgbench -M prepared -n -r -P 1 -f ./ins.sql -c 1 -j 1 -T 100
progress: 1.0 s, 12.0 tps, lat 1.302 ms stddev 0.455
WARNING: a background worker crashed while processing this batch
HINT: Some of the tuples inserted in this batch might have been lost.
progress: 2.0 s, 16.0 tps, lat 70.528 ms stddev 253.719
WARNING: a background worker crashed while processing this batch
HINT: Some of the tuples inserted in this batch might have been lost.
WARNING: a background worker crashed while processing this batch
HINT: Some of the tuples inserted in this batch might have been lost.
WARNING: a background worker crashed while processing this batch
HINT: Some of the tuples inserted in this batch might have been lost.
Ниже приведены результаты стресс-тестирования после использования замещающего оператора SQL:
Для этого результаты стресс-тестирования выводятся при агрегировании значений. Для этого скорость записи составляет 127 000 записей в секунду.
/home/digoal/pgsql10/bin/pgbench -M prepared -n -r -P 1 -f ./ins.sql -c 256 -j 256 -T 100
transaction type: ./ins.sql
scaling factor: 1
query mode: prepared
number of clients: 256
number of threads: 256
duration: 100 s
number of transactions actually processed: 12840629
latency average = 1.994 ms
latency stddev = 14.671 ms
tps = 127857.131372 (including connections establishing)
tps = 127864.890658 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.001 \set sid random(1,1000000)
1.997 insert into sensor_data(pk,ts,sid,val) values (nextval('seq'), clock_timestamp(), :sid, random()*1000);
pipeline=# select * from sensor_aggdata1 limit 10;
-[ RECORD 1 ]----------------------------------------------------------------------------------------------------------------------------------------------
sid | 444427
ts_group | 2017052410
sum_val | 4902.07
min_val | 18.69
max_val | 980.26
avg_val | 445.6427272727272727
count_val | 11
all_vals | {"41971591": 731.45, "42075280": 69.63, "42629210": 980.26, "45243895": 18.69, "45524545": 320.88, "46971341": 741.88, "47036195": 357.47, "47895869": 562.16, "49805560": 136.78, "51753795": 344.00, "53039367": 638.87}
Вывод результатов стресс-тестирования, когда значения не агрегированы. Скорость записи составляет 200 000 записей в секунду.
CREATE CONTINUOUS VIEW sensor_aggdata2 AS
select
sid,
to_char(ts,'yyyymmddhh24') as ts_group,
sum(val) as sum_val,
min(val) as min_val,
max(val) as max_val,
avg(val) as avg_val,
count(val) as count_val
-- jsonb_object_agg (pk, val) as all_vals
from sensor_data
group by sid,to_char(ts,'yyyymmddhh24');
/home/digoal/pgsql10/bin/pgbench -M prepared -n -r -P 1 -f ./ins.sql -c 256 -j 256 -T 100
transaction type: ./ins.sql
scaling factor: 1
query mode: prepared
number of clients: 256
number of threads: 256
duration: 100 s
number of transactions actually processed: 20940292
latency average = 1.222 ms
latency stddev = 0.423 ms
tps = 208834.531839 (including connections establishing)
tps = 208854.792937 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.001 \set sid random(1,1000000)
1.222 insert into sensor_data(pk,ts,sid,val) values (nextval('seq'), clock_timestamp(), :sid, random()*1000);
pipeline=# select * from sensor_aggdata2;
sid | ts_group | sum_val | min_val | max_val | avg_val | count_val
------+------------+-------------+---------+---------+----------------------+-----------
196 | 2017051815 | 11462397.00 | 0.00 | 999.99 | 503.1780948200175593 | 22780
833 | 2017051815 | 11479990.49 | 0.07 | 999.99 | 498.4365443730461966 | 23032
700 | 2017051815 | 11205820.52 | 0.04 | 999.97 | 497.1967574762623125 | 22538
83 | 2017051815 | 11466423.01 | 0.01 | 999.93 | 501.3959075604530150 | 22869
526 | 2017051815 | 11389541.40 | 0.01 | 999.99 | 503.4496485877204615 | 22623
996 | 2017051815 | 11416373.92 | 0.03 | 999.99 | 502.1938996172964413 | 22733
262 | 2017051815 | 11458700.05 | 0.03 | 999.98 | 499.5509656465254163 | 22938
542 | 2017051815 | 11365373.33 | 0.00 | 999.95 | 499.6427366246098387 | 22747
......
3. Синхронный анализ данных (режим запуска в реальном времени)
Теперь давайте рассмотрим сценарий синхронного анализа данных. Для этого мы хотим записывать подробные данные в режиме реального времени и синхронно обновлять окончательный статус.
Вообще понятно, что использовать синхронную статистику не рекомендуется, поскольку этот метод может негативно сказаться на производительности записи RT. Тем не менее, давайте пока продолжим с этим.
Чтобы настроить это, вам нужно, чтобы итоговая таблица состояния датчиков обновлялась в режиме реального времени.
create table sensor_lastdata(
sid int primary key,
last_ts timestamp,
last_val numeric(10,2)
);
Теперь, чтобы настроить сценарий стресс-теста 1, вам нужно обновить состояние датчиков в реальном времени.
vi ins.sql
\set sid random(1,1000000)
insert into sensor_lastdata values (:sid, now(), random()*1000) on conflict (sid) do update set last_ts=excluded.last_ts,last_val=excluded.last_val;
В результате производительность составляет около 180 000 записей состояния каждую секунду, как вы можете видеть ниже:
/home/digoal/pgsql10/bin/pgbench -M prepared -n -r -P 1 -f ./ins.sql -c 128 -j 128 -T 100
transaction type: ./ins.sql
scaling factor: 1
query mode: prepared
number of clients: 128
number of threads: 128
duration: 100 s
number of transactions actually processed: 18659587
latency average = 0.686 ms
latency stddev = 2.566 ms
tps = 186557.140033 (including connections establishing)
tps = 186565.458460 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.001 \set sid random(1,1000000)
0.684 insert into sensor_lastdata values (:sid, now(), random()*1000) on conflict (sid) do update set last_ts=excluded.last_ts,last_val=excluded.last_val;
Сравнение трех методов
Сравнение производительности
Теперь давайте посмотрим, как каждый из них сравнивается.
1. Подробная запись скорости записи
- Лямбда: 106 000 записей данных/с
- Потоковая передача данных (включая агрегацию данных VAL): 127 800 записей/с
- Потоковая передача данных (исключая агрегацию данных VAL): 208 000 записей/с
2. Скорость обновления конечного статуса
- Лямбда: 59 800 записей/с
- Синхронный анализ данных: 186 000 записей/с
- Потоковая передача данных: 208 000 записей/с
3. Скорость статистики
- Лямбда (включая агрегацию данных VAL): 44 000 записей/с
- Потоковая передача данных (включая агрегацию данных VAL): 127 800 записей/с
- Потоковая передача данных (исключая агрегацию данных VAL): 208 000 записей/с
Преимущества, недостатки и применимые сценарии
1. Лямбда-режим
Производительность Lambda относительно средняя — ничего особенного, с нашей точки зрения. Однако благодаря использованию пользовательских функций (UDF) и добавочного планирования Lambda поддерживает все статистические режимы. Функция Lambda имеет множество вариантов использования и поддерживает статистику почти в реальном времени для нескольких терабайт данных в день.
Мы ожидаем, что сообщество PostgreSQL разработает следующую функцию:
delete from table order by pk limit xxx skip locked returning array_agg(ts),array_agg(val) group by sid;
Такой запрос может удалить пакет записей из таблицы и вернуть те же записи с минимальными затратами. По сравнению с предыдущим примером производительность может быть улучшена на 100%.
2. Режим потоковых вычислений
Это решение обеспечивает максимальную производительность и удобство использования. Поэтому мы рекомендуем вам использовать это решение. Потоковое решение станет еще удобнее после преобразования PipelineDB в плагин.
3. Синхронный анализ данных (режим триггера в реальном времени)
Это решение рекомендуется, если вам нужно только обновить окончательный статус. Если это используется, ваша рабочая нагрузка по разработке будет сведена к минимуму, а также не потребуется планирование.
Оригинальный источник
📝 Читайте эту историю позже в Журнале.
👩💻 Просыпайтесь каждое воскресное утро и слушайте самые примечательные новости недели в области технологий, ожидающие в вашем почтовом ящике. Читать информационный бюллетень Noteworthy in Tech.