HTAP数据库 PostgreSQL 场景与性能测试之 6 - (OLTP) 空间应用 - KNN查询(搜索附近对象,由近到远排序输出)...
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 - 空间应用 - KNN查询(搜索附近对象,由近到远排序输出) (OLTP)
1、背景
在社交业务、O2O业务、空间应用中,搜索附近的对象是非常常见的需求,例如:
1、微信的摇一摇,
2、探探的搜索附近的异性,
3、导航软件中搜索附近的加油站、餐馆、酒店等。
4、打车软件,搜索附近的出租车。
5、公安系统,搜索某个多边形内的对象。
6、团圆系统,搜索某个点附近的所有对象。
我们生活的周围有非常多的应用都有附近搜索的需求。
2、设计
一张空间表,10亿个经纬点,输入一个随机点,搜索附近5公里的人,按近到远排序输出前1、100条。
10亿个点已经可以包含非常丰富的信息,建筑物、用户、汽车、小区、商场、加油站。。。等。
3、准备测试表
create extension postgis; create table t_pos( id int primary key, pos geometry
);
4、准备测试函数(可选)
create or replace function ff(geometry, float8, int) returns setof record as $$
declare v_rec record; v_limit int := $3;
begin set local enable_seqscan=off; -- 强制索引, 扫描行数够就退出. for v_rec in select *, st_distancespheroid(pos, $1, 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> $1 loop if v_limit <=0 then -- raise notice '已经取足数据'; return; end if; if v_rec.dist > $2 then -- raise notice '满足条件的点已输出完毕'; return; else -- raise notice 'do someting, v_rec:%', v_rec; return next v_rec; end if; v_limit := v_limit -1; end loop;
end;
$$ language plpgsql strict volatile;
5、准备测试数据
insert into t_pos
select * from ( select id, ST_SetSRID( ST_Point( round((random()*(135.085831-73.406586)+73.406586)::numeric,6), round((random()*(53.880950-3.408477)+3.408477)::numeric,6) ), 4326 ) as pos
from generate_series(1,1000000000) t(id)
) t
order by st_geohash(pos,15); create index idx_t_pos_1 on t_pos using gist(pos);
6、准备测试脚本
1、指定任意一个点,由近到远返回5公里内的100个点。
vi test1.sql \set x random(73,135)
\set y random(3,53)
select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 100) as t(id int, pos geometry, dist float8);
2、指定任意一个点,由近到远返回附近的100个点。
vi test2.sql \set x random(73,135)
\set y random(3,53)
select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 100;
3、指定任意一个点,由近到远返回5公里内的1个点。
vi test3.sql \set x random(73,135)
\set y random(3,53)
select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 1) as t(id int, pos geometry, dist float8);
4、指定任意一个点,由近到远返回附近的1个点。
vi test4.sql \set x random(73,135)
\set y random(3,53)
select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 1;
7、测试
CONNECTS=112
TIMES=120
export PGHOST=$PGDATA
export PGPORT=1999
export PGUSER=postgres
export PGPASSWORD=postgres
export PGDATABASE=postgres pgbench -M prepared -n -r -f ./test1.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES
pgbench -M prepared -n -r -f ./test2.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES
pgbench -M prepared -n -r -f ./test3.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES
pgbench -M prepared -n -r -f ./test4.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES
8、测试结果
1、指定任意一个点,由近到远返回5公里内的100个点。
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 112
number of threads: 112
duration: 120 s
number of transactions actually processed: 1716069
latency average = 7.830 ms
latency stddev = 5.340 ms
tps = 14255.242120 (including connections establishing)
tps = 14258.960645 (excluding connections establishing)
script statistics: - statement latencies in milliseconds: 0.003 \set x random(73,135) 0.001 \set y random(3,53) 7.828 select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 100) as t(id int, pos geometry, dist float8);
2、指定任意一个点,由近到远返回5公里内的1个点。
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 112
number of threads: 112
duration: 120 s
number of transactions actually processed: 12802519
latency average = 1.049 ms
latency stddev = 0.948 ms
tps = 106443.247555 (including connections establishing)
tps = 106471.622064 (excluding connections establishing)
script statistics: - statement latencies in milliseconds: 0.002 \set x random(73,135) 0.001 \set y random(3,53) 1.048 select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 1) as t(id int, pos geometry, dist float8);
3、指定任意一个点,由近到远返回附近的100个点。
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 112
number of threads: 112
duration: 120 s
number of transactions actually processed: 4259777
latency average = 3.154 ms
latency stddev = 1.730 ms
tps = 35485.626794 (including connections establishing)
tps = 35493.479127 (excluding connections establishing)
script statistics: - statement latencies in milliseconds: 0.002 \set x random(73,135) 0.001 \set y random(3,53) 3.152 select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 100;
4、指定任意一个点,由近到远返回附近的1个点。
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 112
number of threads: 112
duration: 120 s
number of transactions actually processed: 16396606
latency average = 0.819 ms
latency stddev = 0.766 ms
tps = 136561.188639 (including connections establishing)
tps = 136600.851378 (excluding connections establishing)
script statistics: - statement latencies in milliseconds: 0.002 \set x random(73,135) 0.001 \set y random(3,53) 0.818 select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 1;
TPS
1、指定任意一个点,由近到远返回5公里内的100个点。
14258
2、指定任意一个点,由近到远返回附近的100个点。
35493
3、指定任意一个点,由近到远返回5公里内的1个点。
106471
4、指定任意一个点,由近到远返回附近的1个点。
136600
平均响应时间
1、指定任意一个点,由近到远返回5公里内的100个点。
7.830 毫秒
2、指定任意一个点,由近到远返回附近的100个点。
3.154 毫秒
3、指定任意一个点,由近到远返回5公里内的1个点。
1.049 毫秒
4、指定任意一个点,由近到远返回附近的1个点。
0.819 毫秒
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
HTAP数据库 PostgreSQL 场景与性能测试之 6 - (OLTP) 空间应用 - KNN查询(搜索附近对象,由近到远排序输出)...相关推荐
- HTAP数据库 PostgreSQL 场景与性能测试之 28 - (OLTP) 高并发点更新
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 ...
- HTAP数据库 PostgreSQL 场景与性能测试之 1 - (OLTP) 点查
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 ...
- 读 TiDB 论文有感 | 数据强一致性且资源隔离的 HTAP 数据库
作者介绍: 陈现麟,伴鱼技术中台负责人,从 0 到 1 搭建伴鱼技术中台,对分布式架构.服务治理.稳定性建设.高并发高 QPS 系统和中台化的组织架构搭建有一定的经验,崇尚简单优雅的设计,关注云原生和 ...
- HTAP数据库及应用场景简析
HTAP数据库,即交易分析混合负载型DB,已经成为一种流行的新型数据库.不仅概念很火,并且也在逐渐成为除OLTP.OLAP之外,越来越多数据库用户新的选型规范.然而,同时又存在一些现象:一是一夜之间, ...
- HTAP数据库:Hubble实时计算场景的最优选择
实时流式计算适用场最大的特点就是及时,试想以下场景,如果没有流式计算系统,公司会损失多少MONEY: 需要实时异常检测的欺诈/风控等系统 需要实时查看交易额的交易系统 需要实时计算点击/计算分成的广告 ...
- 企业级分布式 HTAP 数据库管理系统,腾讯 TBase 正式开源
导读:腾讯云首席架构师李跃森先生,主要负责TBase数据的技术研发和架构设计,有超过10年的数据库内核开发设计经验,进行过多种数据的架构设计和开发.将在即将到来的2019数据技术嘉年华分享主题&quo ...
- 深度揭秘腾讯云新一代企业级HTAP数据库TBase核心概念
腾讯云PostgreSQL-XZ(PGXZ)经过公司内部多年业务的打磨,在2017年改名为TBase后,正式对外推出,目前已在政务.医疗.公安.消防.电信.金融等行业等行业的解决方案中大量应用.TBa ...
- 重读GPDB 和 TiDB 论文引发的 HTAP 数据库再思考
为什么要再思考? 大家好,我是阿福,之前我在社区 Paper Reading 活动中分享了 Greenplum 团队在 2021年 SIGMOD 上发表的论文:<Greenplum: A Hyb ...
- 解读年度数据库PostgreSQL:如何巧妙地实现缓冲区管理器
墨墨导读:PostgreSQL 已获得 DB-Engines 排行榜 2017 年和2018年的"年度数据库"称号,发展如此迅猛,它究竟有什么内幕呢?接下来,我们将选择Postgr ...
最新文章
- python编写Mysql自动备份脚本
- 《Ajax实战》三部曲之“王者归来”
- 5中排序算法(冒泡,选择,插入,快速,归并)
- http://offlineinstallersofts.com/
- If you are confused about the future
- 修改Linux启动后的默认颜色,更改linux目录的默认颜色(我选择了Yellow)
- devops工程师_如何过渡为DevOps工程师的职业
- 测试用例集-11.QQ表情收藏功能测试用例
- 查看网络情况netstat指令与动态监控top指令
- C# 异步工具类 及一点小小的重构经验
- flash在线拍照并上传
- OPENSTACK超售比例之VCPU
- c语言读取文件属性,Java File类(文件操作类)详解
- 农夫山泉CIO分享SAP HANA数据库实施经验
- 寻找“安全圈锦鲤” | 4万粉丝,独宠你一人(倒计时2天)
- win7与internet时间同步出错_win7系统无法同步Internet时间导致时间不准确的解决方法...
- Qtum量子链研究院:Qtum Plasma MVP 技术详解
- python 操作微信_利用 Python 实现微信半自动化操作
- 520被女朋友三番两次拉黑后,我用 Python 写了个“舔狗”必备神器
- 双极性(相)四线步进电机TC1508S(双通道直流马达驱动器)
热门文章
- 使用 WireGuard 组建非对称路由以降低延迟
- 新金融分布式架构之SOFAStack解决方案
- 移动应用架构演变及泛前端趋势下移动团队破局
- 汤小鲜和范小满注重产品口味和品质
- Word控件Spire.Doc 【段落处理】教程(十六):C#中如何设置段落前后的间距
- Kubernetes安全专家认证 (CKS)1.20模拟题英文版答案
- Simple Black-box Adversarial Attacks
- 像素相关概念:PPI、DPI、设备像素、独立像素
- mac电脑之不用鼠标、解放鼠标
- DNSPod十问扶凯:远程办公里藏了多少安全隐患?