在上一篇文章《IoT 场景下写入性能：TDengine=16.2 x InfluxDB》中，我们基于 IoT 场景下的 TSBS 时序数据库（Time Series Database）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 IoT 场景下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，这个修改与[TimescaleDB vs. InfluxDB]中要求一致）和场景二作为基准数据集，具体基础数据集的特点，请参照《IoT 场景 TSBS 测试报告结果一键检验，测试脚本是______》。
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[TimescaleDB vs. InfluxDB]中的推荐配置，设置为 8 个 Chunk ，以确保其充分发挥查询性能；对于 lInfluxDB，我们开启 InfluxDB 的 TSI (time series index)。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（scale=100 时配置 1 个），其他的数据库参数配置为默认值。
4,000 devices × 10 metrics 查询性能对比
由于大部分类型单次查询响应时间过长，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，我们依据卡车数量规模，将单个查询运行次数分别提升到 2,000 次（场景一）和 500 次（场景二），然后使用 TSBS 自动统计并输出结果，最后结果是多次查询的算数平均值，使用并发客户端 Workers 数量为 4。下表是场景二 （4,000 设备）的查询性能对比结果。
下面我们对每个查询结果做一定的分析说明：
注：查询一=daily-activity；查询二=avg-daily-driving-session；查询三=avg-daily-driving-duration；查询四=avg-vs-projected-fuel-consumption
4000 devices 查询响应时间 (数值越小越好)
在分组选择的查询中，TDengine 采用一张表一个设备（卡车）的设计方式，并采用缓存模式的 last_row 函数来查询最新的数据。从结果上看，TDengine 的查询响应时间均优于 InfluxDB 和 TimescaleDB。
4000 devices Aggregates 查询响应时间
4000 devices Double rollups 查询响应时间
4000 devices 查询响应时间 (数值越小越好)
资源开销对比
服务器 CPU 开销
查询过程中服务器 CPU 开销
服务器内存状况
查询过程中服务器内存情况
服务器网络带宽
查询过程中网络占用情况
100 devices × 10 metrics 查询性能对比
对于场景一(100 devices x 10 metrics)，TSBS 的 15 个查询对比结果如下：
写在最后
基于上文可以做出总结，查询方面整体来讲，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 2.4 ~ 155.9 倍，场景二中 TDengine 查询性能是其 6.3 ~ 426.3 倍；相对于 TimescaleDB，场景一中 TDengine 查询性能是其 1.1 ~ 16.4 倍，场景二中 TDengine 查询性能是其 1.02 ~ 87 倍。
往
期
推
荐
本文分享自微信公众号 - TDengine（taosdata_news）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
