InfluxDB vs TimeScaleDB 功能/性能对比 （一）

本篇主要对InfluxDB和TimeScaleDB进行功能和性能对比。

目录

目的及最终结论
<https://blog.csdn.net/u013480467/article/details/81478514#%E7%9B%AE%E7%9A%84%E5%8F%8A%E6%9C%80%E7%BB%88%E7%BB%93%E8%AE%BA>

对比InfluxDB与TimeScaleDB的功能
<https://blog.csdn.net/u013480467/article/details/81478514#%E5%AF%B9%E6%AF%94InfluxDB%E4%B8%8ETimeScaleDB%E7%9A%84%E5%8A%9F%E8%83%BD>

对比InfluxDB与TimeScaleDB数据写入性能
<https://blog.csdn.net/u013480467/article/details/81478514#%E5%AF%B9%E6%AF%94InfluxDB%E4%B8%8ETimeScaleDB%E6%95%B0%E6%8D%AE%E5%86%99%E5%85%A5%E6%80%A7%E8%83%BD>

对比InfluxDB与TimeScaleDB数据存储空间占用
<https://blog.csdn.net/u013480467/article/details/81478514#%E5%AF%B9%E6%AF%94InfluxDB%E4%B8%8ETimeScaleDB%E6%95%B0%E6%8D%AE%E5%AD%98%E5%82%A8%E7%A9%BA%E9%97%B4%E5%8D%A0%E7%94%A8>

对比InfluxDB与TimeScaleDB数据读取性能
<https://blog.csdn.net/u013480467/article/details/81478514#%E5%AF%B9%E6%AF%94InfluxDB%E4%B8%8ETimeScaleDB%E6%95%B0%E6%8D%AE%E8%AF%BB%E5%8F%96%E6%80%A7%E8%83%BD>

功能对比
<https://blog.csdn.net/u013480467/article/details/81478514#%E5%8A%9F%E8%83%BD%E5%AF%B9%E6%AF%94>

性能对比
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%80%A7%E8%83%BD%E5%AF%B9%E6%AF%94>

测试环境
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%B5%8B%E8%AF%95%E7%8E%AF%E5%A2%83>

测试机
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%B5%8B%E8%AF%95%E6%9C%BA>

TimeScaleDB配置
<https://blog.csdn.net/u013480467/article/details/81478514#TimeScaleDB%E9%85%8D%E7%BD%AE>

InfluxDB配置
<https://blog.csdn.net/u013480467/article/details/81478514#InfluxDB%E9%85%8D%E7%BD%AE>

测试方式
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%B5%8B%E8%AF%95%E6%96%B9%E5%BC%8F>

测试数据
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%B5%8B%E8%AF%95%E6%95%B0%E6%8D%AE>

测试结果
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%B5%8B%E8%AF%95%E7%BB%93%E6%9E%9C>

数据写入性能
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%95%B0%E6%8D%AE%E5%86%99%E5%85%A5%E6%80%A7%E8%83%BD>

存储空间占用
<https://blog.csdn.net/u013480467/article/details/81478514#%E5%AD%98%E5%82%A8%E7%A9%BA%E9%97%B4%E5%8D%A0%E7%94%A8>

数据读取性能
<https://blog.csdn.net/u013480467/article/details/81478514#%E6%95%B0%E6%8D%AE%E8%AF%BB%E5%8F%96%E6%80%A7%E8%83%BD>

 

目的及最终结论

对比InfluxDB与TimeScaleDB的功能

结论：TimeScaleDB的功能更加完善。

对比InfluxDB与TimeScaleDB数据写入性能

结论：InfluxDB的写入性能约为TimeScaleDB的两倍

使用相同的表结构，不做任何表结构层面的优化，在同一台机器进行测试，InfluxDB的写入性能约为TimeScaleDB的两倍



对比InfluxDB与TimeScaleDB数据存储空间占用

结论：InfluxDB的存储空间占用不到TimeScaleDB的50%

使用相同的表结构，不做任何表结构层面的优化，在同一台机器进行测试，InfluxDB的存储空间占用不到TimeScaleDB的50%



对比InfluxDB与TimeScaleDB数据读取性能

暂未完成

功能对比


TimeScaleDB的功能更完善。TimeScaleDB作为PostgreSQL的扩展，只是在数据存储上利用PostgreSQL的特性做了一些优化，PostgreSQL支持的功能，TimeScaleDB全部支持。而InfluxDB是分析型时序数据库，舍弃了很多交易型数据库必须支持的功能。

增删改：InfluxDB不支持对数据的修改，InfluxDB只支持按tag或时间戳删除。TimeScaleDB都支持。

索引：InfluxDB时间戳和tags带索引，不支持自定义索引。TimeScaleDB更加灵活，可自定义索引

约束：InfluxDB不支持，TimeScaleDB支持

聚合函数：常用的聚合函数两种数据库都支持，TimeScaleDB的函数覆盖面更广一些。

 

性能对比

测试环境

测试机

centos虚拟机

cpu: AMD Ryzen 5 1600 Six-Core（4线程）

内存：8G

磁盘：机械硬盘

TimeScaleDB配置

版本：PostgreSQL 10.4+TimeScaleDB 0.10

shared_buffers = 2g (推荐设置为机器内存的1/4，默认值为1g)

wal_buffers = 64m （推荐设置为shared_buffers的1/32，默认值为16m）

wal_writer_delay = 800ms(默认值200ms)

除上述修改之外均使用默认配置

 

InfluxDB配置

版本：1.6.0

cache-max-memory-size = "2g" (默认值为1g)

cache-snapshot-memory-size = "100m"（默认值为25m）

[http] log-enabled = false

wal与data目录指定不同磁盘

除上述修改之外均使用默认配置

 

测试方式


使用JAVA代码编写InfluxDB和TimeScaleDB的写入程序，在本地运行测试程序读写服务器的数据库，写入时batchsize为5000，读取数据时全表扫描读取

batchsize取用5000的原因是：使用上述表结构测试，TimeScaleDB和
InfluxDB的写入batchsize逐渐提升的过程中，当batchsize接近5000时性能有明显提升，当batchsize大于5000时InfluxDB性能下降明显，TimeScaleDB性能有微小提升。综合考虑后将batchsize设置为5000进行测试。测试数据如图：


　

耗时（S）


batchsize

timeScaleDB

InfluxDB


100万

415

——


10万

390

——


1万

438

677


5000

477

355


1000

590

499


500

611

606


100

866

1090

测试数据

表结构:
CREATE TABLE cpu_ts ( "time" timestamp with time zone, --精度ms,以1ms递增 hostname
text, --值为host_0到host_3999,循环取值 usage_user double precision,
--以下其他字段全部为随机生成的double值 usage_system double precision, usage_idle double
precision, usage_nice double precision, usage_iowait double precision,
usage_irq double precision, usage_softirq double precision, usage_steal double
precision, usage_guest double precision, usage_guest_nice double precision )
总行数：1亿行

总数据量：18.1G

单行大小：95byte

TimeScaleDB：使用默认的时间分区跨度：1个月 ，所有数据都将写入同一个分区

InfluxDB：使用默认的时间分区跨度：7天，所有数据都将写入同一个分区

测试结果

由于InfluxDB的时间戳是有索引的 ，因此测试TimeScaleDB时在时间戳字段创建了btree索引。

数据写入性能

单并发

单并发写入的情况下，InfluxDB的写入性能约为TimeScaleDB的2倍，写入数据的过程中，TimeScaleDB内存消耗明显高于InfluxDB。

  行数吞吐量 CPU 内存 网络 磁盘
TimeScaleDB 15865 15+% 50-99% 5M/s 10%-80%
InfluxDB 33101 20+% 30-50% 10+M/s 0-100%
多并发

4并发写入，InfluxDB的性能表现依旧比TimeScaleDB好，将近2倍写入性能，资源消耗差异不大。

  并发数 行数吞吐量 CPU 内存 网络 磁盘
TimeScaleDB 4 43572 50+% 99% 10-20M/s 30%-100%
InfluxDB 4 94786 60+% 90% 30-40M/s 20%-100%
存储空间占用

以上测试数据，InfluxDB存储空间占用不到TimeScaleDB的一半。（原始数据量18.1G）

  空间占用(G)
TimeScaleDB 16.4
InfluxDB 7.3
数据读取性能

暂未完成

 

• « 上一篇：用象棋的思维趣说IT人的职业发展和钱途
• » 下一篇：区块链如何改变人工智能