HTAP数据库 PostgreSQL 场景与性能测试之 27 - (OLTP) 物联网 - FEED日志, 流式处理 与 阅后即焚 (CTE)

PostgreSQL , HTAP , OLTP , OLAP , 场景与性能测试

<a href="https://github.com/digoal/blog/blob/master/201711/20171107_02_pic_003.jpg" target="_blank"></a>

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：

<a href="https://github.com/digoal/blog/blob/master/201710/20171029_01.md">《最受开发者欢迎的HTAP数据库PostgreSQL 10特性》</a>

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。

<a href="https://github.com/digoal/blog/blob/master/201711/20171107_02_pic_001.jpg" target="_blank"></a>

在各种应用场景中都可以看到PostgreSQL的应用：

<a href="https://github.com/digoal/blog/blob/master/201706/20170601_02_pic_002.png" target="_blank"></a>

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：

<a href="https://github.com/digoal/blog/blob/master/201711/20171107_02_pic_002.jpg" target="_blank"></a>

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。

环境部署方法参考：

<a href="https://github.com/digoal/blog/blob/master/201710/20171018_01.md">《PostgreSQL 10 + PostGIS + Sharding(pg_pathman) + MySQL(fdw外部表) on ECS 部署指南(适合新用户)》</a>

阿里云 ECS：<code>56核，224G，1.5TB*2 SSD云盘</code>。

操作系统：<code>CentOS 7.4 x64</code>

数据库版本：<code>PostgreSQL 10</code>

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。

在几乎所有的行业中，例如物联网、互联网、金融等的业务系统中，都会包括FEED数据，即轨迹，包括用户行为轨迹，业务系统产生的日志等。

这些数据通常被用于流式处理，历史可以被保留用于分析，也可以不保留（视业务需要）。

如果FEED数据不需要被保留，仅需要流式处理的话，那么就涉及两个问题：

1、高速写入(insert)

<a href="https://github.com/digoal/blog/blob/master/20171107_25.md">《HTAP数据库 PostgreSQL 场景与性能测试之 24 - (OLTP) 物联网 - 时序数据并发写入(含时序索引BRIN)》</a>

阿里云ECS，56核的机器，写入速度约 313.7 万行/s。

2、高速消费(delete and compute)

本文测的是高速消费。

<a href="https://github.com/digoal/blog/blob/master/201711/20171107_28_pic_001.jpg" target="_blank"></a>

我在几年前给某个核电和火电监测项目设计过一个这样的架构，可以满足数据的高速写入，以及数据的高速消费，不留痕迹。

最近双十一的某个实时处理业务，也可以使用这种架构。

<a href="https://github.com/digoal/blog/blob/master/201711/20171111_01.md">《PostgreSQL 异步消息实践 - Feed系统实时监测与响应(如 电商主动服务) - 分钟级到毫秒级的跨域》</a>

100万个传感器，2048个分区，总共20亿条已写入的传感器上报数据。

并行、批量的消费。

使用2048个分表。

1、批量生成传感器测试数据的函数

2、批量消费传感器数据的函数，按时间，从最早开始消费。

处理逻辑也可以放到里面，例如预警逻辑(采用PostgreSQL异步消息、CTE语法)。

<a href="https://github.com/digoal/blog/blob/master/201608/20160818_01.md">《PostgreSQL 内存表》</a>

100万个传感器，准备20亿条传感器上报的数据。

压测

平均每秒消费 条，阅后即焚。

相当于消费 395.2 万行/s。

<a href="https://github.com/digoal/blog/blob/master/201706/20170601_02.md">《PostgreSQL、Greenplum 应用案例宝典《如来神掌》 - 目录》</a>

<a href="https://github.com/digoal/blog/blob/master/201702/20170209_01.md">《数据库选型之 - 大象十八摸 - 致 架构师、开发者》</a>

<a href="https://github.com/digoal/blog/blob/master/201610/20161031_02.md">《PostgreSQL 使用 pgbench 测试 sysbench 相关case》</a>

<a href="https://github.com/digoal/blog/blob/master/201701/20170125_01.md">《数据库界的华山论剑 tpc.org》</a>

<a href="https://www.postgresql.org/docs/10/static/pgbench.html">https://www.postgresql.org/docs/10/static/pgbench.html</a>