查询性能：TDengine 最高达到了 InfluxDB 的 37 倍、 TimescaleDB 的 28.6 倍

在上一篇文章《写入性能：TDengine 最高达到 InfluxDB 的 10.3 倍，TimeScaleDB 的 6.74 倍》中，我们基于 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）和场景二作为基准数据集，关于基础数据集的具体特点，请点击进入《TSBS 是什么？为什么 TDengine 会选择它作为性能对比测试平台？》一文中查看。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，我们采用了《TimescaleDB vs. InfluxDB》（见下方链接）中的推荐配置，设置为 8 个 Chunk；对于 InfluxDB，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，其他的数据库参数配置为默认值。

TimescaleDB vs. InfluxDB: Purpose Built Differently for Time-Series Data：

https://www.timescale.com/blog/timescaledb-vs-influxdb-for-time-series-data-timescale-influx-sql-nosql-36489299877/

4,000 devices × 10 metrics 查询性能对比：最高达到 InfluxDB 的 34.2 倍

由于部分类型（分类标准参见上方《TimescaleDB vs. InfluxDB》 一文）单次查询响应时间非常短，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，我们将单个查询运行次数提升到 5000 次，然后使用 TSBS 自动统计并输出结果，最后结果是 5000 次查询的算数平均值，使用并发客户端 Workers 数量为 8。下表是场景二 （4000设备）的查询性能对比结果。

4,000 devices × 10 metrics（场景二）查询性能对比表（单位：ms）

下面我们对每个查询结果做一定的分析说明：

4000 devices × 10 metrics Simple Rollups 查询响应时间 (数值越小越好)

由于 Simple Rollups 的整体查询响应时间非常短，因此制约查询响应时间的主体因素并不是查询所涉及的数据规模，即这一类型查询的瓶颈并非数据规模。但从结果上看，TDengine 仍然在所有类型的查询响应时间上优于 InfluxDB 和 TimescaleDB，具体的数值对比请参见上表。

4000 devices × 10 metrics Aggregates 查询响应时间 (数值越小越好)

在 Aggregates 类型的查询中，TDengine 的查询性能相比于 TimescaleDB 和 InfluxDB 优势更为明显，其在 cpu-max-all-8 中的查询性能是 InfluxDB 的 7 倍，是 TimescaleDB 的 6 倍。

4000 devices × 10 metrics Double rollups 查询响应时间 (数值越小越好)

从上表可见，在 Double-rollups 类型查询中， TDengine 展现出了巨大的性能优势。以查询响应时间来度量，其在 double-groupby-5 和 double-groupby-all 的查询性能均是 TimescaleDB 的 24 倍；在 double-groupby-5 查询上是 InfluxDB 的 26 倍，double-groupby-all 上是其 34 倍。

4000 devices × 10 metrics Thresholds 查询 high-cpu-1 响应时间 (数值越小越好)

4000 devices × 10 metrics Thresholds 查询 high-cpu-all 响应时间 (数值越小越好)

如上面两图所示，threshold 类型的查询中，high-cpu-1 中 TDengine 的查询响应时间均显著低于 TimescaleDB 和 InfluxDB。在 high-cpu-all 的查询中，TDengine 的性能是 InfluxDB 的 15 倍，是 TimescaleDB 的 1.23 倍。

4000 devices × 10 metrics Complex queries 查询响应时间 (数值越小越好)

对于 Complex-queries 类型的查询，TDengine 两个查询均大幅领先 TimescaleDB 和 InfluxDB——在 lastpoint 查询中，其性能是 TimescaleDB 的 5 倍， InfluxDB 的 21 倍；在 groupby-orderby-limit 场景中其查询性能是TimescaleDB的 8 倍，是 InfluxDB 的 15 倍。在时间窗口聚合的查询过程中，TimescaleDB 针对规模较大的数据集查询性能不佳（double rollups 类型查询），对于 groupby-orderby-limit 的查询，其性能上表现同样不是太好。

资源开销对比：整体 CPU 计算时间消耗是 InfluxDB 的 1/10

由于部分查询持续时间特别短，因此并不能凭借以上信息完整地看到查询过程中服务器的 IO/CPU/网络情况。为此，我们以场景二的数据为模拟数据，以 Double rollups 类别中的 double-groupby-5 查询为例，执行 1000 次查询，记录整个过程中三个软件系统在查询执行的整个过程中服务器 CPU、内存、网络的开销并进行对比。

服务器 CPU 开销

查询过程中服务器 CPU 开销

从上图可以看到，三个系统在整个查询过程中 CPU 的使用均较为平稳。TDengine 在查询过程中整体 CPU 占用约 80%, 在三个系统中使用的 CPU 资源最高；TimescaleDB 在查询过程中瞬时 CPU 占用次之，约 38%；InfluxDB 的 CPU 占用的最小，约 27 %（但是有较多的瞬时冲高）。从整体 CPU 开销上来看，虽然 InfluxDB 瞬时 CPU 开销最低，但是其完成查询持续时间也最长，所以整体 CPU 资源消耗最多。由于 TDengine 完成全部查询的时间仅为 TimescaleDB 或 InfluxDB 的 1/20，因此虽然其 CPU 稳定值是 TimescaleDB 与 InfluxDB 的 2 倍多，但整体的 CPU 计算时间消耗却只有其 1/10 。

服务器内存状况

查询过程中服务器内存情况

如上图所示，在整个查询过程中，TDengine 内存维持了一个相对平稳的状态。TimescaleDB 在整个查询过程中内存呈现增加的状态，查询完成后即恢复到初始状态，InfluxDB 内存占用呈现相对稳定的状态。

服务器网络带宽

查询过程中网络占用情况

上图展示了查询过程中服务器端上行和下行的网络带宽情况，负载状况基本上和 CPU 状况相似。TDengine 网络带宽开销最高，因为在最短的时间内就完成了全部查询，需要将查询结果返回给客户端。InfluxDB 网络带宽开销最低，TimescaleDB 介于两者之间。

100 devices × 10 metrics 查询性能对比：最高达到 TimescaleDB 的 28.6 倍

对于场景一(100 devices x 10 metrics)来说，TSBS 的 15 个查询对比结果如下：

InfluxDB 与 Timescale 相对于 TDengine 的查询响应时间比率 (单位：ms)

如上表所示，在更小规模的数据集（100 设备）上的查询对比可以看到，整体来说 TDengine 同样展现出极好的性能，在全部查询语句中均优于 TimescaleDB 和 InfluxDB，部分查询性能超过 TimescaleDB 28 倍，超过 InfluxDB 37 倍。

写在最后

基于上文可以做出总结，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 1.9 ～ 37 倍，场景二中 TDengine 查询性能是其 1.8 ～ 34.2 倍；相对于 TimeScaleDB，场景一中TDengine 查询性能是其 1.1 ～ 28.6 倍，场景二中 TDengine 查询性能是其 1.2 ～ 24.6 倍。

事实上，TDengine 高效的查询性能此前在很多企业客户的实践中就已经展示出来了，以广东省环境科学研究院生态环境数据治理服务项目为例，对于 76 亿行的超级表，TDengine 运行分组 TOP 查询仅用了 0.2 秒；基于 TDengine 返回 2,968 行，仅用了 0.06 秒；返回 5,280 行数据，仅用了 0.1 秒。

---

如果你也面临着数据处理难题或想要进行数据架构升级，欢迎添加小T vx：tdengine1，加入 TDengine 用户交流群，和更多志同道合的开发者一起攻克难关。

了解更多 TDengine Database的具体细节，可在GitHub上查看相关源代码。