Apache TDB性能優(yōu)化的知識點有哪些

本篇內容介紹了“Apache TDB性能優(yōu)化的知識點有哪些”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

現在每個存儲組是一個相對獨立的引擎，而且讀寫鎖是存儲組級別的。因此把存儲組從1改到10，讀寫基本能增速8倍。單個 IoTDB 實例推薦設置 CPU 核數個存儲組。存儲組越多，并行度就越高。我們之后打算把鎖粒度下放到設備層。

設備這個概念沒有在 SQL 語句里顯示的定義出來，而是在服務器端處理時候默認將倒數第二層設置為設備，導致大家容易忽略這個概念。先說一下設備影響什么。

（1）區(qū)分順序數據 和 亂序數據是以設備為粒度的。舉個例子，假如一個設備在內存里寫了時間戳 1-10 的數據（不論寫哪些測點，時間戳都會算到這個設備頭上），落盤了，再寫時間戳<=10 的數據，這些數據就會被當做亂序數據緩存并落盤。

（2）設備粒度的時間范圍索引。對于每個 TsFile 文件，會構造設備粒度的索引在內存里，假如所有設備都活躍，N 個 TsFile，D 個設備，就有 N*D 條索引。百萬級設備的索引內存會吃不消。這個東西我們會在一兩個版本內改掉。

再說一下怎么設計建模來控制設備數。對于實際應用設備和傳感器層次比較簡單的情況比較好說，設備下直接是傳感器層，一般不會建錯。對于設備下有多層結構的就要注意了。

比如我一個設備下有10個傳感器(s1,s2,...,s10)，每個傳感器采集10個時間序列的數據(f1,f2,...f10)。這時候很容易建成 root.xxx.device.s1.f1 這種。當你建成這種時候，你以為的 device 就不再是你以為的 device 了，實際的device 變成了 root.xxx.device.s1 。 實際 device 數量就是你以為的 10 倍了。

怎么辦嘞，如果設備下的子設備不多，這樣建模也沒啥問題，只要你心里清楚系統(tǒng)中實際有多少個設備就行，這樣溝通不會出現偏差，便于以后排查問題。

如果子設備非常多，可以把設備后的那幾層壓成一層，比如 root.xxx.device.s1_f1 。由于我們是以 . 作為分隔符的，這樣 s1_f1 就變成 1 層了。 實際的設備還是 root.xxx.device。

Measurement 也就是最后一層的測點。假如一個測點是 INT32 或者 INT64 類型的，而且大部分時間這個數據的值都一樣，沒什么變化，這時候用 RLE 編碼就很好?？梢源蟠蠊?jié)省磁盤空間，當然刷盤速度也會變快。壓縮方式開著 SNAPPY 就挺好。

0.10.0 引入的這兩個概念，容易分不清這兩個有啥區(qū)別。 雖然都是 key-value 類型的屬性。但是 Tag 是可以反向查詢時間序列的元數據的，假如有個 tag  的 key 是 owner，就可以用 show timeseries where owner=Thanos 查滅霸擁有的時間序列。Tag 常駐內存，有Tag到時間序列的索引。

Attribute 就是普通屬性了，比如有個屬性是 description="this is my series"。這些屬性只能是給定時間序列的路徑順帶展示一下，輔助人查看的。

因此，要根據實際需求進行區(qū)分，那些需要做反向查詢的屬性，就建成 tag，其他的就搞成 attribute 就行了。 

讀和寫關系密切，數據的寫入和參數配置會影響查詢性能。

以 0.10 為例，先同類比較，insertRecords 接口肯定比 insertRecord 接口要快，這個類似 JDBC 的 executeBatch 和 execute 的區(qū)別，節(jié)省了網絡通信次數。同理，insertTablets 比 insertTablet 要快，createMultiTimeseries 也比 createTimeseries 要快。

進一步，insertRecords 方法我們提供了兩種，一種是傳 Object 的 value，一種是傳 String 的 value。如果客戶端能獲取 value 的類型，建議用 Object 的，會比 String 的快 25% 左右。

跨類比較的話，如果不考慮客戶端做格式轉化的耗時，insertTablet 比 insertRecords 要快很多，可能 8 倍以上，節(jié)省了很多對象封裝的耗時，batch size 1000左右就可以。

insertTablet 這個接口默認是沒排序的，如果你能保證一個 Tablet 數據的時間戳是非遞減的，那就可以多加一個 sorted 為 true 的參數。就節(jié)省了客戶端的排序。

在統(tǒng)計耗時的時候，還需要注意客戶端做格式轉化的耗時，可以把接口參數構造的時間和執(zhí)行的時間分開統(tǒng)計。

查詢接口比較簡單，Session 默認的 hasNext 和 next 會返回 RowRecord 結構，這個結構不一定大家都需要，可以用 SessionDataSet 的 iterator 得到一個迭代器，然后通過類似 JDBC 的接口去得到原始數據，避免很多沒用的對象生成。

對于時序數據庫，時序是一個很重要的概念，最好不要亂來。IoTDB 支持數據的亂序寫入，但是亂序數據會影響查詢性能，主要是對于聚合查詢，原理是亂序數據會讓預計算的統(tǒng)計信息失效，把聚合查詢降維打擊到讀原始數據。

正常情況下，有個幾倍的亂序都沒問題，但是如果往一個時間段寫入了過多（幾萬倍）的亂序數據，查詢時候有可能爆內存。舉個例子，內存緩沖區(qū)寫了時間戳1-10的數據落盤了，然后又寫了 9999 遍 1-10 的緩沖區(qū)，這樣磁盤上就有 1 萬個時間戳是 1-10 的數據塊。查詢時候需要將 1萬 個數據塊都讀出來進行合并，內存占用就比較大了。

面對這種場景，我們會后臺做數據整理來處理亂序（在0.9引入的merge，但是0.9版本有bug，0.10修掉了，但是先默認關掉了，會在0.11重新開放merge），但是如果能在客戶端避免亂序，就盡量寫入的時候避免掉。一個設備就按遞增的順序寫入。

如果前邊接了 kafka，最好注意一下，把設備 id 作為分區(qū)粒度，這樣一個設備的數據都會發(fā)送到一個分區(qū)里，消費的時候同一個分區(qū)也能保證順序。

先介紹一下每個序列在內存里能緩存多少個點的怎么算的，用 memtable 大小除以序列數，再除以每個點的大小，比如long類型就是 16字節(jié)（8字節(jié)時間戳，8字節(jié)值），float是12字節(jié)。

memtable 的大小可以從日志里看到，搜 reaches，大概日志就是 the memtable size xxx reaches the threshold。如果配置文件里的 enable_parameter_adapter 沒有改為 false，這個 memtable 大小就不固定，隨著注冊的序列數量調整的。

內存緩沖區(qū)在一定范圍內盡可能大有利于讀寫。平均每個序列能緩沖100萬點以下是比較好的。但是不建議太大，查詢時候會臨時排序，如果內存中數據點過多，比如千萬級，查詢時候內存排序會占個十幾秒。

為了避免這個問題，0.10.0 里加了個參數，avg_series_point_number_threshold ，默認是 10000，也就是內存緩沖區(qū)中每個序列最多緩存這么多點就會刷盤，這個默認參數沒給好，可以改成50萬或者100萬。

memtable_size_threshold 這個參數越大，寫入速度快，一般在幾百M到一兩G左右。不要設置的過小，比如幾M，會嚴重影響寫入速度。在設置這個參數時候需要注意不要超內存限制，調這個參數之前需要保證 enable_parameter_adapter 改為 false。

數據庫的瓶頸在磁盤IO，簡單的提升磁盤IO能力的就是配置多盤。IoTDB 的數據目錄可以在 data_dirs 參數配置，用逗號分隔多個目錄?？梢悦繅K盤一個目錄。在寫數據的時候會到這幾個盤里找最空閑的寫。

剛才說了存儲組級別的鎖，對于同一個存儲組的N個寫線程，這N個寫線程都會搶一把鎖，一個存儲組對應不超過50個客戶端比較好，寫線程過多會導致過多的鎖競爭。

線程池 SessionPool 的容量，一般搞個服務器 CPU 核數就可以了，不要過多。

客戶端的內存，數據的生產和消費速率也可以監(jiān)控起來，避免提交的任務積壓過多，如果客戶端內存滿了，會出現一個現象：客戶端發(fā)送請求到服務器，服務器執(zhí)行和返回很快，但是客戶端接收結果會很慢。

select * from root 這個語句在序列過多時候最好不要做，這個操作會把整個庫當做一張表，一下查出來所有列的一批數據，容易爆內存，我們會在0.11版本加個檢查，及時拒絕。

show timeseries 在 0.10 及以前的版本會把系統(tǒng)所有序列在內存里拷貝一遍傳給客戶端，如果序列過多，最好指定前綴做個過濾?；蛘?show child paths 一層一層往下查。

時間序列過多（億級），元數據可能爆內存，可以按照一條時間序列 200字節(jié)估計一下，大概1千萬序列會占2G元數據（就是那個元數據樹）。

“Apache TDB性能優(yōu)化的知識點有哪些”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！