THIS IS A TEST INSTANCE. ALL YOUR CHANGES WILL BE LOST!!!!
...
| Markdown |
|---|
# 数据量 10组，每组10个设备，每个设备10个sensor （sg1~sg10（`sg1~sg10, d1~d10, s1~s10）s1~s10`） ### # 1. 普通写入查询 （10X10X10=1000个sensor写入） ### 写入 每个sensor写入十万个数据点 例如设备d1 time | s1 | s2 | ... | s10 ---|---|---|---|---| 1 | 1 | 1 | ... | 1 2 | 2 | 2 | ... | 2 ... | ... | ... | ... | ... 100000 | 100000 | 100000 | 100000 | 100000 ### 原始数据部分查询 ##### 单设备单传感器 随机选择1个时间范围（随机选择一个时间点，往后查1000个，如果选择了最后99000~100000时间点，就查99000~100000的数据）。随机选择一个组一个设备，再随机选择2个传感器。总共两次查询。每次查询时间范围都不一样。随机选择1个时间范围（随机选择一个时间点，往后查1000个，如果选择了最后(99000,100000]时间点，就查(99000,100000]的数据）。随机选择一个组一个设备，再随机选择2个传感器。总共两次查询。每次查询时间范围都不一样。 例如设备d1 ``` select s1 from root.sg1.d1 where time >= 99 and time <= 1099 select s100 from root.sg1.d1 where time >= 1200 and time <= 2200 ``` ##### 多设备单传感器 随机选择1个时间范围（随机选择一个时间点，往后查1000个，如果选择了最后99000~100000时间点，就查99000~100000的数据）。随机选择一个组，随机选择2个传感器。总共两次查询。每次查询时间范围都不一样。 例如 ``` select s1 from root.sg1.d1, root.sg1.d2, ..., root.sg1.d10 where time >= 99 and time <= 1099 select s4 from root.sg1.d1, root.sg1.d2, ..., root.sg1.d10 where time >= 1200 and time <= 2200 ``` ##### 单设备多传感器 随机选择1个时间范围（随机选择一个时间点，往后查1000个，如果选择了最后99000~100000时间点，就查99000~100000的数据）。随机选择一个组一个设备。总共一次查询。每次查询时间范围都不一样。随机选择1个时间范围（随机选择一个时间点，往后查1000个，如果选择了最后(99000,100000]时间点，就查(99000,100000]的数据）。随机选择一个组一个设备。总共一次查询。每次查询时间范围都不一样。 例如 ``` select s1, s1, ...,s10 from root.sg1.d1 where time >= 99 and time <= 1099 ``` 对比数据是否一致, 如果不一致，打印出不一样的数据和sql。 ### 聚合查询 ##### 单设备单传感器 随机选择1个时间范围（随机选择一个时间点，且必须为10的整数倍，往后查1000个，如果选择了最后99000~100000时间点，就查99000~100000的数据）。随机选择一个组一个设备，再随机选择2个传感器。总共四次查询。每次查询时间范围都不一样。聚合函数分别为`last随机选择1个时间范围（随机选择一个时间点，且必须为10的整数倍，往后查1000个，如果选择了最后(99000,100000]时间点，就查(99000,100000]的数据）。随机选择一个组一个设备，再随机选择2个传感器。总共四次查询。每次查询时间范围都不一样。聚合函数分别为`last_value，count`。 ``` select count(s1) from root.sg1.d1 where time >= 1000 and time <= 2000 select last_value(s1) from root.sg1.d1 where time >= 3000 and time <= 4000 select count(s100) from root.sg1.d1 where time >= 4000 and time <= 5000 select last_value(s100) from root.sg1.d1 where time >= 5000 and time <= 6000 ``` ##### 多设备单传感器 和原始数据同理 ##### 单设备多传感器 和原始数据同理 ### 降采样查询 ##### 单设备单传感器 例如设备d1 随机选择1个时间范围（随机选择一个时间点，且必须为10的整数倍，往后查1000个，如果选择了最后99000~100000时间点，就查99000~100000的数据）。步长为10。随机选择一个组一个设备，再随机选择2个传感器。总共六次查询。每次查询时间范围都不一样。聚合函数分别为`last随机选择1个时间范围（随机选择一个时间点，且必须为10的整数倍，往后查1000个，如果选择了最后(99000,100000]时间点，就查(99000,100000]的数据）。步长为10。随机选择一个组一个设备，再随机选择2个传感器。总共六次查询。每次查询时间范围都不一样。聚合函数分别为`last_value, first_value, count`。 ``` select first_value(s1) from root.sg1.d1 group by ((1000, 2000], 10) select last_value(s1) from root.sg1.d1 group by ((3000, 4000], 10) select count(s1) from root.sg1.d1 group by ((4000, 5000], 10) select first_value(s100) from root.sg1.d1 group by ((5000, 6000], 10) select last_value(s100) from root.sg1.d1 group by ((7000, 8000], 10) select count(s100) from root.sg1.d1 group by ((9000, 10000], 10) ``` ##### 多设备单传感器 和原始数据同理 ##### 单设备多传感器 和原始数据同理 对比数据是否一致, 如果不一致，打印出不一样的数据和sql。 ### 重复写入查询 每个sensor再写入十万个数据点 例如设备d1 time | s1 | s2 | ... | s10 ---|---|---|---|---| 100001 | 100001 | 100001 | ... | 100001 100002 | 100002 | 100002 | ... | 100002 ... | ... | ... | ... | ... 200000 | 200000 | 200000 | 200000 | 200000 重复上述操作 # 2. 乱序写入查询 ### 执行1. 普通写入查询 ### 执行flush操作 ### 写入乱序点 每个sensor随机设置N*10000（1 <= N <= 9），从后往前个乱序数据点插入，数据全部加一。 例如设备d1 time | s1 | s2 | ... | s100 ---|---|---|---|---| 50001 | 50002 | 50002 | ... | 50002 50002 | 50003 | 50003 | ... | 50003 ... | ... | ... | ... | ... 100000 | 100001 | 100001 | 100001 | 100001 ### 原始数据部分查询 随机选择1个时间范围（随机在N*10000~100000选择一个时间点，往前查1000个）。其余全部和1随机选择1个时间范围（随机在(N*10000,100000]选择一个时间点，往前查1000个）。其余全部和1. 普通写入查询同理。 ### 重复写入查询 重复上述操作。 # 3. 删除写入查询 ### 执行1. 普通写入查询 ### 删除点 每个sensor随机删除N*100（1 <= N <= 9）个时间点数据。 ### 原始数据部分查询 随机选择1个时间范围（随机在删除时间段选择一个时间点，往前查1000个）。其余全部和1. 普通写入查询同理。 |
...