Page History

# 目标

写一个负载程序使得IoTDB能在长期写入，覆盖层级合并、顺序乱序合并，实际删除数据，重启下，使数据能够正确查询。
写一个负载程序使得IoTDB能在长期写入，覆盖层级合并、顺序乱序合并，实际删除数据，重启下，数据能够正确查询。

# 运行命令

```
java -jar XXX.jar -username root...
```
# 数据量 可配置项

组数，设备数，每个设备sensor数量，循环重复插入查询次数，写入模式（顺序，乱序，删除）。

# 数据规模案例

10组，每组10个设备，每个设备10个sensor例如，10组，每组10个设备，每个设备10个sensor （`sg1~sg10, d1~d10, s1~s10`）s1~s10`）。

### 

# 1. 普通写入查询 

10组X10设备X10个sensor例如，10组X10设备X10个sensor=1000个sensor写入。单客户端写入。写入之后立即查询，按照下面标题顺序依次查询验证。1000个sensor写入。单客户端写入。写入之后立即查询。

### 步骤一：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

### 步骤二：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，如果选择了最后随机选择1个时间范围（随机选择一个时间点，时间点前后各查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，如果选择了最后随机选择1个时间范围（随机选择一个时间点，时间点前后各查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，如果选择了最后随机选择1个时间范围（随机选择一个时间点，时间点前后各查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
```

### 步骤三：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_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

### 步骤四：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_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

### 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

### 步骤一：执行1. 普通写入查询

### 步骤二：执行flush操作

### 步骤三：写入乱序点

每个sensor随机设置N每个sensor随机插入N*10000（1100（1 <= N <= 9），从后往前个乱序数据点插入，数据全部加一。9）个乱序数据点，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

### 步骤四：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sensor选择一个乱序数据插入时间点，时间点前后各查1000个）。其余全部和1. 普通写入查询同理。

### 步骤五：重复写入查询

重复上述操作。

# 3. 删除写入查询

### 步骤一：执行1. 普通写入查询

### 步骤二：删除点

每个sensor随机删除N*100（1 <= N <= 9）个时间点数据。

### 步骤三：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，时间点前后各查1000个）。其余全部和1. 普通写入查询同理。

# 4. 验证正确性
顺序数据插入数据与时间一致，且为INT64类型。乱序数据插入数据与时间+1一致。如果出现不一致的数据，将不一致的数据和sql打印到日志里。