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，数据能够正确查询。

运行命令

java -jar XXX.jar -username root...

可配置项

组数（storageGroupNumber），设备数（deviceNumber），每个设备sensor数量（sensorNumber），循环重复插入查询次数（Loop，从零开始），写入模式（顺序，乱序，删除）。

数据规模案例

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

1. 普通写入查询

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。

步骤一：写入

每个sensor写入十万个数据点

例如设备d1

步骤二：原始数据部分查询

单设备单传感器

随机在[1,100000 * (Loop + 1)]中选择1个时间点T，查询[T-999, T]数据。如果T选择在[1,1000],那么就查[1,1000]的数据。随机选择一个组（sgN, 1<= N <= 组数）一个设备（dN, 1<= N <= 设备数），再随机选择2个传感器（sN，1<=N <= 传感器数）。总共两次查询。

例如设备d1

select s1 from root.sg1.d1 where time >= 100 and time <= 1099
select s10 from root.sg1.d1 where time >= 1201 and time <= 2200

多设备单传感器

随机在[1,100000 * (Loop + 1)]中选择1个时间点T，查询[T-999, T]数据。如果T选择在[1,1000],那么就查[1,1000]的数据。随机选择一个组，设备全选，随机选择2个传感器。总共两次查询。

例如

select s1 from root.sg1.d1, root.sg1.d2, ..., root.sg1.d10 where time >= 100 and time <= 1099
select s4 from root.sg1.d1, root.sg1.d2, ..., root.sg1.d10 where time >= 1201 and time <= 2200

单设备多传感器

随机在[1,100000 * (Loop + 1)]中选择1个时间点T，查询[T-999, T]数据。如果T选择在[1,1000],那么就查[1,1000]的数据。随机选择一个组一个设备，传感器全选。总共一次查询。

例如

select s1, s1, ...,s10 from root.sg1.d1 where time >= 100 and time <= 1099

步骤三：聚合查询

单设备单传感器

随机在[1,100000 * (Loop + 1)]中选择1个时间点T，查询[T-999, T]数据。如果T选择在[1,1000],那么就查[1,1000]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。聚合函数分别为last_value，count。

select count(s1) from root.sg1.d1 where time >= 1001 and time <= 2000
select last_value(s1) from root.sg1.d1 where time >= 3001 and time <= 4000
select count(s100) from root.sg1.d1 where time >= 4001 and time <= 5000
select last_value(s100) from root.sg1.d1 where time >= 5001 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：聚合查询全时间范围

单设备单传感器

随机在[1,100000 * (Loop + 1)]中选择1个时间点T，查询[T-999, T]数据。如果T选择在[1,1000],那么就查[1,1000]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。聚合函数分别为last_value，count。

select count(s1) from root.sg1.d1
select last_value(s1) from root.sg1.d1
select count(s10) from root.sg1.d1
select last_value(s10) from root.sg1.d1

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

步骤五：降采样查询

单设备单传感器

例如设备d1

随机在[1,100000 * (Loop + 1)]中选择1个时间点T，查询[T-999, T]数据。如果T选择在[1,1000],那么就查[1,1000]的数据。步长为100。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。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

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

随机选择一个sensor，随机在[1,100000 * (Loop + 1)]中选择1个时间点T，插入[T-999, T]的乱序数据并且乱序数据全部加一。

例如设备d1

步骤四：查询

随机在[T-999,T]选择一个点K，查询[K-999,K]。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

随机选择一个sensor，随机在[1,100000 * (Loop + 1)]中选择1个时间点T，删除[T-999, T]的数据。

步骤三：原始数据部分查询

随机在[T-999,T]选择一个点K，查询[K-999,K]。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。