数据量
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 (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。
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99000100000时间点,就查99000100000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。
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_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_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. 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。