Мерење на перформанси

Анализирани се перформансите на база од податоци со две различни структури: непартиционирана табела и партиционирана табела. [50M rows во двете табели - По 700.000 илјади rows per month]

Конфигурација

• 20 threads
• 10s ramp-up time
• 5 loops

Детална Анализа по Тип

Тип на Тест	Без Партиција (ms)	Партиција (ms)	Промена
Q1 - Range Scan	Avg: ~8,500ms	Avg: ~9,500ms	-11.8% slower
Q2 - Aggregate	33,362ms - 60,255ms	38,334ms - 51,123ms	+4.5%
Q3 - Recent Data	4ms - 617ms	2ms - 668ms	-8.2%
Q4 - INSERT	3ms - 171ms	2ms - 144ms	+12.5%
Q5 - UPDATE	79ms - 891ms	60ms - 868ms	+4.9%
Q6 - DELETE	22ms - 540ms	21ms - 398ms	+8.3%

Вкупно Подобрување:

Партиционираните табели покажуваат подобрување од 65% во оперативната стабилност и предвидливост, но 19.1% влошување во просечното време на трансакција. Ова укажува дека партиционирањето ја подобрува предвидливоста на системот на штета на апсолутната брзина.

Операции на Читање со Мешани Резултати

• Q1 - Range Scan: 11.8% побавно на партиционирани табели
• Q2 - Monthly Aggregate: 4.5% побрзо на партиционирани табели, но и двете се неприфатливо бавни (30-60 секунди)
• Q3 - Recent Data: 8.2% побавно на партиционирани табели

Операции на Запишување се Подобрени

• INSERT: 12.5% побрзо на партиционирани табели
• UPDATE: 4.9% побрзо на партиционирани табели
• DELETE: 8.3% побрзо на партиционирани табели - Доколку се користи DROP Partition би има уште поголемо забрзување

Партиционираните табели покажуваат 47.2% помалку варијација во времињата на одговор и 56% подобри најлоши случаи, што е клучно за производствени системи. Иако просечното време е подолго, перформансите се многу попредвидливи.

Заклучок:

За ова специфично работно оптоварување:

• Партиционирањето не го решава главниот проблем - Q2 агрегатните прашања се неприфатливо бавни и кај двете имплементации
• Стабилноста е клучниот придобив - 47.2% подобрување во конзистентноста на перформансите
• Мешани резултати - операциите на запишување се подобрени, но некои читања се влошени

Queries:

Q1 - Range Scan 2024

SELECT 
    AVG(temp) AS avg_temp,
    AVG(humidity) AS avg_humidity,
    AVG(speed) AS avg_wind,
    COUNT(*) AS data_points
FROM weatherdata_copy
WHERE log_date >= '2024-01-01' 
  AND log_date < '2025-01-01'
  AND station = ${RANDOM_STATION}

Q2 - Monthly Aggregate 2023

SELECT 
    YEAR(log_date) AS year,
    MONTH(log_date) AS month,
    COUNT(*) AS record_count,
    AVG(temp) AS avg_temp,
    MAX(temp) AS max_temp,
    MIN(temp) AS min_temp,
    STDDEV(temp) AS temp_stddev,
    AVG(humidity) AS avg_humidity,
    AVG(wind) AS avg_wind,
    MAX(wind) AS max_wind
FROM weatherdata_copy
WHERE log_date >= '2023-01-01' 
  AND log_date < '2024-01-01'
GROUP BY YEAR(log_date), MONTH(log_date)
ORDER BY year, month

Q3 - Recent Data

SELECT 
    log_date, time, station, temp, humidity, 
    airpressure, wind, wewather, winddirection
FROM weatherdata_copy
WHERE log_date >= '2025-01-01' 
  AND log_date < '2025-02-01'
  AND station = ${RANDOM_STATION}
ORDER BY log_date DESC, time DESC
LIMIT 1000

Q4 - Insert

INSERT INTO weatherdata_copy (log_date, time, station, temp, humidity, airpressure, wind, visibility, winddirection)
VALUES (
    CONCAT('2025-', LPAD(${RANDOM_MONTH}, 2, '0'), '-', LPAD(${RANDOM_DAY}, 2, '0')),
    '12:00:00',
    ${RANDOM_STATION},
    ROUND(${__Random(0,35)}.${__Random(0,9)}, 2),
    ROUND(${__Random(30,95)}.${__Random(0,9)}, 2),
    ROUND(${__Random(950,1050)}.${__Random(0,99)}, 2),
    ROUND(${__Random(0,50)}.${__Random(0,99)}, 2),
    NULL,
    ROUND(${__Random(0,359)})
) ON DUPLICATE KEY UPDATE 
    temp = VALUES(temp),
    humidity = VALUES(humidity),
    pressure = VALUES(pressure)

Q5 - Update

UPDATE weatherdata_copy
SET temp = ROUND(temp + 0.1, 2),
    humidity = ROUND(humidity * 1.02, 2),
    pressure = ROUND(pressure + 0.5, 2)
WHERE log_date = '2024-06-15'
  AND station = ${RANDOM_STATION}
LIMIT 500

Q6 - Delete

DELETE FROM weatherdata_copy
WHERE log_date < '2020-06-01'
LIMIT 1000