- 概述
DolphinDB是一款高性能分布式时序数据库（time-series database)，属于列式关系型数据库，由C++编写，具备内置的并行和分布式计算框架，可用于解决实时数据和海量历史数据。
DolphinDB database除了提供本人的脚本语言外，还提供了C++、Java、C#、Python、R等编程语言API，便于开发者在各种不同的开发环境中应用DolphinDB。
本文将测试API接口（C++、Java、C#、Python、R）与DolphinDB交互的性能，具体包含以下场景：
- 单用户上传数据到内存表
- 多用户并发上传数据到分布式（DFS）数据库
- 多用户并发从DolphinDB下载数据到客户端
- 多用户并发发送计算工作（计算某天某个股票的分钟级k线）到DolphinDB，并返回后果
- 测试环境
2.1 硬件配置
本次测试应用了三台配置雷同的服务器（SERVER1，SERVER2，SERVER3），每台服务器的配置如下：
主机：PowerEdge R730xd
CPU：E5-2650 24cores 48线程
内存：512G
硬盘：HDD 1.8T * 12
网络：万兆以太网
OS：CentOS Linux release 7.6.1810
2.2 软件配置
C++ ： GCC 4.8.5
JRE ： 1.8.0
C# ：.net 2.2.105
Python : 3.7.0
R：3.5.2
DolphinDB : 0.94.2
2.3 测试框架
DolphinDB集群部署在SERVER1上，API程序运行在SERVER2和SERVER3上，通过网络连接到SERVER1上的DolphinDB数据节点进行测试。
DolphinDB集群配置如下：
集群蕴含1个管制节点和6个数据节点；
内存：32G/节点 * 6节点 = 192G
线程：8线程/节点 * 6节点 = 48 线程
硬盘：每个节点配置一个独立的HDD硬盘，1.8T/节点 * 6 = 9.6T
- 单用户上传数据性能测试
本节测试单用户通过API上传数据到DolphinDB服务器。在SERVER1的DolphinDB集群上创立一张内存表，SERVER2上运行API程序，将数据写入到SERVER1内存表中。
写入的数据表字段包含STRING、INT、LONG、SYMBOL、DOUBLE、DATE、TIME等不同类型的字段，共45列，每行336字节 ，共上传100万行，大小约336Mb。测试每次上传10~100000 行的状况下的吞吐量和时延。
该场景因为是单用户，并且不会波及到磁盘操作，因而次要测试API程序数据格式到DolphinDB数据格式的转换性能，CPU性能和网络对测试后果会有较大的影响。各个API的测试后果如下：
表1. C++ API单用户上传数据到内存表测试后果
表2. Java API单用户上传数据到内存表测试后果
表3. C# API单用户上传数据到内存表测试后果
表4. Python API单用户上传数据到内存表测试后果
表5. R API单用户上传数据到内存表测试后果
表6. 各API单用户上传数据到内存表的写入速度比照（单位：兆/秒）
图1. API上传数据到内存表性能比拟
从单用户写入内存表的测试后果看，随着批次大小的减少，性能晋升显著，这是因为在总的数据量雷同的状况下，一次上传的数据行数越多，上传次数越少，网络通信次数越少。
C++性能最优，C# 性能较差。Python和R底层实现都是用C++重写，性能趋势雷同，当批次大小较小时，因为调用C++模块的次数较多，带来更多的性能损失，性能也会更差。当批次大小达到1000行以上，性能晋升显著。咱们倡议在应用Python和R上传数据时，尽量增大上传的批次大小。
- 多用户并发上传数据性能测试
本节测试通过API多用户并发上传数据到SERVER1的DFS数据表，在SERVER2 和 SERVER3上多个用户同时通过网络发动写入操作。
每个用户共写入500万行，每次写入25000行，每行336个字节，因而每个用户共写入的数据量为840Mb。测试在并发用户为1~128的状况下，并发写入的时延和吞吐量。
咱们把用户数平均分配在SERVER2和SERVER3上运行，比方在测16个用户时，两个SERVER各运行8个客户端程序。测试波及到并发写入，写入的数据通过网络传输到SERVER1上，并且存储到磁盘上，因而能够测试DolphinDB零碎是否充分利用服务器CPU、硬盘、网络等资源。各个API的测试后果如下：
表7. C++ API 多用户并发上传数据到DFS表测试后果
表8. Java API 多用户并发上传数据到DFS表测试后果
表9. C# API 多用户并发上传数据到DFS表测试后果
表10.Python API 多用户并发上传数据到DFS表测试后果
表11. R API 多用户并发上传数据到DFS表测试后果
表12. 各种API 数据上传到DFS表测试后果比拟（单位：兆/秒）
图2. API上传数据到DFS表性能比拟
测试结果显示，在用户数小于16的状况下，C++、Java性能劣势显著，Python 和C#性能稍差，吞吐量都基本上呈线性增长。当用户数超过16时，网络传输达到极限，成为性能瓶颈，吞吐量根本维持在网络的极限。网络为万兆以太网，极限为1G，然而因为传输的数据有压缩，所以零碎吞吐量最大可达1.8G/秒。
- 多用户并发下载数据性能测试
本节测试通过API多用户并发从DolphinDB下载数据的速度。数据库部署在SERVER1上，多个用户在SERVER2和SERVER3上同时下载数据，每个用户随机抉择一个数据节点连贯。每个用户下载的数据总量为500万行，每行45字节，共计225Mb ，每次下载数据为25000行，别离测试并发用户数为1~128场景下的并发性能。
咱们测试了以下两种场景下客户端并发下载数据的性能：
- 5年数据量：从5年的数据中随机抉择date和symbol进行下载，波及的数据量约12T。因为数据量大大超过零碎内存，所以每次下载都须要从磁盘加载数据；
- 1周数据量：从最近一周的数据中随机抉择symbol进行下载，波及的数据量约60G。给DolphinDB调配的内存足以包容60G数据，所有的数据在缓存中，所以每次下载不须要从磁盘加载数据。
各API性能测试后果如下：
表13. C++ API 数据下载数据测试后果
表14. Java API 数据下载数据测试后果
表15. C# API 数据下载数据测试后果
表16. Python API 数据下载数据测试后果
表17. R API 数据下载数据测试后果
表18. 各API 5年数据下载吞吐量比照（单位：兆/秒）
图3. API 5年数据下载吞吐量比拟
从测试后果上看，在用户数小于64的状况下，吞吐量随着用户数的减少基本上呈线性增长，各个API性能差别不是很大，最大吞吐量在350M左右，因为数据集为12T，DolphinDB 缓存不了所有的数据，必须每次从磁盘加载，磁盘成为零碎瓶颈。
在用户数为128的时候性能反而升高，起因是DolphinDB是依照分区加载数据的，如果用户要下载某天某个股票的数据，则会把整个分区加载到内存中，再把用户须要的数据返回给用户。当并发用户数太多，同时发动数据下载申请，又因为数据量太大，数据根本都须要从磁盘中加载，128个用户并发读取磁盘，造成IO竞争加剧，反而造成了整体吞吐量的升高。
因而，倡议用户在高并发读取数据的场景下，各个节点尽量配置独立的多个数据卷，来进步IO的并发能力。
表19. 各种API 1周数据下载吞吐量比拟（单位：兆/秒）
图4. 各种API 1周数据并发下载吞吐量比拟
从测试后果上看，各API的吞吐量随着并发用户数的减少根本成线性减少，给DolphinDB调配的内存可能全副包容一周的数据量，不须要每次从磁盘加载，因而吞吐量最大达到1.4G左右，达到了网络的极限（网络极限1G，因为数据有压缩，理论业务数据量为1.4G）。
6. 计算并发性能测试
本节测试通过API向DolphinDB提交并发计算工作，计算某只股票某天的分钟级K线，计算总量约为1亿条。
咱们测试在5年数据量和1周数据量两种场景下，不同并发用户数（1~128）的计算性能。
- 5年数据量共12T，内存不能全副缓存，所以简直每次计算都须要从磁盘加载数据，属于IO密集型利用场景，预期磁盘会成为性能瓶颈。
- 1周数据量约60G，DolphinDB数据节点能全副缓存，因而是计算密集型利用场景，多用户并发时，预期CPU会成为性能瓶颈。
各API的测试后果如下：
表20. C++ API计算分钟k线性能后果
表21. Java API 计算分钟k线性能后果
表22. C# API 计算分钟k线性能后果
表23. Python API计算分钟k线性能后果
表24. R API计算分钟k线性能后果
表25. 各种API 5年数据计算吞吐量比拟（单位：兆/秒）
图5. 各种API 5年数据并发计算吞吐量比拟
从上图中看出，当用户数小于16的时候，各个API吞吐量根本呈线性增长，当用户数到64时吞吐量达到最大；当用户减少到128个的时候，吞吐量反而降落，起因有两方面，一方面，5年共12T数据，每次随机抉择date和symbol，在并发用户数增多到肯定数量后，DolphinDB 内存不能全副包容，造成内存和磁盘之间有大量的数据交换，导致性能降落；另一方面，并发用户数太多，导致系统计算工作过多，工作的调度散发耗时减少，造成吞吐量反而升高。
表22. 各种API 1周数据计算吞吐量比拟（单位：兆/秒）
图5. 各种API 1周数据并发计算吞吐量比拟
从测试后果中看出，在用户数小于64时，吞吐量稳定增长，各个API性能相差不大，在64个并发用户的时候，性能达到最大，计算数据的吞吐量靠近7G/秒；当用户达到128G，因为零碎工作太多，大大超过物理机器线程数（集群所在物理机器共48线程），导致线程切换频繁，集群外部大量的任务调度散发工夫减少，吞吐量反而升高。
7. 总结
本次具体测试了DolphinDB C++、Java、C#、Python、R API在不同并发用户数下数据上传、数据下载、计算的性能，论断如下：
单用户数据上传到内存表，C++性能最优，吞吐量最大能到265兆/秒，Java、Python、R 也能达到160-200兆/秒，C# 性能稍差，吞吐量最大在60兆左右。而且随着批次大小的减少，吞吐量减少显著，Python和R 更为显著。因而在写入时，在时延和内存容许的状况下，尽量减少批次大小。
多用户并发写入分布式DFS表，随着用户数的减少，在达到网络极限之前，吞吐量稳固减少，总体性能C++、Java性能劣势显著，当在32个并发用户数左右的状况下，网络成为瓶颈，各个API性能基本一致，因为数据压缩的起因，零碎最大吞吐量达到1.8G/秒。
多用户并发下载数据，在数据集为5年12T的场景下，用户数为64时达到最大吞吐量，为380兆/秒左右。这个场景下所有的数据都须要从磁盘加载，读磁盘成为性能瓶颈，用户数为128的时候，因为每个节点要承受大量的用户下载，磁盘IO竞争强烈，导致整体吞吐量降落。在数据集为1周约60G的场景下，6个数据节点能够缓存所有数据，因而所有的数据都在内存中，不须要从磁盘中加载，吞吐量能达到网络极限，因为数据压缩起因，集群吞吐量为1.8G/秒，而且随着并发用户的减少，吞吐量稳固减少。
多用户并发计算，各个API发送计算某天某个股票的分钟K线工作到DolphinDB，并返回计算结果，网络传输的数据量很小，大部分工夫都是在server端做计算，因而，各个API性能根本相当。 5年和1周数据量两种场景下，吞吐量走势基本一致，都是在用户数为64时达到最大吞吐量，5年数据量时，吞吐量最大为1.3G，而1周数据量因为全副数据都在内存，最大吞吐量达到7GB。而到128个用户时，吞吐量降落，次要是因为零碎工作太多，大大超过物理机器线程数（集群所在物理机器共48线程），导致线程切换频繁，集群外部大量的任务调度散发工夫减少。
总体来看，DolphinDB通过API来进行数据检索、数据上传、数据计算等工作，随着并发度的进步，性能稳固晋升，基本上满足大部分业务的性能要求。