{"id":36737,"date":"2019-10-31T22:13:29","date_gmt":"2019-10-31T19:13:29","guid":{"rendered":"https:\/\/prohoster.info\/blog\/kak-my-testirovali-neskolko-baz-dannyh-vremennyh-ryadov\/"},"modified":"2019-10-31T22:13:29","modified_gmt":"2019-10-31T19:13:29","slug":"kak-my-testirovali-neskolko-baz-dannyh-vremennyh-ryadov","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/kak-my-testirovali-neskolko-baz-dannyh-vremennyh-ryadov","title":{"rendered":"Wie wir mehrere Zeitreihendatenbanken getestet haben","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/14e07eac02df8d1276c46c33276d8a26.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nIn den letzten Jahren haben sich Zeitreihendatenbanken (Time-series databases) von einer Kuriosit\u00e4t, die entweder in speziellen Monitoringsystemen (und an bestimmte L\u00f6sungen gebunden) oder in Big-Data-Projekten verwendet wurde, zu einem 'Alltagsprodukt' entwickelt. In Russland geb\u00fchrt diesem Trend ein besonderer Dank an Yandex und ClickHouse. Bis zu diesem Zeitpunkt mussten Sie, wenn Sie eine gro\u00dfe Menge an Zeitreihendaten speichern wollten, entweder die M\u00fche auf sich nehmen, einen monstr\u00f6sen Hadoop-Stack zu implementieren und zu verwalten, oder sich mit protokollspezifischen L\u00f6sungen f\u00fcr jedes System auseinandersetzen. <\/p>\n<p>Es mag so erscheinen, als ob im Jahr 2019 der Artikel dar\u00fcber, welche TSDB zu verwenden ist, nur aus einem Satz bestehen w\u00fcrde: 'Nutzen Sie einfach ClickHouse.' Aber\u2026 es gibt Nuancen. <\/p>\n<p>In der Tat entwickelt sich ClickHouse aktiv weiter, die Benutzerbasis w\u00e4chst, und der Support ist sehr engagiert. Aber sind wir nicht vielleicht Opfer des \u00f6ffentlichen Erfolgs von ClickHouse, der andere m\u00f6glicherweise effizientere oder zuverl\u00e4ssigere L\u00f6sungen in den Schatten stellt? <\/p>\n<p>Zu Beginn des vergangenen Jahres haben wir unser eigenes Monitoring-System \u00fcberarbeitet, wobei die Wahl einer geeigneten Datenbank zur Speicherung der Daten in den Fokus r\u00fcckte. \u00dcber die Geschichte dieser Wahl m\u00f6chte ich hier berichten.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h4>Problemstellung<\/h4>\n<p>\nZun\u00e4chst ein notwendiges Vorwort: Warum ben\u00f6tigen wir \u00fcberhaupt ein eigenes Monitoring-System und wie war es aufgebaut?<\/p>\n<p>Wir begannen 2008 mit der Bereitstellung von Support-Dienstleistungen, und bis 2010 wurde klar, dass es schwierig wurde, die Daten \u00fcber die Abl\u00e4ufe in der Kundeninfrastruktur mit den damaligen L\u00f6sungen zu aggregieren (wir sprechen hier \u00fcber, entschuldigung, Cacti, Zabbix und das aufkommende Graphite).<\/p>\n<p>Unsere Hauptanforderungen waren:<\/p>\n<ul>\n<li>Die Betreuung einer (zu diesem Zeitpunkt \u2013 Dutzenden, und perspektivisch \u2013 Hunderten) von Kunden in einem einzigen System und gleichzeitig eine zentralisierte Verwaltung der Benachrichtigungen;<\/li>\n<li>Flexibilit\u00e4t im Management des Benachrichtigungssystems (Eskalation von Benachrichtigungen zwischen den diensthabenden Mitarbeitern, Ber\u00fccksichtigung von Zeitpl\u00e4nen, Wissensdatenbank);<\/li>\n<li>Die M\u00f6glichkeit zur tiefen Detaillierung von Grafiken (Zabbix zeichnete damals Grafiken als Bilder auf);<\/li>\n<li>langfristige Speicherung gro\u00dfer Datenmengen (Jahr und mehr) und die M\u00f6glichkeit einer schnellen Abfrage.<\/li>\n<\/ul>\n<p>\nIn diesem Artikel interessiert uns der letzte Punkt.<\/p>\n<p>Wenn wir \u00fcber Speicher sprechen, waren die Anforderungen wie folgt:<\/p>\n<ul>\n<li>das System sollte schnell arbeiten;<\/li>\n<li>es w\u00e4re w\u00fcnschenswert, dass das System eine SQL-Schnittstelle hat;<\/li>\n<li>das System muss stabil sein und eine aktive Benutzerbasis sowie Unterst\u00fctzung haben (wir hatten einmal die Notwendigkeit, solche Systeme zu unterst\u00fctzen, wie zum Beispiel MemcacheDB, das nicht mehr weiterentwickelt wurde, oder das verteilte Speicher MooseFS, dessen Bugtracker auf Chinesisch gef\u00fchrt wurde: eine Wiederholung dieser Geschichte f\u00fcr unser Projekt wollten wir vermeiden);<\/li>\n<li>Einhaltung des CAP-Theorems: Consistency (notwendig) \u2013 die Daten m\u00fcssen aktuell sein, wir wollen nicht, dass das Managementsystem f\u00fcr Benachrichtigungen keine neuen Daten erh\u00e4lt und uns mit Alerts \u00fcber fehlende Daten in allen Projekten bel\u00e4stigt; Partition Tolerance (notwendig) \u2013 wir wollen kein Split-Brain-System erhalten; Availability (nicht kritisch, falls eine aktive Kopie existiert) \u2013 wir k\u00f6nnen selbst auf das Backup-System im Falle eines Ausfalls umschalten, durch Code.<\/li>\n<\/ul>\n<p>\nSeltsamerweise stellte sich zu diesem Zeitpunkt MySQL als die ideale L\u00f6sung f\u00fcr uns heraus. Unsere Datenstruktur war \u00e4u\u00dferst einfach: Server-ID, Z\u00e4hler-ID, Zeitstempel und Wert; Die schnelle Abfrage aktueller Daten wurde durch die gro\u00dfe Gr\u00f6\u00dfe des Buffer-Pools gew\u00e4hrleistet, w\u00e4hrend historische Daten auf SSDs abgerufen wurden.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/555bff26c74badf85131c4d9198871af.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nSo gelang es uns, frische Daten der letzten zwei Wochen mit einer Genauigkeit von bis zu einer Sekunde in 200 ms vor der vollst\u00e4ndigen Datenanzeige abzurufen, und wir lebten ziemlich lange mit diesem System.<\/p>\n<p>Inzwischen verging die Zeit und die Datenmenge wuchs. Bis 2016 erreichte das Datenvolumen mehrere Dutzend Terabyte, was bei gemieteten SSD-Speichern eine erhebliche Kostenbelastung darstellte.<\/p>\n<p>Zu diesem Zeitpunkt hatten spaltenbasierte Datenbanken, \u00fcber die wir intensiv nachdachten, an Popularit\u00e4t gewonnen: In spaltenbasierten DBs werden die Daten, wie man verstehen kann, spaltenweise gespeichert, und wenn man sich unsere Daten ansieht, erkennt man leicht eine gro\u00dfe Anzahl von Duplikaten, die man bei Verwendung einer spaltenbasierten DB durch Komprimierung reduzieren k\u00f6nnte.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/2e1a6010fcb09de8cd28ec826752d160.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDoch das zentrale System des Unternehmens arbeitete weiterhin stabil, und es war nicht gew\u00fcnscht, mit einem Wechsel zu etwas anderem zu experimentieren.<\/p>\n<p>Im Jahr 2017 stellten sich die Entwickler von Clickhouse auf der Percona Live Konferenz in San Jose wahrscheinlich zum ersten Mal vor. Auf den ersten Blick war das System produktionsreif (Yandex.Metrica ist schlie\u00dflich ein harter Produktionsfall), die Unterst\u00fctzung war schnell und unkompliziert, und vor allem war die Bedienung einfach. Ab 2018 begannen wir mit dem \u00dcbergangsprozess. Zu diesem Zeitpunkt gab es jedoch bereits zahlreiche \u201ereife\u201c und bew\u00e4hrte TSDB-Systeme, und wir entschieden uns, erhebliche Zeit zu investieren, um Alternativen zu vergleichen und sicherzustellen, dass es laut unseren Anforderungen keine konkurrenten L\u00f6sungen zu Clickhouse gibt.<\/p>\n<p>Zus\u00e4tzlich zu den bereits genannten Anforderungen an das Speichersystem kamen neue hinzu:<\/p>\n<ul>\n<li>Das neue System sollte mindestens die gleiche Leistung wie MySQL mit der gleichen Hardware bieten;<\/li>\n<li>Der Speicher des neuen Systems sollte erheblich weniger Platz beanspruchen;<\/li>\n<li>Die Datenbank sollte weiterhin einfach zu verwalten sein;<\/li>\n<li>Das bestehende Anwendung sollte minimal bei der \u00c4nderung der Datenbank ge\u00e4ndert werden m\u00fcssen.<\/li>\n<\/ul>\n<p><\/p>\n<h4>Welche Systeme haben wir in Betracht gezogen<\/h4>\n<p>\n<b><u>Apache Hive\/Apache Impala<\/u><\/b><br \/>\nEin bew\u00e4hrter Hadoop-Stack. Es handelt sich im Wesentlichen um eine SQL-Schnittstelle, die \u00fcber Datenspeicher in eigenen Formaten auf HDFS aufgebaut ist. <\/p>\n<p>Vorteile.<\/p>\n<ul>\n<li>Bei stabiler Nutzung ist es sehr einfach, Daten zu skalieren.<\/li>\n<li>Es gibt spaltenbasierte L\u00f6sungen zur Datenspeicherung (weniger Platz).<\/li>\n<li>Sehr schnelle Ausf\u00fchrung paralleler Aufgaben bei vorhandenen Ressourcen.<\/li>\n<\/ul>\n<p>\nNachteile.<\/p>\n<ul>\n<li>Das ist Hadoop, und es ist kompliziert in der Nutzung. Wenn wir nicht bereit sind, eine fertige L\u00f6sung in der Cloud zu nutzen (was wir aus Kostengr\u00fcnden nicht sind), muss der gesamte Stack von Administratoren manuell erstellt und unterst\u00fctzt werden, und das m\u00f6chten wir wirklich vermeiden.<\/li>\n<li>Daten werden aggregiert <noindex><a rel=\"nofollow\" href=\"https:\/\/www.percona.com\/blog\/2014\/04\/21\/using-apache-hadoop-and-impala-together-with-mysql-for-data-analysis\/\">tats\u00e4chlich schnell<\/a><\/noindex>.<\/li>\n<\/ul>\n<p>\nJedoch:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/6baa1b6024def8c1c7518ef386cfc8d3.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDie Geschwindigkeit wird durch die Skalierung der Anzahl der Rechnerserver erreicht. Einfacher gesagt, wenn wir ein gro\u00dfes Unternehmen sind, das Analysen durchf\u00fchrt, und es f\u00fcr das Gesch\u00e4ft kritisch wichtig ist, Informationen so schnell wie m\u00f6glich zu aggregieren (auch wenn das den Einsatz vieler Rechenressourcen bedeutet) \u2013 k\u00f6nnte das unsere Wahl sein. Aber wir waren nicht bereit, den Hardwarepark drastisch zu vergr\u00f6\u00dfern, um die Geschwindigkeit der Aufgabenbearbeitung zu erh\u00f6hen.<\/p>\n<p><b><u>Druid\/Pinot<\/u><\/b><\/p>\n<p>Bereits wesentlich mehr \u00fcber spezifisch TSDB, aber wiederum \u2013 Hadoop-Stack.<\/p>\n<p>Es gibt <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@leventov\/comparison-of-the-open-source-olap-systems-for-big-data-clickhouse-druid-and-pinot-8e042a5ed1c7\">ein hervorragender Artikel, der die Vor- und Nachteile von Druid und Pinot im Vergleich zu ClickHouse vergleicht. <\/a><\/noindex>. <\/p>\n<p>Kurz gesagt: Druid und Pinot schneiden in den F\u00e4llen, in denen sie verwendet werden, besser ab als ClickHouse.<\/p>\n<ul>\n<li>Sie haben einen heterogenen Datentyp (in unserem Fall erfassen wir nur Zeitreihen von Servermetriken, was im Wesentlichen eine Tabelle ist. Es k\u00f6nnen jedoch auch andere F\u00e4lle auftreten: Zeitreihen zu Ger\u00e4ten, wirtschaftliche Zeitreihen usw. \u2014 jede mit ihrer eigenen Struktur, die aggregiert und verarbeitet werden muss).<\/li>\n<li>Diese Datenmenge ist jedoch sehr gro\u00df.<\/li>\n<li>Tabellen und Daten mit Zeitreihen erscheinen und verschwinden (das hei\u00dft, ein bestimmter Datensatz kommt an, wird analysiert und dann gel\u00f6scht).<\/li>\n<li>Es gibt keine klaren Kriterien, nach denen Daten partitioniert werden k\u00f6nnen.<\/li>\n<\/ul>\n<p>\nIn den entgegengesetzten F\u00e4llen schneidet ClickHouse jedoch besser ab, und das ist unser Fall.<\/p>\n<p><b><u>ClickHouse<\/u><\/b><\/p>\n<ul>\n<li>SQL-\u00e4hnlich.<\/li>\n<li>Einfach zu verwalten.<\/li>\n<li>Die Leute sagen, dass es funktioniert.<\/li>\n<\/ul>\n<p>\nEs kommt auf die Shortlist f\u00fcr Tests.<\/p>\n<p><b><u>InfluxDB<\/u><\/b><\/p>\n<p>Eine ausl\u00e4ndische Alternative zu ClickHouse. Von Nachteilen: High Availability ist nur in der kommerziellen Version vorhanden, aber ein Vergleich ist notwendig.<\/p>\n<p>Es kommt auf die Shortlist f\u00fcr Tests.<\/p>\n<p><b><u>Cassandra,<\/u><\/b> <\/p>\n<p>Einerseits wissen wir, dass Systeme zur \u00dcberwachung von Metrikzeitreihen wie beispielsweise <noindex><a rel=\"nofollow\" href=\"https:\/\/www.signalfx.com\/blog\/making-cassandra-perform-as-a-tsdb\/\">SignalFX<\/a><\/noindex> oder OkMeter es verwenden. Es gibt jedoch spezifische Anforderungen.<\/p>\n<p>Cassandra ist keine spaltenorientierte Datenbank im gewohnten Sinne. Sie \u00e4hnelt eher einer zeilenorientierten Datenbank, erm\u00f6glicht jedoch eine unterschiedliche Anzahl von Spalten pro Zeile, wodurch eine spaltenbasierte Darstellung leicht realisierbar ist. In diesem Sinne ist es nachvollziehbar, dass bei einer Begrenzung von 2 Milliarden Spalten Daten genau in diesen Spalten gespeichert werden k\u00f6nnen (wie zum Beispiel bei Zeitreihen). Zum Vergleich: In MySQL gibt es eine Begrenzung von 4096 Spalten, und man kann schnell auf den Fehlercode 1117 sto\u00dfen, wenn man versucht, das Gleiche zu tun.<\/p>\n<p>Die Cassandra-Datenbank ist auf die Speicherung gro\u00dfer Datenmengen in einem verteilten System ohne Master ausgerichtet. Laut der erw\u00e4hnten CAP-Theorie liegt der Schwerpunkt von Cassandra mehr auf AP, also auf der Datenverf\u00fcgbarkeit und der Widerstandsf\u00e4higkeit gegen Partitionstrennung. Daher eignet sich dieses Tool hervorragend, wenn haupts\u00e4chlich in diese Datenbank geschrieben und nur selten darauf zugegriffen wird. In diesem Zusammenhang ist es sinnvoll, Cassandra als 'kaltes' Speicherformat zu nutzen, also als langfristigen, zuverl\u00e4ssigen Speicherort f\u00fcr gro\u00dfe Mengen historischer Daten, die selten ben\u00f6tigt werden, aber bei Bedarf abgerufen werden k\u00f6nnen. Dennoch wollen wir der Vollst\u00e4ndigkeit halber auch diese testen. Aber, wie ich bereits erw\u00e4hnt habe, besteht kein Interesse daran, den Code aktiv an die gew\u00e4hlte Datenbankl\u00f6sung anzupassen, daher werden wir die Tests etwas eingeschr\u00e4nkt durchf\u00fchren \u2013 ohne Anpassung der Datenbankstruktur an die Spezifikationen von Cassandra.<\/p>\n<p><b><u>Prometheus<\/u><\/b><\/p>\n<p>Und aus reinem Interesse haben wir beschlossen, die Leistung des Prometheus-Speicherorts zu testen \u2013 einfach um zu verstehen, ob wir schneller oder langsamer sind als die aktuellen L\u00f6sungen und in welchem Ma\u00df.<\/p>\n<h4>Testmethodik und Ergebnisse<\/h4>\n<p>\nWir haben also 5 Datenbanken in den folgenden 6 Konfigurationen getestet: ClickHouse (1 Knoten), ClickHouse (verteilte Tabelle auf 3 Knoten), InfluxDB, Mysql 8, Cassandra (3 Knoten) und Prometheus. Der Testplan sieht wie folgt aus:<\/p>\n<ol>\n<li>Wir laden historische Daten f\u00fcr eine Woche hoch (840 Millionen Werte pro Tag; 208.000 Metriken);<\/li>\n<li>Wir erzeugen Schreiblast (wir betrachteten 6 Lastarten, siehe unten);<\/li>\n<li>Parallel zur Schreiblast machen wir von Zeit zu Zeit Abfragen, um Benutzeranfragen, die mit Grafiken arbeiten, zu simulieren. Um es nicht zu kompliziert zu machen, w\u00e4hlten wir Daten f\u00fcr 10 Metriken aus (genau so viele wie auf dem CPU-Diagramm) f\u00fcr eine Woche.<\/li>\n<\/ol>\n<p>\nWir belasten das System, indem wir das Verhalten unseres Monitoring-Agenten emulieren, der alle 15 Sekunden Werte f\u00fcr jede Metrik sendet. Dabei interessieren uns folgende Variablen:<\/p>\n<ul>\n<li>die Gesamtzahl der Metriken, in die Daten geschrieben werden;<\/li>\n<li>das Intervall, in dem Werte an eine Metrik gesendet werden;<\/li>\n<li>die Batch-Gr\u00f6\u00dfe.<\/li>\n<\/ul>\n<p>\nZur Batch-Gr\u00f6\u00dfe: Da fast alle unsere Testdatenbanken nicht mit Einzel-Insertions belastet werden sollten, ben\u00f6tigen wir einen Relay, der die ankommenden Metriken sammelt und sie b\u00fcndelt, um sie in der Datenbank per Batch-Insert zu schreiben.<\/p>\n<p>Um besser zu verstehen, wie die erhaltenen Daten sp\u00e4ter interpretiert werden k\u00f6nnen, stellen wir uns vor, dass wir nicht einfach eine Menge von Metriken senden, sondern dass die Metriken in Servern organisiert sind \u2013 jeweils 125 Metriken pro Server. Hierbei ist der Server nur eine virtuelle Entit\u00e4t \u2013 lediglich um zu verstehen, dass beispielsweise 10.000 Metriken etwa 80 Server entsprechen.<\/p>\n<p>Unter Ber\u00fccksichtigung all dessen, hier unsere 6 Lastmodi f\u00fcr die Schreibdatenbank:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/3ba70050dc7e711cb8f3d14ac1a6707b.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nEs gibt hier zwei Punkte. Erstens waren diese Batch-Gr\u00f6\u00dfen f\u00fcr Cassandra zu gro\u00df, dort haben wir Werte von 50 oder 100 verwendet. Zweitens arbeitet Prometheus strikt im Pull-Modus, d.h. er holt selbst die Daten von den Metrikquellen ab (und sogar der Pushgateway \u00e4ndert die Situation nicht grundlegend, trotz seines Namens). Entsprechende Lasten wurden durch eine Kombination von statischen Konfigurationen realisiert.<\/p>\n<p>Die Testergebnisse sind wie folgt:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/9df12bee66ad8c5df720ba08472efead.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n<img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/891090bf0461c7e3c48e38eb36f9e217.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n<img decoding=\"async\" alt=\"Wie wir mehrere Zeitreihendatenbanken getestet haben\" src=\"\/wp-content\/uploads\/2019\/08\/137f944b3578ab5bad4ebc5fa6f96b79.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n<b>Was zu beachten ist<\/b>: unglaublich schnelle Abfragen aus Prometheus, erschreckend langsame Abfragen aus Cassandra und inakzeptabel langsame Abfragen aus InfluxDB; in Bezug auf die Schreibgeschwindigkeit hat ClickHouse alle geschlagen, w\u00e4hrend Prometheus nicht im Wettbewerb ist, da es Inserate intern durchf\u00fchrt und wir nichts messen.<\/p>\n<p><u><b>Insgesamt<\/b><\/u>: ClickHouse und InfluxDB haben sich am besten geschlagen, aber ein Cluster aus InfluxDB kann nur auf Basis der kostenpflichtigen Enterprise-Version aufgebaut werden, w\u00e4hrend ClickHouse kostenlos ist und in Russland entwickelt wurde. Es ist logisch, dass die Wahl in den USA wahrscheinlich zugunsten von InfluxDB f\u00e4llt, w\u00e4hrend wir uns hier f\u00fcr ClickHouse entscheiden.<br \/>\n<br \/>Quelle: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/itsumma\/blog\/462111\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0417\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043b\u0435\u0442 \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432 (Time-series databases) \u043f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u043b\u0438\u0441\u044c \u0438\u0437 \u0434\u0438\u043a\u043e\u0432\u0438\u043d\u043d\u043e\u0439 \u0448\u0442\u0443\u043a\u0438 (\u0443\u0437\u043a\u043e\u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0449\u0435\u0439\u0441\u044f \u043b\u0438\u0431\u043e \u0432 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0445 \u043c\u043e\u043d\u0438\u0442\u043e\u0440\u0438\u043d\u0433\u0430 (\u0438 \u043f\u0440\u0438\u0432\u044f\u0437\u0430\u043d\u043d\u043e\u0439 \u043a \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u043c \u0440\u0435\u0448\u0435\u043d\u0438\u044f\u043c), \u043b\u0438\u0431\u043e \u0432 Big Data \u043f\u0440\u043e\u0435\u043a\u0442\u0430\u0445) \u0432 \u00ab\u0442\u043e\u0432\u0430\u0440 \u043d\u0430\u0440\u043e\u0434\u043d\u043e\u0433\u043e \u043f\u043e\u0442\u0440\u0435\u0431\u043b\u0435\u043d\u0438\u044f\u00bb. \u041d\u0430 \u0442\u0435\u0440\u0440\u0438\u0442\u043e\u0440\u0438\u0438 \u0420\u0424 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0441\u043f\u0430\u0441\u0438\u0431\u043e \u0437\u0430 \u044d\u0442\u043e \u043d\u0430\u0434\u043e \u0441\u043a\u0430\u0437\u0430\u0442\u044c \u042f\u043d\u0434\u0435\u043a\u0441\u0443 \u0438 ClickHouse\u2019\u0443. \u0414\u043e \u044d\u0442\u043e\u0433\u043e \u043c\u043e\u043c\u0435\u043d\u0442\u0430, \u0435\u0441\u043b\u0438 \u0432\u0430\u043c \u0431\u044b\u043b\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":27518,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-36737","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 4.9.10 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0417\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043b\u0435\u0442 \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432 (Time-series databases) \u043f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u043b\u0438\u0441\u044c \u0438\u0437 \u0434\u0438\u043a\u043e\u0432\u0438\u043d\u043d\u043e\u0439 \u0448\u0442\u0443\u043a\u0438 (\u0443\u0437\u043a\u043e\u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0449\u0435\u0439\u0441\u044f \u043b\u0438\u0431\u043e \u0432 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0445 \u043c\u043e\u043d\u0438\u0442\u043e\u0440\u0438\u043d\u0433\u0430 (\u0438 \u043f\u0440\u0438\u0432\u044f\u0437\u0430\u043d\u043d\u043e\u0439 \u043a \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u043c \u0440\u0435\u0448\u0435\u043d\u0438\u044f\u043c), \u043b\u0438\u0431\u043e \u0432 Big Data \u043f\u0440\u043e\u0435\u043a\u0442\u0430\u0445) \u0432 \u00ab\u0442\u043e\u0432\u0430\u0440 \u043d\u0430\u0440\u043e\u0434\u043d\u043e\u0433\u043e \u043f\u043e\u0442\u0440\u0435\u0431\u043b\u0435\u043d\u0438\u044f\u00bb. \u041d\u0430 \u0442\u0435\u0440\u0440\u0438\u0442\u043e\u0440\u0438\u0438 \u0420\u0424 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0441\u043f\u0430\u0441\u0438\u0431\u043e \u0437\u0430 \u044d\u0442\u043e \u043d\u0430\u0434\u043e \u0441\u043a\u0430\u0437\u0430\u0442\u044c \u042f\u043d\u0434\u0435\u043a\u0441\u0443 \u0438 ClickHouse\u2019\u0443. \u0414\u043e \u044d\u0442\u043e\u0433\u043e \u043c\u043e\u043c\u0435\u043d\u0442\u0430, \u0435\u0441\u043b\u0438 \u0432\u0430\u043c \u0431\u044b\u043b\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/kak-my-testirovali-neskolko-baz-dannyh-vremennyh-ryadov\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 4.9.10\" \/>\n\t\t<meta property=\"og:locale\" content=\"de_DE\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041a\u0430\u043a \u043c\u044b \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043b\u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0431\u0430\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0417\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043b\u0435\u0442 \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432 (Time-series databases) \u043f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u043b\u0438\u0441\u044c \u0438\u0437 \u0434\u0438\u043a\u043e\u0432\u0438\u043d\u043d\u043e\u0439 \u0448\u0442\u0443\u043a\u0438 (\u0443\u0437\u043a\u043e\u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0449\u0435\u0439\u0441\u044f \u043b\u0438\u0431\u043e \u0432 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0445 \u043c\u043e\u043d\u0438\u0442\u043e\u0440\u0438\u043d\u0433\u0430 (\u0438 \u043f\u0440\u0438\u0432\u044f\u0437\u0430\u043d\u043d\u043e\u0439 \u043a \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u043c \u0440\u0435\u0448\u0435\u043d\u0438\u044f\u043c), \u043b\u0438\u0431\u043e \u0432 Big Data \u043f\u0440\u043e\u0435\u043a\u0442\u0430\u0445) \u0432 \u00ab\u0442\u043e\u0432\u0430\u0440 \u043d\u0430\u0440\u043e\u0434\u043d\u043e\u0433\u043e \u043f\u043e\u0442\u0440\u0435\u0431\u043b\u0435\u043d\u0438\u044f\u00bb. \u041d\u0430 \u0442\u0435\u0440\u0440\u0438\u0442\u043e\u0440\u0438\u0438 \u0420\u0424 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0441\u043f\u0430\u0441\u0438\u0431\u043e \u0437\u0430 \u044d\u0442\u043e \u043d\u0430\u0434\u043e \u0441\u043a\u0430\u0437\u0430\u0442\u044c \u042f\u043d\u0434\u0435\u043a\u0441\u0443 \u0438 ClickHouse\u2019\u0443. \u0414\u043e \u044d\u0442\u043e\u0433\u043e \u043c\u043e\u043c\u0435\u043d\u0442\u0430, \u0435\u0441\u043b\u0438 \u0432\u0430\u043c \u0431\u044b\u043b\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/kak-my-testirovali-neskolko-baz-dannyh-vremennyh-ryadov\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T19:13:29+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T19:13:29+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Wie wir mehrere Zeitreihen-Datenbanken getestet haben | ProHoster","description":"In den letzten Jahren haben sich Zeitreihen-Datenbanken von einer seltsamen L\u00f6sung (die entweder in speziellen Monitoring-Systemen oder in Big Data-Projekten eingesetzt wurde) zu einem handels\u00fcblichen Produkt entwickelt. In Russland geb\u00fchrt daf\u00fcr ein besonderes Dankesch\u00f6n an Yandex und ClickHouse. Bis zu diesem Zeitpunkt, wenn Sie Daten speichern wollten,","canonical_url":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/kak-my-testirovali-neskolko-baz-dannyh-vremennyh-ryadov","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041a\u0430\u043a \u043c\u044b \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043b\u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0431\u0430\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432 | ProHoster","og:description":"\u0417\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043b\u0435\u0442 \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432 (Time-series databases) \u043f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u043b\u0438\u0441\u044c \u0438\u0437 \u0434\u0438\u043a\u043e\u0432\u0438\u043d\u043d\u043e\u0439 \u0448\u0442\u0443\u043a\u0438 (\u0443\u0437\u043a\u043e\u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0449\u0435\u0439\u0441\u044f \u043b\u0438\u0431\u043e \u0432 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0445 \u043c\u043e\u043d\u0438\u0442\u043e\u0440\u0438\u043d\u0433\u0430 (\u0438 \u043f\u0440\u0438\u0432\u044f\u0437\u0430\u043d\u043d\u043e\u0439 \u043a \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u043c \u0440\u0435\u0448\u0435\u043d\u0438\u044f\u043c), \u043b\u0438\u0431\u043e \u0432 Big Data \u043f\u0440\u043e\u0435\u043a\u0442\u0430\u0445) \u0432 \u00ab\u0442\u043e\u0432\u0430\u0440 \u043d\u0430\u0440\u043e\u0434\u043d\u043e\u0433\u043e \u043f\u043e\u0442\u0440\u0435\u0431\u043b\u0435\u043d\u0438\u044f\u00bb. \u041d\u0430 \u0442\u0435\u0440\u0440\u0438\u0442\u043e\u0440\u0438\u0438 \u0420\u0424 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0441\u043f\u0430\u0441\u0438\u0431\u043e \u0437\u0430 \u044d\u0442\u043e \u043d\u0430\u0434\u043e \u0441\u043a\u0430\u0437\u0430\u0442\u044c \u042f\u043d\u0434\u0435\u043a\u0441\u0443 \u0438 ClickHouse\u2019\u0443. \u0414\u043e \u044d\u0442\u043e\u0433\u043e \u043c\u043e\u043c\u0435\u043d\u0442\u0430, \u0435\u0441\u043b\u0438 \u0432\u0430\u043c \u0431\u044b\u043b\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c","og:url":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/kak-my-testirovali-neskolko-baz-dannyh-vremennyh-ryadov","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T19:13:29+00:00","article:modified_time":"2019-10-31T19:13:29+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"36737","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-22 04:38:20","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 01:39:24","updated":"2026-01-22 04:38:20"},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/36737","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=36737"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/36737\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media\/27518"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=36737"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=36737"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=36737"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}