{"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 seltsamen Angelegenheit (die entweder in offenen Monitoringsystemen (und an spezifische L\u00f6sungen gebunden) oder in Big-Data-Projekten verwendet wurde) zu einem \u201eAlltagsprodukt\u201c entwickelt. In der Russischen F\u00f6deration geb\u00fchrt daf\u00fcr ein spezieller Dank Yandex und ClickHouse. Bis zu diesem Zeitpunkt war es, wenn Sie eine gro\u00dfe Menge an Zeitreihendaten speichern mussten, entweder notwendig, mit dem monstr\u00f6sen Hadoop-Stack zu arbeiten und ihn zu warten, oder sich mit protokollspezifischen Systemen auseinanderzusetzen. <\/p>\n<p>Es mag scheinen, dass im Jahr 2019 ein Artikel dar\u00fcber, welche TSDB man verwenden sollte, nur aus einem Satz bestehen m\u00fcsste: \u201eNehmen Sie einfach ClickHouse\u201c. Aber... es gibt Nuancen. <\/p>\n<p>Tats\u00e4chlich entwickelt sich ClickHouse aktiv, die Benutzerbasis w\u00e4chst, und die Unterst\u00fctzung wird sehr engagiert durchgef\u00fchrt. Aber sind wir nicht Opfer des \u00f6ffentlichen Erfolgs von ClickHouse geworden, der m\u00f6glicherweise andere, effizientere oder zuverl\u00e4ssigere L\u00f6sungen \u00fcberschattet? <\/p>\n<p>Anfang letzten Jahres haben wir begonnen, unser eigenes \u00dcberwachungssystem zu \u00fcberarbeiten, wobei die Frage aufkam, welche Datenbank zur Datenspeicherung geeignet w\u00e4re. \u00dcber die Geschichte dieser Entscheidung m\u00f6chte ich hier berichten.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h4>Aufgabenstellung<\/h4>\n<p>\nVor allem \u2013 eine notwendige Einleitung. Warum ben\u00f6tigen wir \u00fcberhaupt ein eigenes \u00dcberwachungssystem und wie war es aufgebaut?<\/p>\n<p>Wir begannen 2008 mit der Bereitstellung von Supportdiensten, und bis 2010 wurde klar, dass die Aggregation von Daten \u00fcber die in der Kundeninfrastruktur stattfindenden Prozesse mit den damals verf\u00fcgbaren L\u00f6sungen schwierig wurde (wir sprechen von, Gott sei Dank, Cacti, Zabbix und dem entstehenden Graphite).<\/p>\n<p>Unsere Hauptanforderungen waren:<\/p>\n<ul>\n<li>die Betreuung von (damals - Dutzenden und perspektivisch - Hunderten) Kunden in einem System und zugleich eine zentrale Alarmverwaltung;<\/li>\n<li>Flexibilit\u00e4t im Management des Alarmsystems (Esklation von Alarmen zwischen den Wachhabenden, Ber\u00fccksichtigung von Zeitpl\u00e4nen, Wissensdatenbank);<\/li>\n<li>die M\u00f6glichkeit zur tiefen Detaillierung von Grafiken (Zabbix zeichnete damals Grafiken als Bilder).<\/li>\n<li>Langfristige Speicherung gro\u00dfer Datenmengen (ein Jahr und mehr) und die M\u00f6glichkeit ihrer schnellen Abfrage.<\/li>\n<\/ul>\n<p>\nIn diesem Artikel interessieren wir uns f\u00fcr den letzten Punkt.<\/p>\n<p>Im Hinblick auf das Speichersystem waren die Anforderungen wie folgt:<\/p>\n<ul>\n<li>Das System sollte schnell arbeiten;<\/li>\n<li>Es w\u00e4re w\u00fcnschenswert, wenn das System eine SQL-Schnittstelle h\u00e4tte;<\/li>\n<li>Das System sollte stabil sein und \u00fcber eine aktive Benutzerbasis sowie Unterst\u00fctzung verf\u00fcgen (wir hatten einmal die Notwendigkeit, solche Systeme wie MemcacheDB, das nicht mehr weiterentwickelt wurde, oder das verteilte Speicher MooseFS zu unterst\u00fctzen, dessen Bug-Tracker auf Chinesisch gef\u00fchrt wurde: wir wollten diese Geschichte mit unserem Projekt nicht wiederholen);<\/li>\n<li>Entsprechung der CAP-Theorie: Consistency (notwendig) \u2013 die Daten m\u00fcssen aktuell sein; wir wollen nicht, dass das Verwaltungssystem f\u00fcr Benachrichtigungen keine neuen Daten erh\u00e4lt und Alerts \u00fcber den fehlenden Datenempfang zu allen Projekten sendet; Partition Tolerance (notwendig) \u2013 wir wollen kein Split-Brain-System; Availability (nicht kritisch, wenn es eine aktive Replica gibt) \u2013 wir k\u00f6nnen im Falle eines Ausfalls selbst auf das Backup-System 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 denkbar einfach: Server-ID, Z\u00e4hler-ID, Timestamp und Wert; die schnelle Abfrage hei\u00dfer Daten wurde durch die gro\u00dfe Gr\u00f6\u00dfe des Buffer-Pools gew\u00e4hrleistet, und die Abfrage historischer Daten durch SSD.<\/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 erreichten wir die Abfrage frischer zweiw\u00f6chiger Daten mit einer Sekundengenauigkeit innerhalb von 200 ms bis zur vollst\u00e4ndigen Darstellung der Daten und lebten lange in diesem System.<\/p>\n<p>Inzwischen verging die Zeit und die Datenmenge wuchs. Bis 2016 erreichten die Datenmengen Hunderte Terabyte, was unter den Bedingungen gemieteter SSD-Speicher erheblichen Kosten verursachte.<\/p>\n<p>Zu diesem Zeitpunkt hatten sich spaltenorientierte Datenbanken stark verbreitet, \u00fcber die wir intensiv nachdachten: In spaltenorientierten Datenbanken werden die Daten, wie man verstehen kann, spaltenweise gespeichert, und wenn wir uns unsere Daten ansehen, k\u00f6nnen wir leicht viele Duplikate erkennen, die man durch die Nutzung einer spaltenorientierten Datenbank komprimieren 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 wir wollten nicht mit einem Wechsel zu etwas anderem experimentieren.<\/p>\n<p>Im Jahr 2017 haben die Entwickler von Clickhouse wahrscheinlich zum ersten Mal auf der Percona Live Konferenz in San Jose von sich reden gemacht. Auf den ersten Blick war das System produktionsbereit (nun, Yandex.Metrica ist immerhin eine harte Produktion), und die Unterst\u00fctzung war schnell und unkompliziert, vor allem war der Betrieb einfach. Ab 2018 haben wir den \u00dcbergangsprozess eingeleitet. Doch zu diesem Zeitpunkt gab es bereits viele 'erwachsene' und bew\u00e4hrte TSDB-Systeme, und wir haben entschieden, erhebliche Zeit zu investieren, um Alternativen zu vergleichen, um sicherzugehen, dass es keine alternative L\u00f6sung zu Clickhouse gibt, die unseren Anforderungen gerecht wird.<\/p>\n<p>Zus\u00e4tzlich zu den bereits genannten Anforderungen an das Speicherformat kamen neue hinzu:<\/p>\n<ul>\n<li>Das neue System muss mindestens die gleiche Leistung wie MySQL auf der gleichen Hardware bieten.<\/li>\n<li>Der Speicher der neuen Systeme sollte erheblich weniger Platz beanspruchen.<\/li>\n<li>Die Datenbank muss nach wie vor einfach zu verwalten sein.<\/li>\n<li>Diese sollte bei einem Wechsel der Datenbank minimal ver\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 \/>\nDer alte bew\u00e4hrte Hadoop-Stack. Eigentlich handelt es sich um eine SQL-Schnittstelle, die auf der Datenspeicherung in eigenen Formaten auf HDFS basiert. <\/p>\n<p>Vorteile.<\/p>\n<ul>\n<li>Bei stabiler Betriebsf\u00fchrung ist es sehr einfach, die Daten zu skalieren.<\/li>\n<li>Es gibt spaltenbasierte L\u00f6sungen zur Datenspeicherung (weniger Platzbedarf).<\/li>\n<li>Sehr schnelle Ausf\u00fchrung paralleler Aufgaben, wenn gen\u00fcgend Ressourcen vorhanden sind.<\/li>\n<\/ul>\n<p>\nNachteile.<\/p>\n<ul>\n<li>Es ist Hadoop, und es ist kompliziert in der Handhabung. Wenn wir nicht bereit sind, eine fertige L\u00f6sung in der Cloud zu nutzen (und das sind wir wegen der Kosten nicht), muss der gesamte Stack von Administratoren aufgebaut und gewartet werden, was wir wirklich vermeiden m\u00f6chten.<\/li>\n<li>Die Daten werden <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 aggregiert.<\/a><\/noindex>.<\/li>\n<\/ul>\n<p>\nAllerdings:<\/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 Server erreicht. Einfach gesagt, wenn wir ein gro\u00dfes Unternehmen sind, das sich mit Analytik besch\u00e4ftigt und es gesch\u00e4ftskritisch ist, Informationen so schnell wie m\u00f6glich zu aggregieren (selbst wenn dies auf Kosten des Einsatzes zahlreicher Rechenressourcen geht), dann k\u00f6nnte dies unsere Wahl sein. Aber wir waren nicht bereit, den Hardwarepark f\u00fcr eine schnellere Ausf\u00fchrung der Aufgaben erheblich zu vergr\u00f6\u00dfern.<\/p>\n<p><b><u>Druid\/Pinot<\/u><\/b><\/p>\n<p>Bereits deutlich mehr \u00fcber speziell TSDB, jedoch wieder ein Hadoop-Stack.<\/p>\n<p>Ja <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@leventov\/comparison-of-the-open-source-olap-systems-for-big-data-clickhouse-druid-and-pinot-8e042a5ed1c7\">einen ausgezeichneten Artikel, der die Vor- und Nachteile von Druid und Pinot im Vergleich zu ClickHouse analysiert. <\/a><\/noindex>. <\/p>\n<p>Kurz gesagt: Druid\/Pinot schneiden besser ab als ClickHouse, wenn:<\/p>\n<ul>\n<li>Sie haben einen heterogenen Datentyp (in unserem Fall zeichnen wir nur Zeitserien von Servermetriken auf, und im Grunde handelt es sich um eine Tabelle. Aber es kann auch andere F\u00e4lle geben: Zeitreihen von Ger\u00e4ten, \u00f6konomische Zeitreihen usw. \u2014 jede mit ihrer eigenen Struktur, die aggregiert und verarbeitet werden muss).<\/li>\n<li>Dabei gibt es von diesen Daten sehr viele.<\/li>\n<li>Tabellen und Daten mit Zeitreihen erscheinen und verschwinden (das hei\u00dft, eine bestimmte Datensammlung ist angekommen, wurde analysiert und dann gel\u00f6scht).<\/li>\n<li>Es gibt kein eindeutiges Kriterium, nach dem die Daten partitioniert werden k\u00f6nnen.<\/li>\n<\/ul>\n<p>\nIn den gegens\u00e4tzlichen F\u00e4llen schl\u00e4gt sich ClickHouse besser, 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>\nKommt auf die Shortlist f\u00fcr Tests.<\/p>\n<p><b><u>InfluxDB<\/u><\/b><\/p>\n<p>Eine ausl\u00e4ndische Alternative zu ClickHouse. Nachteile: Hochverf\u00fcgbarkeit ist nur in der kommerziellen Version vorhanden, aber ein Vergleich ist notwendig.<\/p>\n<p>Kommt auf die Shortlist f\u00fcr Tests.<\/p>\n<p><b><u>Cassandra<\/u><\/b> <\/p>\n<p>Einerseits wissen wir, dass es f\u00fcr die Speicherung von metrischen Zeitserien von \u00dcberwachungssystemen wie z. B. <noindex><a rel=\"nofollow\" href=\"https:\/\/www.signalfx.com\/blog\/making-cassandra-perform-as-a-tsdb\/\">SignalFX<\/a><\/noindex> oder OkMeter verwendet wird. Es gibt jedoch Spezifika.<\/p>\n<p>Cassandra ist keine spaltenorientierte Datenbank im herk\u00f6mmlichen Sinne. Sie sieht eher aus wie eine zeilenorientierte, aber in jeder Zeile kann unterschiedlich viele Spalten vorhanden sein, wodurch eine spaltenorientierte Darstellung leicht organisiert werden kann. In diesem Sinne ist klar, dass man bei einer Begrenzung von 2 Milliarden Spalten bestimmte Daten genau in Spalten speichern kann (zum Beispiel die gleichen Zeitreihen). In MySQL gibt es eine Begrenzung von 4096 Spalten, und es kann leicht zu einem Fehler mit dem Code 1117 kommen, wenn man versucht, dasselbe zu tun.<\/p>\n<p>Die Cassandra-Engine ist auf die Speicherung gro\u00dfer Datenmengen in einem verteilten System ohne Master ausgerichtet. In der oben genannten CAP-Theorie liegt Cassandra st\u00e4rker im Bereich AP, also Verf\u00fcgbarkeit von Daten und Widerstandsf\u00e4higkeit gegen\u00fcber Partitionierungsfehlern. Daher eignet sich dieses Werkzeug hervorragend, wenn es nur darum geht, Daten in diese Datenbank zu schreiben und selten daraus zu lesen. Es ist also sinnvoll, Cassandra als \"kalten\" Speicher zu verwenden. Das bedeutet, dass es sich um einen langfristigen, zuverl\u00e4ssigen Ort f\u00fcr die Speicherung gro\u00dfer Mengen historischer Daten handelt, 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\u00e4hnte, besteht kein Wunsch, den Code aktiv f\u00fcr die gew\u00e4hlte Datenbankl\u00f6sung neu zu schreiben, daher werden wir sie etwas eingeschr\u00e4nkt testen \u2013 ohne Anpassung der Datenbankstruktur an die Spezifikationen von Cassandra.<\/p>\n<p><b><u>Prometheus<\/u><\/b><\/p>\n<p>Ja, und aus Interesse haben wir beschlossen, die Leistung des Prometheus-Speichers zu testen \u2013 einfach um zu verstehen, ob wir schneller sind als die aktuellen L\u00f6sungen oder langsamer und wie stark.<\/p>\n<h4>Testmethodik und -ergebnisse<\/h4>\n<p>\nWir haben 5 Datenbanken in 6 Konfigurationen getestet: ClickHouse (1 Knoten), ClickHouse (verteilte Tabelle auf 3 Knoten), InfluxDB, Mysql 8, Cassandra (3 Knoten) und Prometheus. Der Testplan lautet wie folgt:<\/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 eine Schreiblast (wir betrachteten 6 Lastmodi, siehe unten);<\/li>\n<li>Parallel zum Schreiben f\u00fchren wir regelm\u00e4\u00dfig Abfragen durch und simulieren Benutzeranfragen, die mit Grafiken arbeiten. Um es nicht zu kompliziert zu machen, w\u00e4hlten wir Daten f\u00fcr 10 Metriken (so viele wie im CPU-Diagramm) \u00fcber eine Woche aus.<\/li>\n<\/ol>\n<p>\nWir belasten, indem wir das Verhalten unseres \u00dcberwachungsagents simulieren, der alle 15 Sekunden Werte in jede Metrik sendet. Dabei interessiert es uns, zu variieren:<\/p>\n<ul>\n<li>die Gesamtanzahl der Metriken, in die Daten geschrieben werden;<\/li>\n<li>das Intervall, in dem Werte in 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 mit einzelnen Inserts nicht \u00fcberlastet werden sollten, ben\u00f6tigen wir einen Relayer, der die eingehenden Metriken sammelt und sie gruppiert, um sie in der Datenbank im Batch-Insert zu speichern.<\/p>\n<p>Um besser zu verstehen, wie man die erhaltenen Daten sp\u00e4ter interpretieren kann, 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 einfach eine virtuelle Entit\u00e4t \u2013 nur um zu verstehen, dass zum Beispiel 10000 Metriken etwa 80 Server entsprechen.<\/p>\n<p>Und nun, unter Ber\u00fccksichtigung all dessen, unsere 6 Lastmodi der Datenbank f\u00fcr Schreiboperationen:<\/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 \/>\nHier gibt es zwei Punkte. Erstens waren f\u00fcr Cassandra solche Batch-Gr\u00f6\u00dfen zu gro\u00df; dort haben wir Werte von 50 oder 100 verwendet. Zweitens, da Prometheus strikt im Pull-Modus arbeitet, d.h. er selbst Daten von den Metrikquellen abruft (und sogar pushgateway, trotz des Namens, \u00e4ndert die Situation nicht grundlegend), wurden die entsprechenden Lasten mit einer Kombination aus 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 bemerkenswert ist:<\/b>: unglaublich schnelle Abfragen aus Prometheus, erschreckend langsame Abfragen aus Cassandra, unakzeptabel langsame Abfragen aus InfluxDB; bei der Schreibgeschwindigkeit hat ClickHouse alle gewonnen, w\u00e4hrend Prometheus nicht teilnimmt, weil es die Inserts selbst intern ausf\u00fchrt und wir nichts messen.<\/p>\n<p><u><b>Insgesamt<\/b><\/u>: ClickHouse und InfluxDB haben sich am besten geschlagen, aber ein Cluster von Influx kann nur auf der Grundlage der Enterprise-Version aufgebaut werden, die Kosten verursacht, w\u00e4hrend ClickHouse kostenlos ist und in Russland entwickelt wurde. Logisch, dass die Wahl in den USA eher auf 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 5.0.1.1 - 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.\" \/>\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) 5.0.1.1\" \/>\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.\" \/>\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\udd47 Wie wir mehrere Datenbanken f\u00fcr Zeitreihen getestet haben | ProHoster","description":"In den letzten Jahren die Datenbanken.","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.","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","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"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}]}}