KWDB 3.1.0 性能实测：脚本验证读写能力

这是一次贴近真实工业物联网场景的KWDB 3.1.0性能实测：不依赖美化参数的benchmark工具，而是用Python脚本模拟传感器数据批量写入、SQL直连测量端到端延迟，在未调优的单节点Docker环境下，揭示出KWDB在时序写入吞吐（1000行/批达3717行/秒，较单条提升929倍）、亚毫秒级单点写入（1.165ms）、高效聚合（10万行GROUP BY仅4.84ms）、强时间戳校验（拒绝非法时间戳保障数据可信）及跨模JOIN实用性（41ms完成时序+关系双库关联）等方面的扎实表现，同时暴露出连接开销主导延迟、时间格式严格校验等关键工程细节——不是炫技跑分，而是帮你预判真实业务中怎么写、怎么查、怎么避坑。

---

为什么不用 benchmark 工具

做 KWDB 的性能测试时，首先碰到一个选择：用 sysbench、FIO 还是 KWDB 内置的 workload 工具？

考虑了一下，决定都不用。benchmark 工具的跑分数字太"漂亮"，参数调一调就能高出一大截，对实际工程参考意义有限。我更想知道的是：在接近真实业务场景的情况下，KWDB 能跑到什么水平。

所以这次的方式是：Python 脚本生成传感器测试数据，不同批次大小循环写入，每种重复5次取平均，然后用 SQL 客户端直接测查询延迟。这是 KWDB 在正常使用条件下的表现，不经过任何调优。

测试环境：

操作系统：CentOS 7.6，内核 3.10CPU：4核，内存：8GBKWDB：3.1.0，Docker 单节点，无副本数据目录：宿主机 /data/kwdb 挂载，宿主机系统盘（未单独挂SSD）

---

建立测试数据库

重新建一套独立的测试数据库，不复用其他场景的库。

51.55ms，因为 DATE_TRUNC 要对每一行时间戳做函数运算，比直接聚合慢，这是预期内的行为。
最终验证截图
测试结果汇总
测试项目                    
实测结果                                                    
单条写入延迟（SQL直连）     
均值约 1.165ms（三次实测均值）
批次写入吞吐（1行/次）      
4 行/秒                                                     
批次写入吞吐（1000行/次）   
3,717 行/秒（提升 929×）     
COUNT 全表 106,558 行       
3.991ms                      
时间范围过滤+聚合           
7.089ms（过滤出12,354行）    
全量 GROUP BY 聚合（10万行）
4.842ms                      
多条件复合过滤              
5.824ms                      
跨模 JOIN 全量聚合          
41.812ms                    
稳定性（30轮每轮500行）     
235~309ms，无漂移趋势        
资源占用（测试后空闲）      
634.6MiB 内存，1.65% CPU     
几点实际感受
关于批次写入： 批次大小从1增到1000，吞吐量差距接近1000倍，但单次调用耗时几乎不变。原因是外部调用链路（进程启动 + 网络连接）是固定开销，KWDB 的实际写入时间只是其中一部分。实际应用中客户端必须做连接复用和批量攒发，单条写入的模式在高频场景下会把大部分时间耗在连接上而不是 DB 操作上。
关于聚合性能： 4.842ms 完成 10 万行 GROUP BY 是这次测试最直观的数字。这背后是时序列式存储的基本特性——同一列的数据在存储上相邻，聚合时不需要读取整行，只扫目标列。这种存储结构特别适合传感器类数据：写入频繁、每次查询只关心少数几个指标字段的聚合。
关于时间戳校验： KWDB 拒绝了小时数超出 0~23 范围的时间戳，不做降级处理。导致原定10万行最终只入库 91,555 行。这对我们来说是一次踩坑，但从数据库的角度来说，强校验比静默写入更安全——时序数据的时间线一旦错乱，后续所有基于时间的查询结果都会受影响。
关于跨模查询： Q4 的 41ms 比纯时序聚合慢8.6倍，但考虑到这是跨两套存储引擎的 JOIN，41ms 在单节点无调优的条件下是可以接受的查询延迟。如果业务上需要频繁做这类关联查询，做好查询计划分析和必要的缓存策略会更有帮助。
到这里，我们也就讲完了《KWDB 3.1.0 性能实测：脚本验证读写能力》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于KWDB的知识点！