百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

性能压测数据告诉你MySQL和MariaDB该怎么选

ztj100 2025-05-05 20:16 43 浏览 0 评论

1. 压测环境

为了尽可能的客观公正,本次选择同一物理机上的两台虚拟机,一台用作数据库服务器,一台用作运行压测工具mysqlslap,操作系统均为Ubuntu Server 22.04LTS。

数据库服务器的虚拟机配置:2核4G(配置虽低,但是用作横向对比不影响结果),安装完系统做好基本配置后即创建快照便于快速恢复,这样MySQL和MariaDB都运行在同一台虚拟机当中,排除环境因素导致的性能影响。压测数据也采用导出和导入的方式,确保数据完全一致。

MySQL和MariaDB版本分别为8.0.32和10.11.2,均为当前最新稳定版。压测工具mysqlslap。

压测的大致过程:

1、 安装数据库,分别生成30万,200万和500万几种压测数据,分别用mysqldump导出数据备份。

2、 重新恢复到虚拟机快照,全新安装MariaDB,导入备份数据进行压测,记录压测结果。

3、 重新复到虚拟机快照,安装MySQL,导入备份数据进行压测,记录压测结果。

4、 每次压测前先执行2次压测,不记录结果,作为数据库的热身。从第3次开始记录,连续测试5次,取平均值。

2. 压测过程

2.1. 生成压测数据

主要就是创建表和模拟数据,实际使用数据库大部分时候会用到两表关联查询,且通常是查询索引字段,但通常不是主键,所以创建两张表user和userlog,通过字段uname(varchar,有索引)进行关联查询。

其中user表固定1万条数据,userlog表分别模拟30万,200万和500万条数据几种情况压测。

为节约篇幅,建表语句略。

  • 数据模拟
mysqlslap --create-schema=test --no-drop -c 100 -i 100 -h 10.0.2.12 -u user -p'user123!' --query="insert ignore into \`user\`(uname, age) values(SUBSTR(TO_BASE64(CONCAT(10000000000+rand()*1000000000,rand()*1000000000)),4,16), 10+rand()*70)";

mysqlslap --create-schema=test --no-drop -c 1 -i 30 -h 10.0.2.12 -u user -p'user123!' --query="insert ignore into userlog (rid, uname, val) select uuid(), uname, rand()*5000000 from \`user\`"


  • 备份数据
sudo mysqldump --databases test -u root>test_30w.sql


2.2.安装数据库和恢复数据


2.3. 压测

# 并发100/300连接,每个连接只查询1次;循环10次
mysqlslap --create-schema=test --no-drop -c 100 -i 10 -h 10.0.2.12 -u user -p'user123!' --query=" set @val=round(rand()*10000);select u.uname,u.age,l.rid,l.val from user u join userlog l on u.uname=l.uname where u.rid=@val limit 20;"

# 并发100/300连接,每个连接查询10次,不循环。
mysqlslap --create-schema=test --no-drop -c 100 --number-of-queries 1000 -h 10.0.2.12 -u user -p'user123!' --query=" set @val=round(rand()*10000);select u.uname,u.age,l.rid,l.val from user u join userlog l on u.uname=l.uname where u.rid=@val limit 20;"


3. 压测结果

压测结果数据如下:



可以看出,不同数据量和不同压力下,MariaDB的性能要比MySQL高40%到50%。所以,怎么选不言自明。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: