• 起压力机器信息：与编号 1 机器同配置
  • 测试工具：apache-Jmeter-2.5.1

注：起压机器和被压机器在同一机房

2.1 名词定义（时间的单位均为ms）

  • Samples — 本次场景中一共完成了多少个线程
  • Average — 平均响应时间
  • Median — 统计意义上面的响应时间的中值
  • 90% Line — 所有线程中90%的线程的响应时间都小于xx
  • Min — 最小响应时间
  • Max — 最大响应时间
  • Error — 出错率
  • Throughput — 吞吐量
  • KB/sec — 以流量做衡量的吞吐量

2.2 底层存储

后端存储使用RocksDB，HugeGraph与RocksDB都在同一机器上启动，server相关的配置文件除主机和端口有修改外，其余均保持默认。

  1. HugeGraph每秒能够处理的请求数目上限是7000
  2. 批量插入速度远大于单条插入，在服务器上测试结果达到22w edges/s，37w vertices/s
  3. 后端是RocksDB，增大CPU数目和内存大小可以增大批量插入的性能。CPU和内存扩大一倍，性能增加45%-60%

4.1 batch插入

4.1.1 压力上限测试
测试方法
压力参数

持续时间：5min

顶点和边的最大插入速度（高性能服务器，使用SSD存储RocksDB数据）：
结论：
  • 并发1000，边的吞吐量是是451，每秒可处理的数据：451*500条=225500/s
  • 并发2000，顶点的吞吐量是1842.4，每秒可处理的数据：1842.4*200=368480/s

1. CPU和内存对插入性能的影响（服务器都使用HDD存储RocksDB数据，批量插入）

image
结论：
  • 同样使用HDD硬盘，CPU和内存增加了1倍
  • 边：吞吐量从268提升至426，性能提升了约60%
  • 顶点：吞吐量从1263.8提升至1842.4，性能提升了约45%
结论：
  • 边：使用SSD吞吐量451.7,使用HDD吞吐量426.6，性能提升5%
  • 顶点：使用SSD吞吐量1842.4，使用HDD吞吐量1794，性能提升约3%

3. 不同并发线程数对插入性能的影响（普通服务器，使用HDD存储RocksDB数据）

image
结论：
  • 顶点：1000并发，响应时间7ms和1500并发响应时间1028ms差距悬殊，且吞吐量一直保持在1300左右，因此拐点数据应该在1300 ，且并发1300时，响应时间已达到22ms，在可控范围内，相比HugeGraph 0.2（1000并发：平均响应时间8959ms），处理能力出现质的飞跃；
  • 边：从1000并发到2000并发，处理时间过长，超过3s，且吞吐量几乎在270左右浮动，因此继续增大并发线程数吞吐量不会再大幅增长，270 是一个拐点，跟HugeGraph 0.2版本（1000并发：平均响应时间31849ms）相比较，处理能力提升非常明显；

4.2 single插入

4.2.1 压力上限测试
测试方法

不断提升并发量，测试server仍能正常提供服务的压力上限

压力参数
  • 持续时间：5min
  • 服务异常标志：错误率大于0.00%
结论：
  • 顶点：
    • 4000并发：正常，无错误率，平均耗时小于1ms， 6000并发无错误，平均耗时5ms，在可接受范围内；
    • 8000并发：存在0.01%的错误，已经无法处理，出现connection timeout错误，顶峰应该在7000左右
  • 边：
    • 4000并发：响应时间1ms，6000并发无任何异常，平均响应时间8ms，主要差异在于 IO network recv和send以及CPU）；