在当今大数据时代，时序数据库的应用越来越广泛，尤其是在物联网、工业监控、金融分析等领域。TDengine 作为一款高性能的时序数据库，凭借独特的存储架构和高效的压缩算法，在存储和查询效率上表现出色。然而，随着数据规模的不断增长，在保证数据安全性和存储效率的同时，如何优化 CPU 的资源占用，成为了一个值得深入讨论的问题。

本文将探讨 TDengine 在数据写入与查询场景下的压缩解压与加密解密过程中对 CPU 资源的占用情况。通过深入分析 TDengine 的存储压缩技术和数据加密功能，我们将评估其在实际应用中的性能表现及对系统资源的影响。希望本篇分析能为 TDengine 用户提供有价值的参考，帮助大家在实际应用中更好地权衡数据安全、存储效率与系统性能。

测试环境

系统：Darwin Kernel Version 23.6.0

taosd 版本：

TDengine Enterprise Edition
taosd version: 3.3.5.2.alpha compatible_version: 3.0.0.0
git: 0a42d321120b313019f0ee9b1d7e23599bfd462d
gitOfInternal: ab27dbaf76fa60c57363a3053c9c5b012fafddad
build: macOS-arm64 2025-01-22 15:59:30 +0800

集群：1 dnodes, 1 vgroups, WAL_LEVEL 1

测试准备

建库时指定加密方式，taosbenchmark 不支持加密建库。

create database test ENCRYPT_ALGORITHM 'sm4';

insert.json

{"filetype": "insert","cfgdir": "/etc/taos","host": "localhost","port": 6030,"user": "root","password": "taosdata","connection_pool_size": 8,"num_of_records_per_req": 20000,"thread_count": 8,"create_table_thread_count": 10,"result_file": "./insert_res_mix.txt","confirm_parameter_prompt": "no","insert_interval": 0,"continue_if_fail": "yes","databases": [{"dbinfo": {"name": "test","drop": "no","vgroups": 1,"replica": 1,"stt_trigger": 1,"minRows": 100,"WAL_RETENTION_PERIOD": 10,"maxRows": 4096},"super_tables": [{"name": "meters","child_table_exists": "no","auto_create_table":"no","childtable_count": 10000,"insert_rows": 100,"childtable_prefix": "d","insert_mode": "stmt2","insert_interval": 0,"timestamp_step": 900000,"start_timestamp":"2022-09-01 10:00:00","disorder_ratio": 0,"update_ratio": 0,"delete_ratio": 0,"continue_if_fail": "yes","disorder_fill_interval": 0,"update_fill_interval": 0,"generate_row_rule": 0,"columns": [{ "type": "binary","compress":"lz4",      "name": "val", "len": 64},{ "type": "binary","compress":"lz4",      "name": "order_no", "len": 64},{ "type": "binary","compress":"lz4",      "name": "production_no", "len": 64},{ "type": "binary","compress":"lz4",      "name": "modal_no", "len": 64}],"tags": [{  "type": "binary",  "name": "device_no",  "len": 64 ,"values": ["San Francisco", "Los Angles", "San Diego","San Jose", "Palo Alto", "Campbell", "Mountain View","Sunnyvale", "Santa Clara", "Cupertino"] },{ "type": "int",      "name": "channel_id", "max": 100, "min": 0},{  "type": "binary",  "name": "point_no",  "len": 64 ,"values": ["San Francisco", "Los Angles", "San Diego","San Jose", "Palo Alto", "Campbell", "Mountain View","Sunnyvale", "Santa Clara", "Cupertino"]},{ "type": "int",      "name": "datatype", "max": 100, "min": 0},{ "type": "int",      "name": "business_type", "max": 100, "min": 0},{  "type": "binary",  "name": "unit",  "len": 16 ,"values": ["San Francisco", "Los Angles", "San Diego","San Jose", "Palo Alto", "Campbell", "Mountain View","Sunnyvale", "Santa Clara", "Cupertino"]}]}]}]
}

测试结果

场景一：sm4 加密 & lz4 压缩

测试方法：使用 taosBenchmark 对上面的 json 文件进行数据导入，同时对 taosd 使用 perf 采样，以下是火焰图信息。

测试结果：

压缩：LZ4compress：0.76% + 2.84%（table data compress）+0.1%（Stt）

解密：SM4_decrypt：5.87%（MergeFile）+ 1.12%（MergeFile）

加密：SM4_encrypt：59.02%（WAL） + 10.68%（table data） + 6.97%（table data end） + 2.04%（Stt）

结论：加密比压缩占用更多 CPU 资源，大约达 70%。这是因为压缩/解压仅在数据生成时调用，而写入 WAL、Meta 数据和落盘至 TSDB 的全过程都涉及加密。此外，系统启动时，读取仍存于 WAL 中的未落盘数据、首次从 TSDB 读取的数据，以及首次访问 Meta 数据时，均需执行解密操作。

场景二：lz4 压缩解压缩

测试方法：使用 Benchmark taosc 导入数据，在使用脚本对所有子表做一遍查询，对查询过程打火焰图分析。

  for (int i = 0; i < 10000; i++) {sprintf(sql, "select * from d_%d", i);do_query(taos, sql);}

测试结果：

压缩：compressData：3.33%（table data）+1.01%（table data end）

解压缩：ColDataDecompress/decompressData：1.31%+0.66%+0.22%+0.18%

结论：加密解密的性能占比不高，大部分耗时在 LRU 缓存切换上，因为查询次数过多，导致测试不理想。

场景三：增大数据量，减少查询次数，测 lz4 压缩解压缩

测试方法：使用 Benchmark taosc 导入 10000 子表，1000 row 数据，查超级表（只查一次）

select * from meters；

测试结果：

压缩：4.93%（table data end）+7.3%（table data）+0.44%（table data end）

解压缩：0.95%+0.51%

结论：测试结果显示，在正常情况下，压缩/解压过程占整个查询的 CPU 开销约 15%。由于压缩/解压仅在数据生成时调用，并且数据以块形式进行处理，其效率远高于加密/解密。

结论

通过分析 TDengine在数据写入与查询场景下的压缩解压与加密解密过程的 CPU 占用情况，可以看出，加密对数据导入影响较大，占用约 77% 的 CPU 资源。写入 WAL、Meta 数据及落盘至 TSDB 的全过程均涉及加密，而系统启动时，读取仍存于 WAL 中的未落盘数据、首次从 TSDB 读取的数据以及首次访问 Meta 数据时，则需要执行解密操作。相比之下，压缩/解压对数据导入导出的影响较小，仅占 CPU 资源约 15%。这是因为压缩/解压仅在数据生成时调用，并且数据以块形式处理，其效率远高于加密/解密。

由此可见，TDengine 不仅显著提高了存储效率和数据安全性，还在一定程度上优化了 CPU 的资源占用。尤其是在处理平稳变化的时序数据时，TDengine 的差值编码和通用压缩技术表现出了极高的压缩率，为用户节约了大量的存储成本。

然而，随着数据规模的不断增长，如何在保证数据安全性和存储效率的同时，进一步优化 CPU 的资源占用，仍然是一个需要持续关注的问题。未来，随着硬件性能的提升和算法的不断优化，我们有理由相信，TDengine 将在时序数据库领域继续发挥其优势，为用户提供更加高效、安全的数据存储和查询解决方案。

希望本文的分析能够为使用 TDengine 的用户提供一些有价值的参考，帮助大家在实际应用中更好地平衡数据安全、存储效率与系统性能。如果您对 TDengine 的压缩和加密技术有更多的疑问或建议，欢迎在评论区留言讨论。

想要了解更多 TDengine 的硬核技术，移步 https://docs.taosdata.com/?utm_source=zimeiti-orther&utm_medium=technology-blog&utm_campaign=2025-01-12