[{"_1":2,"_3":-5,"_4":-5},"loaderData",{"_5":6,"_7":8},"actionData","errors","root",{"_2942":2943,"_2944":59,"_2945":15,"_2946":15,"_2947":15,"_2948":15,"_2949":15,"_2950":15,"_2951":2952},"routes/s.$postId",{"_9":10,"_11":12,"_13":-7,"_14":15,"_16":15,"_17":-5,"_18":19},"kind","post_with_profile","postWithProfile",{"_20":21,"_22":23},"referrer","preferIntrinsicAspectRatioForOgImage",false,"enforceRenderedOgImg","ogImageVariantOverride","defaultOgDescription","ChatGPT helps you get answers, find inspiration, and be more productive.","post",{"_42":43,"_44":45,"_46":-5,"_47":-5,"_48":-5,"_49":-5,"_50":51,"_52":53,"_35":54,"_55":56,"_57":15},"profile",{"_24":25,"_26":25,"_27":28,"_29":-5,"_30":-5,"_31":32,"_33":15,"_34":-5,"_35":-5,"_36":-5,"_37":15,"_38":-5,"_39":-5,"_40":-5,"_41":15},"user_id","anonymous","username","profile_picture_url","https://cdn.openai.com/sora/images/profile_placeholder_v4.png","profile_picture_id","is_default_profile_picture","follower_count",0,"is_following","display_name","permalink","can_cameo","verified","character_count","owner_profile","social_context","follows_you","id","cd_6a3a9648a23c8191b24d01a30fa42d7e","posted_at",1782224456.633877,"text","og_title","og_description","og_image_variant","attachments",[65],"preview_image_url","https://ogimg.chatgpt.com/?postId=cd_6a3a9648a23c8191b24d01a30fa42d7e","https://chatgpt.com/s/cd_6a3a9648a23c8191b24d01a30fa42d7e","permissions",{"_58":59,"_60":15,"_61":15,"_62":59,"_63":64},"use_experimental_unfurl","can_read",true,"can_write","can_delete","can_remix","share_setting","public",{"_42":66,"_67":68,"_9":69,"_70":71,"_72":73,"_74":75,"_76":77,"_78":79,"_80":-5},"cd_6a3a9648a23c8191b24d01a30fa42d7e-attachment-0","tags",[],"codex","task",{"_42":2900,"_120":2901,"_329":2902,"_2903":59,"_83":84,"_2904":15,"_2905":2906,"_292":15,"_2907":2908,"_2909":-5,"_2910":2911},"current_user_turn",{"_93":342,"_42":85,"_97":342,"_2009":2893,"_2011":2894,"_2013":2014,"_133":-5,"_120":2015},"current_assistant_turn",{"_93":94,"_42":84,"_95":-5,"_96":-5,"_97":94,"_98":2469,"_100":2470,"_102":103,"_104":-5,"_105":2471,"_107":2472,"_109":2473,"_111":2474,"_113":114,"_115":-5,"_116":117,"_118":2475,"_120":121,"_122":-5,"_123":124,"_125":2476,"_127":128,"_129":130,"_131":-5,"_132":-5,"_133":85,"_134":2477,"_136":2478,"_138":-5,"_139":15,"_140":141,"_142":-5},"current_diff_task_turn",{"_93":94,"_42":84,"_95":-5,"_96":-5,"_97":94,"_98":2045,"_100":2046,"_102":103,"_104":-5,"_105":2047,"_107":2048,"_109":2049,"_111":2050,"_113":114,"_115":-5,"_116":117,"_118":2051,"_120":121,"_122":-5,"_123":124,"_125":2052,"_127":128,"_129":130,"_131":-5,"_132":-5,"_133":85,"_134":2053,"_136":2054,"_138":-5,"_139":15,"_140":141,"_142":-5},"turns",{"_81":82,"_83":84},"example_task_info","turn_mapping",{"_85":86,"_84":87},"current_turn_id","task_e_6a3a964731848329b508a8d05829ea44~assttrn_e_6a3a964839b48329b29bd6346b99415d","task_e_6a3a964731848329b508a8d05829ea44~usertrn_e_6a3a964832bc832985239e9fb6158211",{"_42":85,"_88":2007,"_90":2008,"_92":-5},{"_42":84,"_88":89,"_90":91,"_92":85},"turn",{"_93":94,"_42":84,"_95":-5,"_96":-5,"_97":94,"_98":99,"_100":101,"_102":103,"_104":-5,"_105":106,"_107":108,"_109":110,"_111":112,"_113":114,"_115":-5,"_116":117,"_118":119,"_120":121,"_122":-5,"_123":124,"_125":126,"_127":128,"_129":130,"_131":-5,"_132":-5,"_133":85,"_134":135,"_136":137,"_138":-5,"_139":15,"_140":141,"_142":-5},"children",[],"parent","type","assistant","sibling_turn_ids","attempt_placement","role","output_items",[983,984,985],"child_turns",[],"conversation_id","None","error","latest_event",{"_978":979,"_46":980,"_981":982},"worklog",{"_953":954},"app_server_events",{"_356":952},"thread_events",{"_356":357},"turn_status","completed","cancellation_requested_at","pull_request_status","updated","pull_request_data",{"_321":322,"_312":323,"_324":325,"_326":15,"_327":59,"_328":59,"_329":330,"_331":332,"_333":284,"_334":128,"_335":336,"_337":130,"_338":339,"_340":-5,"_341":-5,"_342":343,"_344":345,"_346":347,"_348":349,"_350":351},"created_at",1782224456.225524,"internal_only_rollouts","environment_id","699fc808fba881919ab8a8a72aaa0144","environment",{"_42":124,"_210":211,"_212":213,"_214":15,"_215":216,"_217":218,"_219":220,"_221":-5,"_222":-5,"_223":224,"_225":226,"_227":228,"_229":230,"_231":232,"_233":234,"_235":-5,"_236":237,"_238":239,"_240":241,"_242":243,"_55":-5,"_120":244,"_245":246,"_247":248,"_249":250,"_251":15,"_252":15},"branch","docs/performance-tips","base_commit_sha","1e1e117f3a8f3400f7bed463a6528657daab56b5","branch_name","direct_push_pushed_commit_sha","previous_turn_id","logs",{"_134":195},"proxy_events",[143,144,145,146,147,148,149,150,151,152,153,154,155],"debug_metadata","discarded","model_version","gpt-5.5","languages",{"_156":193,"_158":159,"_160":161,"_162":171,"_164":194,"_166":167,"_168":32,"_169":-5},{"_156":190,"_158":184,"_160":191,"_162":171,"_164":192,"_166":167,"_168":32,"_169":-5},{"_156":189,"_158":159,"_160":161,"_162":163,"_164":187,"_166":167,"_168":32,"_169":-5},{"_156":183,"_158":184,"_160":185,"_162":186,"_164":187,"_166":167,"_168":188,"_169":-5},{"_156":182,"_158":159,"_160":161,"_162":171,"_164":179,"_166":167,"_168":32,"_169":-5},{"_156":181,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":180,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":178,"_158":159,"_160":161,"_162":171,"_164":179,"_166":167,"_168":32,"_169":-5},{"_156":176,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":174,"_158":159,"_160":161,"_162":171,"_164":175,"_166":167,"_168":32,"_169":-5},{"_156":172,"_158":159,"_160":161,"_162":163,"_164":173,"_166":167,"_168":32,"_169":-5},{"_156":170,"_158":159,"_160":161,"_162":171,"_164":165,"_166":167,"_168":32,"_169":-5},{"_156":157,"_158":159,"_160":161,"_162":163,"_164":165,"_166":167,"_168":32,"_169":-5},"timestamp","2026-06-23T14:22:17.907880","decision","allow","reason","checks passed","method","GET","domain","chatgpt.com:18080","protocol","HTTP/1.1","size","path","2026-06-23T14:22:17.850052","CONNECT","2026-06-23T14:22:16.855269","codeload.github.com","2026-06-23T14:22:16.845265","codeload.github.com:443","2026-06-23T14:22:16.719524","api.github.com","2026-06-23T14:22:16.708103","api.github.com:443","2026-06-23T14:22:16.568344","2026-06-23T14:22:16.450372","2026-06-23T14:22:16.399726","2026-06-23T14:22:16.226984","block","method is blocked","POST","github.com",102,"2026-06-23T14:22:16.110511","2026-06-23T14:22:16.106771","domain is not in allowlist","chatgpt.com:443","2026-06-23T14:22:16.039485","github.com:443",[196,197],{"_198":206,"_200":207},{"_198":199,"_200":201},"key",{"_202":203,"_93":204,"_120":205},"value","file_00000000d624722fb73d0bbcb38e5cb0","name","auto_setup","UserSetupScript","2026-06-23T14:21:29.705965",{"_202":208,"_93":204,"_120":209},"file_00000000dc98722fa262c062939fa15a","setup_autodetect","2026-06-23T14:21:20.977541","machine_id","wham-public/wham-universal","label","GreptimeTeam/docs","is_pinned","description","","workspace_dir","/workspace","agent_network_access",{"_314":315,"_316":69,"_317":-5,"_318":-5,"_319":-5,"_320":59},"codex_github_direct","github_connector_id","repos",[274],"setup",[216],"maintenance_setup",[216],"repo_map",{"_274":275},"env_vars",{"_256":257,"_258":259,"_260":261,"_262":263,"_264":265,"_266":267,"_268":269,"_270":271,"_272":273},"secrets",{},"secrets_with_domains","task_count",31,"creator_id","user-bZglb2fkOqGV6z4ZTneQjm5r","share_settings","workspace","share_targets",[],1772079114.262254,"auto_setup_settings",{"_255":59},"cache_settings",{"_253":59,"_254":216},"etag","\"840018db-0000-0200-0000-6a38d9e80000\"","enable_authtranslator","enable_docker_in_docker","post_setup_cache_enabled","cache_invalidation_key","use_auto_setup","CODEX_ENV_PYTHON_VERSION","3.12","CODEX_ENV_NODE_VERSION","20","CODEX_ENV_RUBY_VERSION","3.4.4","CODEX_ENV_RUST_VERSION","1.89.0","CODEX_ENV_GO_VERSION","1.24.3","CODEX_ENV_BUN_VERSION","1.2.14","CODEX_ENV_PHP_VERSION","8.4","CODEX_ENV_JAVA_VERSION","21","CODEX_ENV_SWIFT_VERSION","6.1","github-556677627",{"_42":276,"_202":277,"_278":279,"_280":213,"_281":282,"_283":284,"_285":286,"_287":288,"_289":290,"_291":64,"_292":15,"_293":-5,"_294":-5,"_295":-5,"_296":-5,"_297":-5,"_298":-5,"_168":299,"_300":-5,"_55":301},"556677627","docs","owner",{"_306":307,"_42":308,"_93":309,"_310":311,"_312":313},"repository_full_name","clone_url","https://github.com/GreptimeTeam/docs.git","default_branch","main","git_commits_url","https://api.github.com/repos/GreptimeTeam/docs/git/commits{/sha}","git_refs_url","https://api.github.com/repos/GreptimeTeam/docs/git/refs{/sha}","git_url","git://github.com/GreptimeTeam/docs.git","visibility","archived","allow_auto_merge","allow_merge_commit","allow_rebase_merge","allow_squash_merge","allow_update_branch","language",52293,"master_branch",{"_302":15,"_303":15,"_304":15,"_305":15},"admin","maintain","push","pull","login","GreptimeTeam",103400677,"Organization","avatar_url","https://avatars.githubusercontent.com/u/103400677?v=4","url","https://api.github.com/users/GreptimeTeam","mode","on","preset_allowlist","allowlist_domains","allowlist_rules","denylist_domains","safe_methods_only","number",2581,"https://github.com/GreptimeTeam/docs/pull/2581","state","open","merged","mergeable","draft","title","docs: improve performance tuning and profiling guidance","body","## What's Changed in this PR\n\n- Expands the performance tuning tips page with `EXPLAIN ANALYZE VERBOSE` guidance for debugging slow queries, including common scan, filter, cache, and metadata findings.\n- Updates cache tuning guidance with current cache metrics, cache type labels, index cache allocation, range result and prefilter result caches, and index cache sizing tips.\n- Adds ingestion troubleshooting guidance for throughput, request latency, datanode write pressure, flush performance, write distribution, and write buffer sizing.\n- Adds CPU and memory profiling collection guidance for nodes with high resource usage, including platform availability, node-local collection, flamegraph overhead, and issue reporting details.\n- Refreshes the Profiling Tools HTTP endpoint reference with current CPU and memory profiling endpoints, output formats, heap profiling status and activation, gdump, and symbolication.\n- Updates the region engine configuration reference with corrected cache default descriptions and the `range_result_cache_size` and `prefilter_result_cache_size` options.\n\n## Checklist\n\n- [x] Please confirm that all corresponding versions of the documents have been revised.\n- [x] Please ensure that the content in `sidebars.ts` matches the current document structure when you changed the document structure.\n- [ ] This change requires follow-up update in localized docs.\n","base","head","base_sha","9131a47a61dbcd5fa436036b6eabbf25f03ea062","head_sha","merge_commit_sha","fd0a67d719d23596ef1e91f3ddb37caac8b3c19a","comments","diff","user",{"_306":352,"_202":352,"_353":-5,"_310":354,"_42":355},"commits",4,"changed_files",3,"additions",211,"deletions",46,"evenyag","email","https://avatars.githubusercontent.com/u/7058520?v=4",7058520,"events",[358,359,360,361,362,363,364,365,366,367,368,369,370,371,372,373,374,375,376,377,378,379,380,381,382,383,384,385,386,387,388,389,390,391,392,393,394,395,396,397,398,399,400,401,402,403,404,405,406,407,408,409,410,411,412,413,414,415,416,417,418,419,420,421,422,423,424,425,426,427,428,429,430,431,432,433,434,435,436,437,438],{"_162":930,"_440":931},{"_162":455,"_440":925},{"_162":920,"_440":921},{"_162":459,"_440":912},{"_162":459,"_440":907},{"_162":459,"_440":902},{"_162":474,"_440":892},{"_162":474,"_440":887},{"_162":459,"_440":883},{"_162":459,"_440":880},{"_162":474,"_440":870},{"_162":459,"_440":866},{"_162":474,"_440":861},{"_162":459,"_440":857},{"_162":459,"_440":854},{"_162":474,"_440":843},{"_162":459,"_440":839},{"_162":459,"_440":836},{"_162":474,"_440":828},{"_162":459,"_440":824},{"_162":474,"_440":819},{"_162":459,"_440":813},{"_162":459,"_440":810},{"_162":474,"_440":802},{"_162":459,"_440":798},{"_162":474,"_440":793},{"_162":459,"_440":787},{"_162":459,"_440":784},{"_162":474,"_440":776},{"_162":459,"_440":772},{"_162":474,"_440":767},{"_162":459,"_440":761},{"_162":459,"_440":758},{"_162":474,"_440":750},{"_162":459,"_440":746},{"_162":459,"_440":743},{"_162":474,"_440":733},{"_162":459,"_440":729},{"_162":474,"_440":724},{"_162":459,"_440":718},{"_162":459,"_440":715},{"_162":474,"_440":703},{"_162":459,"_440":699},{"_162":474,"_440":694},{"_162":459,"_440":688},{"_162":459,"_440":685},{"_162":459,"_440":682},{"_162":474,"_440":673},{"_162":459,"_440":670},{"_162":459,"_440":667},{"_162":474,"_440":658},{"_162":474,"_440":653},{"_162":459,"_440":647},{"_162":459,"_440":644},{"_162":459,"_440":641},{"_162":474,"_440":631},{"_162":474,"_440":626},{"_162":459,"_440":620},{"_162":459,"_440":617},{"_162":474,"_440":609},{"_162":459,"_440":605},{"_162":474,"_440":600},{"_162":459,"_440":593},{"_162":459,"_440":590},{"_162":474,"_440":581},{"_162":459,"_440":577},{"_162":459,"_440":573},{"_162":474,"_440":553},{"_162":459,"_440":549},{"_162":474,"_440":544},{"_162":459,"_440":537},{"_162":459,"_440":534},{"_162":474,"_440":522},{"_162":459,"_440":518},{"_162":459,"_440":511},{"_162":474,"_440":486},{"_162":459,"_440":479},{"_162":474,"_440":475},{"_162":459,"_440":460},{"_162":455,"_440":456},{"_162":439,"_440":441},"turn/completed","params",{"_442":443,"_88":444},"threadId","019ef4dc-424f-7e80-8dda-693433c7b645",{"_445":446,"_447":448,"_104":-5,"_42":449,"_450":451,"_452":453,"_454":114},"completedAt",1782224741,"durationMs",205570,"019ef4dc-42ec-7f40-961d-81fe33939385","items",[],"startedAt",1782224536,"status","thread/status/changed",{"_454":457,"_442":443},{"_93":458},"idle","rawResponseItem/completed",{"_461":462,"_442":443,"_463":449},"item",{"_464":465,"_466":-5,"_42":-5,"_467":-5,"_468":469,"_97":94,"_93":470},"turnId","content",[471],"end_turn","metadata","phase","final_answer","message",{"_46":472,"_93":473},"### Summary\n* Updated the Chinese performance tuning guide with translated slow-query analysis guidance, cache metrics, cache sizing options, ingestion troubleshooting, write-buffer tuning, and profiling collection instructions. 【F:i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md†L14-L90】【F:i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md†L138-L209】【F:i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md†L257-L302】\n* Updated the Chinese HTTP endpoint reference with detailed CPU and memory profiling endpoint tables and curl examples. 【F:i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md†L141-L178】\n* Updated the Chinese region engine configuration reference with the new result cache options and refreshed index cache default descriptions. 【F:i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md†L513-L515】【F:i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md†L529-L532】\n* Committed the changes with commit `a71a9ef` and created the follow-up PR.\n\n**Testing**\n* ✅ `git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md`","output_text","item/completed",{"_461":476,"_442":443,"_463":449},{"_42":477,"_468":469,"_46":472,"_93":478},"msg_04f0f4825f373d32016a3a975ed80881988de2a4a14d286341","agentMessage",{"_461":480,"_442":443,"_463":449},{"_481":482,"_467":-5,"_483":484,"_93":485},"call_id","call_QkehXCrSSTOTQ7iLM7Pe5Kac","output","Chunk ID: 75d91a\nWall time: 0.0000 seconds\nProcess exited with code 0\nOriginal token count: 741\nOutput:\n 257\t## 采集性能分析数据\n 258\t\n 259\t当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\n 260\t\n 261\t性能分析与平台相关，在某些平台或构建中可能不可用。CPU profiling 在大多数 Unix 平台上可用。Memory profiling 在 Linux 上可用，但在 macOS 或 Windows 上不可用。生成火焰图会消耗额外内存，因为 GreptimeDB 需要在进程内解析 profile 并符号化栈信息。从接近内存限制的节点采集火焰图时请格外谨慎。\n 262\t\n 263\t性能分析是节点本地的。请将以下示例中的 `127.0.0.1:4000` 替换为 CPU 或内存使用率较高的 GreptimeDB 节点的 HTTP 地址。\n 264\t\n 265\t### CPU profiling\n 266\t\n 267\t在 CPU 使用率较高时采集 10 秒 CPU 火焰图：\n 268\t\n 269\t```bash\n 270\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n 271\t```\n 272\t\n 273\t### Memory profiling\n 274\t\n 275\tMemory profiling 需要启用 heap profiling。官方 Docker 镜像默认启用 heap profiling。对于自行构建或非 Docker 部署，建议默认以启用 heap profiling 的方式启动 GreptimeDB：\n 276\t\n 277\t```bash\n 278\tMALLOC_CONF=prof:true ./greptime standalone start\n 279\t```\n 280\t\n 281\t当内存使用率较高时采集内存火焰图，尤其是在内存仍在增长或达到新峰值时：\n 282\t\n 283\t```bash\n 284\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n 285\t```\n 286\t\n 287\t也可以在不同时间采集两份内存 profile 并进行对比，以识别新增分配：\n 288\t\n 289\t```bash\n 290\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\n 291\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\n 292\t```\n 293\t\n 294\t端点参考请参阅[性能分析工具](/reference/http-endpoints.md#性能分析工具)。\n 295\t\n 296\t报告问题时，请包含：\n 297\t\n 298\t- GreptimeDB 版本和部署模式。\n 299\t- 受影响的组件或节点。\n 300\t- CPU 火焰图或内存火焰图/profile 文件。\n 301\t- 问题发生的大致时间范围和工作负载。\n 302\t- 可用的相关指标和日志。\n 529\t| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |\n 530\t| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n 531\t| `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |\n 532\t| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n","function_call_output",{"_461":487,"_442":443,"_463":449},{"_488":489,"_490":491,"_492":493,"_494":495,"_447":32,"_496":32,"_42":482,"_497":498,"_499":500,"_454":114,"_93":501},"aggregatedOutput"," 257\t## 采集性能分析数据\n 258\t\n 259\t当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\n 260\t\n 261\t性能分析与平台相关，在某些平台或构建中可能不可用。CPU profiling 在大多数 Unix 平台上可用。Memory profiling 在 Linux 上可用，但在 macOS 或 Windows 上不可用。生成火焰图会消耗额外内存，因为 GreptimeDB 需要在进程内解析 profile 并符号化栈信息。从接近内存限制的节点采集火焰图时请格外谨慎。\n 262\t\n 263\t性能分析是节点本地的。请将以下示例中的 `127.0.0.1:4000` 替换为 CPU 或内存使用率较高的 GreptimeDB 节点的 HTTP 地址。\n 264\t\n 265\t### CPU profiling\n 266\t\n 267\t在 CPU 使用率较高时采集 10 秒 CPU 火焰图：\n 268\t\n 269\t```bash\n 270\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n 271\t```\n 272\t\n 273\t### Memory profiling\n 274\t\n 275\tMemory profiling 需要启用 heap profiling。官方 Docker 镜像默认启用 heap profiling。对于自行构建或非 Docker 部署，建议默认以启用 heap profiling 的方式启动 GreptimeDB：\n 276\t\n 277\t```bash\n 278\tMALLOC_CONF=prof:true ./greptime standalone start\n 279\t```\n 280\t\n 281\t当内存使用率较高时采集内存火焰图，尤其是在内存仍在增长或达到新峰值时：\n 282\t\n 283\t```bash\n 284\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n 285\t```\n 286\t\n 287\t也可以在不同时间采集两份内存 profile 并进行对比，以识别新增分配：\n 288\t\n 289\t```bash\n 290\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\n 291\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\n 292\t```\n 293\t\n 294\t端点参考请参阅[性能分析工具](/reference/http-endpoints.md#性能分析工具)。\n 295\t\n 296\t报告问题时，请包含：\n 297\t\n 298\t- GreptimeDB 版本和部署模式。\n 299\t- 受影响的组件或节点。\n 300\t- CPU 火焰图或内存火焰图/profile 文件。\n 301\t- 问题发生的大致时间范围和工作负载。\n 302\t- 可用的相关指标和日志。\n 529\t| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |\n 530\t| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n 531\t| `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |\n 532\t| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n","command","/bin/bash -lc \"nl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '257,305p'\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md | sed -n '529,532p'\"","commandActions",[502,503],"cwd","/workspace/docs","exitCode","processId","47353","source","unifiedExecStartup","commandExecution",{"_490":508,"_202":509,"_169":510,"_93":507},{"_490":504,"_202":505,"_169":506,"_93":507},"nl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md","configuration.md","/workspace/docs/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md","read","nl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md","performance-tuning-tips.md","/workspace/docs/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md",{"_461":512,"_442":443,"_463":449},{"_513":514,"_481":482,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"arguments","{\"cmd\":\"nl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '257,305p'\\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md | sed -n '529,532p'\",\"workdir\":\"/workspace/docs\",\"yield_time_ms\":1000,\"max_output_tokens\":8000}","exec_command","namespace","function_call",{"_461":519,"_442":443,"_463":449},{"_481":520,"_467":-5,"_483":521,"_93":485},"call_l4xMXVM93tjNeLrp3nhHumCD","Chunk ID: 519f60\nWall time: 0.0001 seconds\nProcess exited with code 0\nOriginal token count: 5774\nOutput:\n 141\t### 性能分析工具\n 142\t\n 143\t- **基础路径**: `/debug/prof/`\n 144\t- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\n 145\t\n 146\tCPU 性能分析：\n 147\t\n 148\t| 路径 | 方法 | 描述 |\n 149\t| --- | --- | --- |\n 150\t| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |\n 151\t\n 152\t示例：\n 153\t\n 154\t```bash\n 155\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n 156\t```\n 157\t\n 158\t内存性能分析：\n 159\t\n 160\t| 路径 | 方法 | 描述 |\n 161\t| --- | --- | --- |\n 162\t| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |\n 163\t| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |\n 164\t| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |\n 165\t| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |\n 166\t| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |\n 167\t| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |\n 168\t| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |\n 169\t\n 170\t示例：\n 171\t\n 172\t```bash\n 173\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n 174\tcurl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\n 175\tcurl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\n 176\t```\n 177\t\n 178\t运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n 179\t\n 180\t## 查询端点\n 181\t\n 182\t用于向 GreptimeDB 发送查询的各种查询 API。\n 183\t\n 508\t| `write_cache_ttl` | 字符串 | `8h` | 写入缓存的 TTL。默认为 8 小时。 |\n 509\t| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\n 510\t| `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |\n 511\t| `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |\n 512\t| `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |\n 513\t| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |\n 514\t| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |\n 515\t| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |\n 516\t| `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |\n 517\t| `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |\n 518\t| `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |\n 519\t| `scan_memory_limit` | 字符串 | `unlimited` | 所有查询的表扫描内存限制。支持绝对大小（如 \"2GB\"）或系统内存百分比（如 \"20%\"）。设为 0 或 \"unlimited\" 可禁用限制。 |\n 520\t| `scan_memory_on_exhausted` | 字符串 | `fail` | 扫描内存耗尽时的行为。选项：`fail`（快速失败），`wait` 或 `wait()`（等待内存）。 |\n 521\t| `min_compaction_interval` | 字符串 | `0m` | 两次 compaction 之间的最小时间间隔。设为 \"0m\"（默认）允许 compactions 立即运行，无限制。 |\n 522\t| `schedule_compaction_after_edit` | 布尔值 | `true` | 是否允许在成功的 region edit 之后调度 compaction。
设为 `true` 是在 region edit 后调度 compaction 的必要但不充分条件，`min_compaction_interval` 等其他约束仍可能阻止 compaction 被调度。
设为 `false` 则保证 region edit 后不会调度 compaction。 |\n 523\t| `default_flat_format` | 布尔值 | `true` | 是否启用 Flat 格式作为默认 SST 格式。 |\n 524\t| `scan_parallelism` | 整数 | `0` | （已弃用，请使用 `max_concurrent_scan_files`）旧版扫描并发度选项。 |\n 525\t| `index` | -- | -- | Mito 引擎中索引的选项。 |\n 526\t| `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |\n 527\t| `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |\n 528\t| `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |\n 529\t| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |\n 530\t| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n 13\t\n 14\t### 分析查询性能\n 15\t\n 16\t要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：\n 17\t\n 18\t```sql\n 19\tEXPLAIN ANALYZE VERBOSE ;\n 20\t```\n 21\t\n 22\t`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。\n 23\t\n 24\t比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\n 25\t\n 26\t如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。\n 27\t\n 28\t常见发现：\n 29\t\n 30\t- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。\n 31\t- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。\n 32\t- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。\n 33\t- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。\n 34\t- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。\n 35\t\n 36\t### 指标\n 37\t\n 38\t以下指标可用于诊断查询性能问题：\n 39\t\n 40\t| 指标 | 类型 | 描述 |\n 41\t|---|---|---|\n 42\t| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\n 43\t| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |\n 44\t| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |\n 45\t| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |\n 46\t| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |\n 47\t\n 48\t### 增大缓存大小\n 49\t\n 50\t将 `greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。\n 51\t\n 52\t以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\n 53\t\n 54\t```toml\n 55\t[[region_engine]]\n 56\t[region_engine.mito]\n 57\t# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。\n 58\twrite_cache_size = \"10G\"\n 59\t# 分配给索引（puffin）文件的写入缓存容量百分比。\n 60\t# 此缓存的 `type` 标签值为 `index`。\n 61\tindex_cache_percent = 20\n 62\t# SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\n 63\tsst_meta_cache_size = \"128MB\"\n 64\t# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。\n 65\tvector_cache_size = \"512MB\"\n 66\t# SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\n 67\tpage_cache_size = \"512MB\"\n 68\t# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n 69\tselector_result_cache_size = \"512MB\"\n 70\t# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。\n 71\trange_result_cache_size = \"512MB\"\n 72\t# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。\n 73\tprefilter_result_cache_size = \"128MB\"\n 74\t# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。\n 75\tmanifest_cache_size = \"256MB\"\n 76\t\n 77\t[region_engine.mito.index]\n 78\t# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。\n 79\tmetadata_cache_size = \"64MiB\"\n 80\t# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。\n 81\tcontent_cache_size = \"128MiB\"\n 82\t# 索引内容缓存的页大小。\n 83\tcontent_cache_page_size = \"64KiB\"\n 84\t# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。\n 85\tresult_cache_size = \"128MiB\"\n 86\t# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。\n 87\tstaging_size = \"2GB\"\n 88\t```\n 89\t\n 90\t一些建议：\n 128\t### 批量写入行\n 129\t\n 130\t批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n 131\t\n 132\t### 按时间窗口写入\n 133\t\n 134\t虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\n 135\t\n 136\t通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并[指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\n 137\t\n 138\t### 指标\n 139\t\n 140\t以下指标有助于诊断写入问题。大多数指标可在官方 Grafana dashboard 中找到。需要自定义 PromQL 或深入排查时，可以使用下列指标名。\n 141\t\n 142\t| 指标 | 类型 | 描述 |\n 143\t|---|---|---|\n 144\t| greptime_table_operator_ingest_rows | counter | table operator 摄入的行数。可使用该指标的 rate 追踪总写入负载。 |\n 145\t| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP 请求延迟。可使用 `path`、`method` 和 `code` 等标签定位写入相关延迟。 |\n 146\t| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC 请求延迟。可使用 `path` 和 `code` 等标签定位写入相关延迟。 |\n 147\t| greptime_mito_handle_request_elapsed_bucket | histogram | Datanode 上处理存储引擎请求的耗时。 |\n 148\t| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时。 |\n 149\t| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算）。 |\n 150\t| greptime_mito_write_rows_total | counter | 写入存储引擎的行数。可用于比较不同 datanode 的写入负载。 |\n 151\t| greptime_mito_write_stalling_count | gauge | 每个 worker 中当前被阻塞的写入请求数。 |\n 152\t| greptime_mito_write_stall_total | counter | 由于高内存压力或临时 region 状态而被阻塞的写入请求总数。 |\n 153\t| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的写入请求数。 |\n 154\t| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时。 |\n 155\t| greptime_mito_flush_requests_total | counter | 已调度的 flush 请求数。 |\n 156\t| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时。 |\n 157\t| greptime_mito_flush_bytes_total | counter | flush 到 SST 文件的字节数。 |\n 158\t| greptime_mito_flush_file_total | counter | flush job 生成的 SST 文件数。 |\n 159\t\n 160\t### 检查写入吞吐和请求延迟\n 161\t\n 162\t使用 `rate(greptime_table_operator_ingest_rows[$__rate_interval])` 观察总摄入速率。协议层延迟请检查 `greptime_servers_http_requests_elapsed_bucket` 和 `greptime_servers_grpc_requests_elapsed_bucket`。可按 `path`、`method` 和 `code` 等标签过滤，将写入请求与健康检查、指标抓取和查询请求区分开。\n 163\t\n 164\t如果 frontend 协议延迟较高，请将它与 datanode 侧指标对比，例如 `greptime_mito_handle_request_elapsed_bucket` 和 `greptime_mito_write_stage_elapsed_bucket`。这有助于判断瓶颈是在进入存储引擎之前的请求处理阶段，还是在 datanode 写入路径内部。\n 165\t\n 166\t### 诊断 datanode 写入压力\n 167\t\n 168\t当 datanode 写入变慢或摄入延迟较高时，首先检查写入缓冲区是否存在压力：\n 169\t\n 170\t- `greptime_mito_write_buffer_bytes`\n 171\t- `greptime_mito_write_stall_total`\n 172\t- `greptime_mito_write_stalling_count`\n 173\t- `greptime_mito_write_reject_total`\n 174\t\n 175\t写入阻塞表示 GreptimeDB 正在施加背压，而不是立即接受写入。当全局写入缓冲区达到 `global_write_buffer_size`，或 region 在内部状态变化期间暂时不可写时，可能出现阻塞。如果客户端收到类似 `Engine write buffer is full, rejecting write requests` 的错误，表示 datanode 已达到由 `global_write_buffer_reject_size` 控制的拒绝阈值。\n 176\t\n 177\t当 datanode 存在写入压力时，在调大写入缓冲区之前，请先检查 flush 性能和写入分布。增大写入缓冲区只会给 datanode 更多内存余量，并不能修复缓慢的 flush，也不能修复把大部分写入发送到单个 region 的不均衡表。\n 178\t\n 179\t### 检查 flush 性能\n 180\t\n 181\t如果写入缓冲区持续增长或写入频繁阻塞，请检查 flush 是否是瓶颈。使用 `greptime_mito_flush_elapsed` 查看 flush 延迟，并使用 `greptime_mito_flush_requests_total`、`greptime_mito_flush_bytes_total` 和 `greptime_mito_flush_file_total` 了解 flush 频率和吞吐。\n 182\t\n 183\tDatanode 日志也有助于识别慢 flush 和热点 region。搜索 `Successfully flush memtables`。该日志行包含 region、flush 原因、SST 文件、`total_rows`、`total_bytes`、`cost`、编码 part 数以及 flush metrics。可以用 `total_rows` 或 `total_bytes` 除以 `cost` 来估算 flush 吞吐。\n 184\t\n 185\t如果 flush 耗时较高，例如达到 30 秒或更久，或者 flush 吞吐低于摄入速度，增大写入缓冲区通常只会延后阻塞或拒绝。在这种情况下，请检查表分区和 region 分布，让 flush 工作可以分散到更多 region 和 datanode。\n 186\t\n 187\t如果 flush job 很快，通常几秒内完成，但 flush 请求速率较高且写入缓冲区压力经常出现，增大写入缓冲区可以帮助降低 flush 频率。\n 188\t\n 189\t### 检查写入分布\n 190\t\n 191\t对于分区表，请检查写入是否均匀分布在 datanode 和 region 之间。使用 `greptime_mito_write_rows_total` 比较 datanode 级别的写入行数，并使用 `greptime_mito_handle_request_elapsed_bucket` 比较 datanode 请求延迟。\n 192\t\n 193\t也可以查询 [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md)，查看 `written_bytes_since_open` 和 `memtable_size` 等 region 级统计信息。如果某个 datanode 或某个 region 接收了大部分写入负载，请先调整表分区，让负载分散到更多 region 和 datanode，再考虑增大写入缓冲区。\n 194\t\n 195\t### 调整写入缓冲区大小\n 196\t\n 197\t如果阻塞或拒绝是由写入缓冲区压力导致的，并且 flush 性能和写入分布都正常，可以考虑增大 `region_engine.mito.global_write_buffer_size`。这对日志或链路追踪等大行工作负载最有用。默认情况下，`global_write_buffer_size` 会自动设置为操作系统内存的 1/8，最大 1GB。请逐步增大，例如调为 2 到 4 倍，并观察 datanode 内存使用情况。\n 198\t\n 199\t多数情况下，请保持 `region_engine.mito.global_write_buffer_reject_size` 未设置，让 GreptimeDB 使用默认的拒绝阈值，即 `global_write_buffer_size` 的 2 倍。如果希望在内存压力下更早失败，可以根据可用 datanode 内存以及希望多早拒绝请求，手动设置一个有意保留的边界，通常为 `global_write_buffer_size` 的 1.5 到 2 倍。该值必须大于 `global_write_buffer_size`；否则 GreptimeDB 会将其修正回 2 倍。\n 200\t\n 201\t示例：\n 202\t\n 203\t```toml\n 204\t[[region_engine]]\n 205\t[region_engine.mito]\n 206\tglobal_write_buffer_size = \"2GB\"\n 207\t# 可选。除非需要自定义拒绝边界，否则保持未设置。\n 208\tglobal_write_buffer_reject_size = \"3GB\"\n 209\t```\n 210\t\n 211\t## 表结构\n 212\t\n 213\t### 使用多值\n 214\t\n 215\t在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\n 216\t\n 217\t例如，以下三个表收集了 CPU 的使用率指标。\n 218\t\n 219\t```sql\n 220\tCREATE TABLE IF NOT EXISTS cpu_usage_user (\n 221\t hostname STRING NULL,\n 222\t usage_value BIGINT NULL,\n 223\t ts TIMESTAMP(9) NOT NULL,\n 224\t TIME INDEX (ts),\n 225\t PRIMARY KEY (hostname)\n 226\t);\n 227\tCREATE TABLE IF NOT EXISTS cpu_usage_system (\n 228\t hostname STRING NULL,\n 229\t usage_value BIGINT NULL,\n 230\t ts TIMESTAMP(9) NOT NULL,\n 231\t TIME INDEX (ts),\n 232\t PRIMARY KEY (hostname)\n 233\t);\n 234\tCREATE TABLE IF NOT EXISTS cpu_usage_idle (\n 235\t hostname STRING NULL,\n 236\t usage_value BIGINT NULL,\n 237\t ts TIMESTAMP(9) NOT NULL,\n 238\t TIME INDEX (ts),\n 239\t PRIMARY KEY (hostname)\n 240\t);\n 241\t```\n 242\t\n 243\t我们可以将它们合并为一个具有三个字段的表。\n 244\t\n 245\t```sql\n 246\tCREATE TABLE IF NOT EXISTS cpu (\n 247\t hostname STRING NULL,\n 248\t usage_user BIGINT NULL,\n 249\t usage_system BIGINT NULL,\n 250\t usage_idle BIGINT NULL,\n 251\t ts TIMESTAMP(9) NOT NULL,\n 252\t TIME INDEX (ts),\n 253\t PRIMARY KEY (hostname)\n 254\t);\n 255\t```\n 256\t\n 257\t## 采集性能分析数据\n 258\t\n 259\t当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\n 260\t\n",{"_461":523,"_442":443,"_463":449},{"_488":524,"_490":525,"_492":526,"_494":495,"_447":32,"_496":32,"_42":520,"_497":527,"_499":500,"_454":114,"_93":501}," 141\t### 性能分析工具\n 142\t\n 143\t- **基础路径**: `/debug/prof/`\n 144\t- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\n 145\t\n 146\tCPU 性能分析：\n 147\t\n 148\t| 路径 | 方法 | 描述 |\n 149\t| --- | --- | --- |\n 150\t| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |\n 151\t\n 152\t示例：\n 153\t\n 154\t```bash\n 155\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n 156\t```\n 157\t\n 158\t内存性能分析：\n 159\t\n 160\t| 路径 | 方法 | 描述 |\n 161\t| --- | --- | --- |\n 162\t| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |\n 163\t| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |\n 164\t| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |\n 165\t| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |\n 166\t| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |\n 167\t| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |\n 168\t| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |\n 169\t\n 170\t示例：\n 171\t\n 172\t```bash\n 173\tcurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n 174\tcurl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\n 175\tcurl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\n 176\t```\n 177\t\n 178\t运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n 179\t\n 180\t## 查询端点\n 181\t\n 182\t用于向 GreptimeDB 发送查询的各种查询 API。\n 183\t\n 508\t| `write_cache_ttl` | 字符串 | `8h` | 写入缓存的 TTL。默认为 8 小时。 |\n 509\t| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\n 510\t| `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |\n 511\t| `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |\n 512\t| `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |\n 513\t| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |\n 514\t| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |\n 515\t| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |\n 516\t| `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |\n 517\t| `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |\n 518\t| `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |\n 519\t| `scan_memory_limit` | 字符串 | `unlimited` | 所有查询的表扫描内存限制。支持绝对大小（如 \"2GB\"）或系统内存百分比（如 \"20%\"）。设为 0 或 \"unlimited\" 可禁用限制。 |\n 520\t| `scan_memory_on_exhausted` | 字符串 | `fail` | 扫描内存耗尽时的行为。选项：`fail`（快速失败），`wait` 或 `wait()`（等待内存）。 |\n 521\t| `min_compaction_interval` | 字符串 | `0m` | 两次 compaction 之间的最小时间间隔。设为 \"0m\"（默认）允许 compactions 立即运行，无限制。 |\n 522\t| `schedule_compaction_after_edit` | 布尔值 | `true` | 是否允许在成功的 region edit 之后调度 compaction。
设为 `true` 是在 region edit 后调度 compaction 的必要但不充分条件，`min_compaction_interval` 等其他约束仍可能阻止 compaction 被调度。
设为 `false` 则保证 region edit 后不会调度 compaction。 |\n 523\t| `default_flat_format` | 布尔值 | `true` | 是否启用 Flat 格式作为默认 SST 格式。 |\n 524\t| `scan_parallelism` | 整数 | `0` | （已弃用，请使用 `max_concurrent_scan_files`）旧版扫描并发度选项。 |\n 525\t| `index` | -- | -- | Mito 引擎中索引的选项。 |\n 526\t| `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |\n 527\t| `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |\n 528\t| `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |\n 529\t| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |\n 530\t| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n 13\t\n 14\t### 分析查询性能\n 15\t\n 16\t要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：\n 17\t\n 18\t```sql\n 19\tEXPLAIN ANALYZE VERBOSE ;\n 20\t```\n 21\t\n 22\t`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。\n 23\t\n 24\t比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\n 25\t\n 26\t如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。\n 27\t\n 28\t常见发现：\n 29\t\n 30\t- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。\n 31\t- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。\n 32\t- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。\n 33\t- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。\n 34\t- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。\n 35\t\n 36\t### 指标\n 37\t\n 38\t以下指标可用于诊断查询性能问题：\n 39\t\n 40\t| 指标 | 类型 | 描述 |\n 41\t|---|---|---|\n 42\t| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\n 43\t| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |\n 44\t| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |\n 45\t| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |\n 46\t| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |\n 47\t\n 48\t### 增大缓存大小\n 49\t\n 50\t将 `greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。\n 51\t\n 52\t以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\n 53\t\n 54\t```toml\n 55\t[[region_engine]]\n 56\t[region_engine.mito]\n 57\t# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。\n 58\twrite_cache_size = \"10G\"\n 59\t# 分配给索引（puffin）文件的写入缓存容量百分比。\n 60\t# 此缓存的 `type` 标签值为 `index`。\n 61\tindex_cache_percent = 20\n 62\t# SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\n 63\tsst_meta_cache_size = \"128MB\"\n 64\t# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。\n 65\tvector_cache_size = \"512MB\"\n 66\t# SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\n 67\tpage_cache_size = \"512MB\"\n 68\t# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n 69\tselector_result_cache_size = \"512MB\"\n 70\t# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。\n 71\trange_result_cache_size = \"512MB\"\n 72\t# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。\n 73\tprefilter_result_cache_size = \"128MB\"\n 74\t# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。\n 75\tmanifest_cache_size = \"256MB\"\n 76\t\n 77\t[region_engine.mito.index]\n 78\t# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。\n 79\tmetadata_cache_size = \"64MiB\"\n 80\t# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。\n 81\tcontent_cache_size = \"128MiB\"\n 82\t# 索引内容缓存的页大小。\n 83\tcontent_cache_page_size = \"64KiB\"\n 84\t# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。\n 85\tresult_cache_size = \"128MiB\"\n 86\t# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。\n 87\tstaging_size = \"2GB\"\n 88\t```\n 89\t\n 90\t一些建议：\n 128\t### 批量写入行\n 129\t\n 130\t批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n 131\t\n 132\t### 按时间窗口写入\n 133\t\n 134\t虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\n 135\t\n 136\t通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并[指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\n 137\t\n 138\t### 指标\n 139\t\n 140\t以下指标有助于诊断写入问题。大多数指标可在官方 Grafana dashboard 中找到。需要自定义 PromQL 或深入排查时，可以使用下列指标名。\n 141\t\n 142\t| 指标 | 类型 | 描述 |\n 143\t|---|---|---|\n 144\t| greptime_table_operator_ingest_rows | counter | table operator 摄入的行数。可使用该指标的 rate 追踪总写入负载。 |\n 145\t| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP 请求延迟。可使用 `path`、`method` 和 `code` 等标签定位写入相关延迟。 |\n 146\t| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC 请求延迟。可使用 `path` 和 `code` 等标签定位写入相关延迟。 |\n 147\t| greptime_mito_handle_request_elapsed_bucket | histogram | Datanode 上处理存储引擎请求的耗时。 |\n 148\t| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时。 |\n 149\t| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算）。 |\n 150\t| greptime_mito_write_rows_total | counter | 写入存储引擎的行数。可用于比较不同 datanode 的写入负载。 |\n 151\t| greptime_mito_write_stalling_count | gauge | 每个 worker 中当前被阻塞的写入请求数。 |\n 152\t| greptime_mito_write_stall_total | counter | 由于高内存压力或临时 region 状态而被阻塞的写入请求总数。 |\n 153\t| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的写入请求数。 |\n 154\t| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时。 |\n 155\t| greptime_mito_flush_requests_total | counter | 已调度的 flush 请求数。 |\n 156\t| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时。 |\n 157\t| greptime_mito_flush_bytes_total | counter | flush 到 SST 文件的字节数。 |\n 158\t| greptime_mito_flush_file_total | counter | flush job 生成的 SST 文件数。 |\n 159\t\n 160\t### 检查写入吞吐和请求延迟\n 161\t\n 162\t使用 `rate(greptime_table_operator_ingest_rows[$__rate_interval])` 观察总摄入速率。协议层延迟请检查 `greptime_servers_http_requests_elapsed_bucket` 和 `greptime_servers_grpc_requests_elapsed_bucket`。可按 `path`、`method` 和 `code` 等标签过滤，将写入请求与健康检查、指标抓取和查询请求区分开。\n 163\t\n 164\t如果 frontend 协议延迟较高，请将它与 datanode 侧指标对比，例如 `greptime_mito_handle_request_elapsed_bucket` 和 `greptime_mito_write_stage_elapsed_bucket`。这有助于判断瓶颈是在进入存储引擎之前的请求处理阶段，还是在 datanode 写入路径内部。\n 165\t\n 166\t### 诊断 datanode 写入压力\n 167\t\n 168\t当 datanode 写入变慢或摄入延迟较高时，首先检查写入缓冲区是否存在压力：\n 169\t\n 170\t- `greptime_mito_write_buffer_bytes`\n 171\t- `greptime_mito_write_stall_total`\n 172\t- `greptime_mito_write_stalling_count`\n 173\t- `greptime_mito_write_reject_total`\n 174\t\n 175\t写入阻塞表示 GreptimeDB 正在施加背压，而不是立即接受写入。当全局写入缓冲区达到 `global_write_buffer_size`，或 region 在内部状态变化期间暂时不可写时，可能出现阻塞。如果客户端收到类似 `Engine write buffer is full, rejecting write requests` 的错误，表示 datanode 已达到由 `global_write_buffer_reject_size` 控制的拒绝阈值。\n 176\t\n 177\t当 datanode 存在写入压力时，在调大写入缓冲区之前，请先检查 flush 性能和写入分布。增大写入缓冲区只会给 datanode 更多内存余量，并不能修复缓慢的 flush，也不能修复把大部分写入发送到单个 region 的不均衡表。\n 178\t\n 179\t### 检查 flush 性能\n 180\t\n 181\t如果写入缓冲区持续增长或写入频繁阻塞，请检查 flush 是否是瓶颈。使用 `greptime_mito_flush_elapsed` 查看 flush 延迟，并使用 `greptime_mito_flush_requests_total`、`greptime_mito_flush_bytes_total` 和 `greptime_mito_flush_file_total` 了解 flush 频率和吞吐。\n 182\t\n 183\tDatanode 日志也有助于识别慢 flush 和热点 region。搜索 `Successfully flush memtables`。该日志行包含 region、flush 原因、SST 文件、`total_rows`、`total_bytes`、`cost`、编码 part 数以及 flush metrics。可以用 `total_rows` 或 `total_bytes` 除以 `cost` 来估算 flush 吞吐。\n 184\t\n 185\t如果 flush 耗时较高，例如达到 30 秒或更久，或者 flush 吞吐低于摄入速度，增大写入缓冲区通常只会延后阻塞或拒绝。在这种情况下，请检查表分区和 region 分布，让 flush 工作可以分散到更多 region 和 datanode。\n 186\t\n 187\t如果 flush job 很快，通常几秒内完成，但 flush 请求速率较高且写入缓冲区压力经常出现，增大写入缓冲区可以帮助降低 flush 频率。\n 188\t\n 189\t### 检查写入分布\n 190\t\n 191\t对于分区表，请检查写入是否均匀分布在 datanode 和 region 之间。使用 `greptime_mito_write_rows_total` 比较 datanode 级别的写入行数，并使用 `greptime_mito_handle_request_elapsed_bucket` 比较 datanode 请求延迟。\n 192\t\n 193\t也可以查询 [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md)，查看 `written_bytes_since_open` 和 `memtable_size` 等 region 级统计信息。如果某个 datanode 或某个 region 接收了大部分写入负载，请先调整表分区，让负载分散到更多 region 和 datanode，再考虑增大写入缓冲区。\n 194\t\n 195\t### 调整写入缓冲区大小\n 196\t\n 197\t如果阻塞或拒绝是由写入缓冲区压力导致的，并且 flush 性能和写入分布都正常，可以考虑增大 `region_engine.mito.global_write_buffer_size`。这对日志或链路追踪等大行工作负载最有用。默认情况下，`global_write_buffer_size` 会自动设置为操作系统内存的 1/8，最大 1GB。请逐步增大，例如调为 2 到 4 倍，并观察 datanode 内存使用情况。\n 198\t\n 199\t多数情况下，请保持 `region_engine.mito.global_write_buffer_reject_size` 未设置，让 GreptimeDB 使用默认的拒绝阈值，即 `global_write_buffer_size` 的 2 倍。如果希望在内存压力下更早失败，可以根据可用 datanode 内存以及希望多早拒绝请求，手动设置一个有意保留的边界，通常为 `global_write_buffer_size` 的 1.5 到 2 倍。该值必须大于 `global_write_buffer_size`；否则 GreptimeDB 会将其修正回 2 倍。\n 200\t\n 201\t示例：\n 202\t\n 203\t```toml\n 204\t[[region_engine]]\n 205\t[region_engine.mito]\n 206\tglobal_write_buffer_size = \"2GB\"\n 207\t# 可选。除非需要自定义拒绝边界，否则保持未设置。\n 208\tglobal_write_buffer_reject_size = \"3GB\"\n 209\t```\n 210\t\n 211\t## 表结构\n 212\t\n 213\t### 使用多值\n 214\t\n 215\t在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\n 216\t\n 217\t例如，以下三个表收集了 CPU 的使用率指标。\n 218\t\n 219\t```sql\n 220\tCREATE TABLE IF NOT EXISTS cpu_usage_user (\n 221\t hostname STRING NULL,\n 222\t usage_value BIGINT NULL,\n 223\t ts TIMESTAMP(9) NOT NULL,\n 224\t TIME INDEX (ts),\n 225\t PRIMARY KEY (hostname)\n 226\t);\n 227\tCREATE TABLE IF NOT EXISTS cpu_usage_system (\n 228\t hostname STRING NULL,\n 229\t usage_value BIGINT NULL,\n 230\t ts TIMESTAMP(9) NOT NULL,\n 231\t TIME INDEX (ts),\n 232\t PRIMARY KEY (hostname)\n 233\t);\n 234\tCREATE TABLE IF NOT EXISTS cpu_usage_idle (\n 235\t hostname STRING NULL,\n 236\t usage_value BIGINT NULL,\n 237\t ts TIMESTAMP(9) NOT NULL,\n 238\t TIME INDEX (ts),\n 239\t PRIMARY KEY (hostname)\n 240\t);\n 241\t```\n 242\t\n 243\t我们可以将它们合并为一个具有三个字段的表。\n 244\t\n 245\t```sql\n 246\tCREATE TABLE IF NOT EXISTS cpu (\n 247\t hostname STRING NULL,\n 248\t usage_user BIGINT NULL,\n 249\t usage_system BIGINT NULL,\n 250\t usage_idle BIGINT NULL,\n 251\t ts TIMESTAMP(9) NOT NULL,\n 252\t TIME INDEX (ts),\n 253\t PRIMARY KEY (hostname)\n 254\t);\n 255\t```\n 256\t\n 257\t## 采集性能分析数据\n 258\t\n 259\t当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\n 260\t\n","/bin/bash -lc \"nl -ba i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md | sed -n '141,183p'\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md | sed -n '508,530p'\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '13,90p'\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '128,260p'\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '318,370p'\"",[528,529,530],"51570",{"_490":531,"_202":532,"_169":533,"_93":507},{"_490":504,"_202":505,"_169":506,"_93":507},{"_490":508,"_202":509,"_169":510,"_93":507},"nl -ba i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md","http-endpoints.md","/workspace/docs/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md",{"_461":535,"_442":443,"_463":449},{"_513":536,"_481":520,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"nl -ba i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md | sed -n '141,183p'\\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md | sed -n '508,530p'\\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '13,90p'\\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '128,260p'\\nnl -ba i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md | sed -n '318,370p'\",\"workdir\":\"/workspace/docs\",\"yield_time_ms\":1000,\"max_output_tokens\":20000}",{"_461":538,"_442":443,"_463":449},{"_464":-5,"_539":540,"_42":-5,"_467":-5,"_541":542,"_93":543},"encrypted_content","gAAAAABqOpdWImLh9ABTPNhfMHARYbpk3qOnyLse4hVwZ7NwKHJFjKoxCwYrsj1Urn7mp8kApuUM4RkaxHxHV3AI7RAzFjjbMBunDNxFxBHuWcRbMPEbDcRAtb0-x6udqoybAmWuXk8YnOBqeN5IxrTAW-38qL22ADlZHg3KiEbv1ukl-iCjIeOivfJBCaO_cpBLHQz3oAxQHaHByVUPTWDf01BC-We67Tba2SAcSELwO-Tb2dl8WFWEOtR4kSQWZzrnt3OZPo9n8JQJ78UochKfSL1OG2vnEyWwlo2r5F0dBr4TgaaDlQEPGVfvYfOgPIKnAaFo9zyD5KLuoNU-nmOzpYvWjHDJIreHQhTC03lfegXulClCeuGT3plx5e7GIi-eFYj2_SmDa26QCICyQlotsqiS5qINAYgWe6BzwpDhwpHWPDyzzPU__QzZc2JtWSU29yuV2a3TnCaWh2J2wf1P30bGvpKWYw5Ii6smuxfoiR4vb6jJ18xGO-LrYQmpwSTslR3kufBQ2un_mwVXqi4wDeK4BWtkbgYNsU_BR-dFZH04uE_DIiv018wTq2nV6sYySnjCJ16mJW685Jv8HdmINUrOBmUIIDJdnpo5WBT1GtWe4G-W21RrCM7d99gE-pwUW5gQzPiFhqV-yJHozVGobUvw2sSUFJcpECnC7-dqXwITYHnhts36uHXtT4D5CcrKrr0nDJ4KQFtdJOJUFwzf7ki2wfZkfkOEf2681x6YVegzvrqJejoubwEWEOfPCKIucu1RwOQyblG1O-0qHhQ3rgZEzphUB7SORo4BY8boXk48D8W6Nx56Y1E89E_VtOPSXOGi4Mmpu-tN45O_CRkcHD1Z8VUjf2p4a3SfHIImlwWvqaqwl8jfId4X9KKD3N3plg6PabCp0A_fjyQ5Nk5sF8QvkO1SaqjyCPJxBQPtKv4fDS4zKjhuEW7fPKJWo44tJHXgb4TAUTZrPXVQaBe1-vElgyQDvQ==","summary",[],"reasoning",{"_461":545,"_442":443,"_463":449},{"_464":546,"_42":547,"_541":548,"_93":543},[],"rs_04f0f4825f373d32016a3a975527d88198aafd12918a85dc68",[],{"_461":550,"_442":443,"_463":449},{"_481":551,"_467":-5,"_483":552,"_93":485},"call_OrPrX5aRoyeq2U2R50sLn5Qg","Wall time: 0.0129 seconds\nOutput:\n{\"title\":\"docs: update zh performance tuning guidance\",\"body\":\"## What's Changed\\n\\n- Updates the Chinese performance tuning tips to match the latest English query analysis, cache tuning, ingestion troubleshooting, and profiling collection guidance.\\n- Updates the Chinese HTTP endpoints reference with detailed profiling endpoints and examples.\\n- Updates Chinese Mito region engine cache option descriptions for result caches and index caches.\\n\\n## Testing\\n\\n- `git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md`\"}",{"_461":554,"_442":443,"_463":449},{"_513":555,"_447":556,"_104":-5,"_42":551,"_557":-5,"_558":-5,"_559":560,"_561":562,"_454":114,"_563":562,"_93":564},{"_329":569,"_331":570},12,"mcpAppResourceUri","pluginId","result",{"_565":-5,"_464":566,"_567":568},"server","make_pr","tool","mcpToolCall","_meta",[571],"structuredContent",{"_329":569,"_331":570},"docs: update zh performance tuning guidance","## What's Changed\n\n- Updates the Chinese performance tuning tips to match the latest English query analysis, cache tuning, ingestion troubleshooting, and profiling collection guidance.\n- Updates the Chinese HTTP endpoints reference with detailed profiling endpoints and examples.\n- Updates Chinese Mito region engine cache option descriptions for result caches and index caches.\n\n## Testing\n\n- `git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md`",{"_93":46,"_46":572},"{\n \"title\": \"docs: update zh performance tuning guidance\",\n \"body\": \"## What's Changed\\n\\n- Updates the Chinese performance tuning tips to match the latest English query analysis, cache tuning, ingestion troubleshooting, and profiling collection guidance.\\n- Updates the Chinese HTTP endpoints reference with detailed profiling endpoints and examples.\\n- Updates Chinese Mito region engine cache option descriptions for result caches and index caches.\\n\\n## Testing\\n\\n- `git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md`\"\n}",{"_461":574,"_442":443,"_463":449},{"_513":575,"_481":551,"_42":-5,"_467":-5,"_202":562,"_516":576,"_93":517},"{\"title\":\"docs: update zh performance tuning guidance\",\"body\":\"## What's Changed\\n\\n- Updates the Chinese performance tuning tips to match the latest English query analysis, cache tuning, ingestion troubleshooting, and profiling collection guidance.\\n- Updates the Chinese HTTP endpoints reference with detailed profiling endpoints and examples.\\n- Updates Chinese Mito region engine cache option descriptions for result caches and index caches.\\n\\n## Testing\\n\\n- `git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md`\"}","mcp__make_pr__",{"_461":578,"_442":443,"_463":449},{"_481":579,"_467":-5,"_483":580,"_93":485},"call_T9G297lv1Fj4oV2mwEmFXwK5","Chunk ID: c96fab\nWall time: 0.0000 seconds\nProcess exited with code 0\nOriginal token count: 42\nOutput:\n[work a71a9ef] docs: update zh performance tuning guidance\n 3 files changed, 214 insertions(+), 51 deletions(-)\n M yarn.lock\n?? .pnp.cjs\n?? .pnp.loader.mjs\n?? .yarn/\n",{"_461":582,"_442":443,"_463":449},{"_488":583,"_490":584,"_492":585,"_494":495,"_447":32,"_496":32,"_42":579,"_497":586,"_499":500,"_454":114,"_93":501},"[work a71a9ef] docs: update zh performance tuning guidance\n 3 files changed, 214 insertions(+), 51 deletions(-)\n M yarn.lock\n?? .pnp.cjs\n?? .pnp.loader.mjs\n?? .yarn/\n","/bin/bash -lc 'git add i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md && git commit -m \"docs: update zh performance tuning guidance\" && git status --short'",[587],"46635",{"_490":588,"_93":589},"git add i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md && git commit -m \"docs: update zh performance tuning guidance\" && git status --short","unknown",{"_461":591,"_442":443,"_463":449},{"_513":592,"_481":579,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"git add i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md && git commit -m \\\"docs: update zh performance tuning guidance\\\" && git status --short\",\"workdir\":\"/workspace/docs\",\"yield_time_ms\":1000,\"max_output_tokens\":20000}",{"_461":594,"_442":443,"_463":449},{"_464":-5,"_539":595,"_42":-5,"_467":-5,"_541":596,"_93":543},"gAAAAABqOpdOWfCcHgRpdXGXp8a83cN4CFLOdoHvdLZKOETYOvnEg7IffEVWbtbB5aJK9LmgtrA5WFBgiSsP-vO-pjiHiwQbElPfhm5lkpGsU3Pb4yltzPJFM_HIBw9dzs--ci5W8UN8m4XjB_5oYbTwSNcNrPtMYDIykT9O3W2cdpsGcbR7S7KO3rAwjdo_CQ2VQxSwNyOTvZG_FyampxqBW0MTU6eaCEXL07OuJPesj-HNgimR9BL7eZJ23eAXvXdiBHdOK4VmZbnf6Ae8Q2SwwMYhOxC2_jczePFdJjRtHD9tdeit9tkJDBhWdpC6vHuyVWKWP6kY5V6zUliYmlErO8JUvosMjpX9PtchTDsX0oNzoGxeh9jlqq_kUbDz7ou4Z_xovdZARkCDz9UfuIiwMh-wwgGk--Ur3MxL77NnSXRXC3s0uSM5S_EswS4bYGXj87MvA8jkd99qMLnco-cekQwY0u30zh9dtY-GF43XuZk6ZoZCFPDYUNQIp8B3F4_Hh4cgMrRWZnT7hXzJtNRf8ijmyFNPNzYj-oUuMeYjFk7GgU6f77NEv7_JImjtr_hC3IG_k_RWd5oPwtAL41D-ct_ItGjAEWKV1eFLsQud7s0QjmTDAOcxfEPgLvRFFoQla9xCCWW-F1hAMZP_B5-Va2prOKedNetb4gU62_4lYZ0TDrT-f6g748IdrNz7Y8V27SWV6gbm6T9kbfIa7u6G971hiiPFvcjt0LDXJ7QFIKVl2rXvCujCjNiuQiYrjOcMJ1FXsgJWP_iWm1emTDVkyRastDsWt7zFB5rUjmeI2Hfjs07MK9bTk8nHN7eYTY2OXbj2ymFBHSqxkGMU-IBUY_3m4m3iWv8oKkTfpcRmThompE27dLnYIG01dWvX8mtPT4B7UE7yNNPgoeSs0zdTC1QGj7Mui6Z6HPQ-DL1xHAI3AlDDFr4MpYyyuSOTc0Zb04-56YlgYb9BsDZyKFMTw7WRIJiPxRqZZrMK2shwJXbLW3GZth_s6xZsLR26NfN_zLZ1HTuiyC4MoL7NCz7EGS0BHtmTxg==",[597],{"_46":598,"_93":599},"**Validating links and citations**\n\nI'm thinking I need to validate some links, but maybe I can skip that step for now. It seems I also need to include line citations for clarity. After that, I should commit only the relevant files before making a pull request. Keeping things organized is crucial, and I want to ensure everything’s in order before moving on. So, I'll focus on those tasks to keep my project running smoothly!","summary_text",{"_461":601,"_442":443,"_463":449},{"_464":602,"_42":603,"_541":604,"_93":543},[],"rs_04f0f4825f373d32016a3a974c49408198b3c2d16e19c554c0",[598],{"_461":606,"_442":443,"_463":449},{"_481":607,"_467":-5,"_483":608,"_93":485},"call_K5DfKHgX1kouaGbqDt5Bk2jw","Chunk ID: 93fdfa\nWall time: 0.0000 seconds\nProcess exited with code 0\nOriginal token count: 93\nOutput:\n M i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n M i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n M i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n M yarn.lock\n?? .pnp.cjs\n?? .pnp.loader.mjs\n?? .yarn/\n",{"_461":610,"_442":443,"_463":449},{"_488":611,"_490":612,"_492":613,"_494":495,"_447":32,"_496":32,"_42":607,"_497":614,"_499":500,"_454":114,"_93":501}," M i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n M i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n M i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n M yarn.lock\n?? .pnp.cjs\n?? .pnp.loader.mjs\n?? .yarn/\n","/bin/bash -lc 'git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md && git status --short'",[615],"87423",{"_490":616,"_93":589},"git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md && git status --short",{"_461":618,"_442":443,"_463":449},{"_513":619,"_481":607,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md && git status --short\",\"workdir\":\"/workspace/docs\",\"yield_time_ms\":1000,\"max_output_tokens\":12000}",{"_461":621,"_442":443,"_463":449},{"_464":-5,"_539":622,"_42":-5,"_467":-5,"_541":623,"_93":543},"gAAAAABqOpdK7x-O9LQMEY7ancq-UP_YeJPUsWWqo4-5VrIZuS2qbcnHY7sF9Jyw9MhICagv-elQWUrg-apeddK1l4NjaHq-MMKGGZfu6Cxjesp-aiF-WWdPuU67HVj6WJc1FCnFEuwL7SbN9mGkGbbOlPgSfFwFsFGS6Vek0ERTHr0RT9m-H-bobVa59V2Md1zT1wWZUNwGkWVlyDzbu24vuPiUcrdOUsEous_w_C1NZ7uup32p-5yHeVQxuOOAzlQ5GhEZgKMSMWzN6Iu_8-ak0gnmuvsbXngUR0nMAimMeeXPr3wLxiuSGkinbrh76Hyo5lVPN1Up588MuhPt8s28SpSEjYyaib__Psz4nfr6NpmFRvUPNd-lizvh6rVvZTxnTusEtb4PROgy6LXEHJVLi804mYpiMQbWcnGXiPub4D9qtDekmKYwRtp5tPrE625-7jwASUWtdUOkcZxwcaBWpYQ3WGGCXc0qKFh6_C7W2yVpst8WfHWpNrL5ienVB8Vz9jNWcd4TUFQ0hRTdyzt5TmnLsaDwYysU4NjkutJUafGRSQ20D4J6mt7j98iEaT362MwrIVoiRWBp9xuQAUQIJq4kpzZAR4CGMbgoW1vBVOQ53BFxIlW8YBmE7A0PXjxPKv_PXXIJT69YoxS9qhIsjt3VxwQ7enBYl3Awbzo4FFKGpNrhWv3WpkX29YqBcM_CU1LnzvuP8vKjOlI6awf5QyxipdNfSLWt8ArGaenFMJGS_eF24bRspBxXhY0NwXWZ84zV3ot8I3F3e3dsL6gtMZNrBgdPp7TEkhs3KpryMJA5IJL7PeGHYQtm8pQ8YkS5-WBA4ssF2QPIlZHRynkpUVM40eTiXL5zTvFsrtn-40It4NsCflMi0IdC_fP86mLPRdGchRhl7ODcHjRBRV0GeRz7O-kHvoKhywWds93cTyTActKB_NNgvTggA4l9A84_3VaKE3uXPT1YhuGMaAww12Sp6hoB_jCNL9cNcSgSSISa2kqWAIohSRxW_0Fnhw_svommu1zjFwimiW2ekUqSQnmncYYQD4XPz-GewcK2NWjk0j1zdFGvS3JEEflfWBKCwMFx1PBCs0seyg1SlKmNkHeWWATrKk2BOLagLgkX6RJETYThH2cJTvSubzTGXMqy-eg-Gt5G54lslZrsQWhcRG3xiESYhiw0KBAvjUo80X-1GRQDisOddSQfr1zRVdzaYqjd6Gnfet7tGZLcqIkc4nGuGL5tWrd7vf_Yw5USFw56NGkUyxcp0M7maS_nJ369VbTD6WUvxxkdDakQqDHYFJgK9NroVDCiq5Gt7ieTHOUfFE7EToA=",[624],{"_46":625,"_93":599},"**Considering markdown and profiling tools**\n\nI’m thinking about whether I need a heading link for \"profiling-tools\" in Chinese. It seems like I might need a slug for that in Docusaurus. I'll consider running a markdown check, but I should be cautious about any dirty yarn lock from previous tasks. I want to avoid committing unrelated yarn and deal with untracked files. Maybe running npm could help, as markdownlint isn’t currently available. A `git diff --check` could also be useful here.",{"_461":627,"_442":443,"_463":449},{"_464":628,"_42":629,"_541":630,"_93":543},[],"rs_04f0f4825f373d32016a3a97455d7c8198a109d5a62ba7f834",[625],{"_461":632,"_442":443,"_463":449},{"_488":633,"_490":634,"_492":635,"_494":495,"_447":636,"_496":32,"_42":637,"_497":638,"_499":500,"_454":114,"_93":501},"diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md b/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\nindex a0dd469..846c548 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n@@ -141,14 +141,41 @@ curl --data \"false\" http://127.0.0.1:4000/debug/enable_trace\n ### 性能分析工具\n \n - **基础路径**: `/debug/prof/`\n-- **端点**:\n- - `cpu`\n- - `mem`\n-- **方法**: `POST` 用于分析数据库节点。\n-- **描述**: 运行时 CPU 或内存使用情况分析。\n-- **用法**:\n- - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\n- - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n+- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\n+\n+CPU 性能分析：\n+\n+| 路径 | 方法 | 描述 |\n+| --- | --- | --- |\n+| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |\n+\n+示例：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+内存性能分析：\n+\n+| 路径 | 方法 | 描述 |\n+| --- | --- | --- |\n+| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |\n+| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |\n+| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |\n+| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |\n+| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |\n+| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |\n+| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |\n+\n+示例：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+curl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\n+curl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\n+```\n+\n+运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n \n ## 查询端点\n \ndiff --git a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\nindex a61d2dc..a66e782 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n@@ -510,7 +510,9 @@ fork_dictionary_bytes = \"1GiB\"\n | `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |\n | `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |\n | `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |\n-| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n+| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |\n+| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |\n+| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |\n | `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |\n | `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |\n | `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |\n@@ -524,10 +526,10 @@ fork_dictionary_bytes = \"1GiB\"\n | `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |\n | `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |\n | `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |\n-| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |\n-| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |\n+| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |\n+| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n | `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |\n-| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |\n+| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n | `inverted_index.create_on_flush` | 字符串 | `auto` | 是否在 flush 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n | `inverted_index.create_on_compaction` | 字符串 | `auto` | 是否在 compaction 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n | `inverted_index.apply_on_query` | 字符串 | `auto` | 是否在查询时使用索引
- `auto`: 自动
- `disable`: 从不 |\ndiff --git a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\nindex 49a69d4..91af6f4 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n@@ -11,59 +11,90 @@ GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓\n \n ## 查询\n \n-### ANALYZE QUERY\n+### 分析查询性能\n \n-GreptimeDB 支持查询分析功能，通过 `EXPLAIN ANALYZE [VERBOSE] ` 语句可以看到逐步的查询耗时。\n+要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：\n+\n+```sql\n+EXPLAIN ANALYZE VERBOSE ;\n+```\n+\n+`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。\n+\n+比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\n+\n+如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。\n+\n+常见发现：\n+\n+- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。\n+- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。\n+- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。\n+- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。\n+- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。\n \n ### 指标\n \n 以下指标可用于诊断查询性能问题：\n+\n | 指标 | 类型 | 描述 |\n |---|---|---|\n | greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\n-| greptime_mito_cache_bytes | gauge | 缓存内容的大小 |\n-| greptime_mito_cache_hit | counter | 缓存命中总数 |\n-| greptime_mito_cache_miss | counter | 缓存未命中总数 |\n-\n+| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |\n \n ### 增大缓存大小\n \n-可以监控 `greptime_mito_cache_bytes` 和 `greptime_mito_cache_miss` 指标来确定是否需要增加缓存大小。这些指标中的 `type` 标签表示缓存的类型。\n-\n-如果 `greptime_mito_cache_miss` 指标一直很高并不断增加，或者 `greptime_mito_cache_bytes` 指标达到缓存容量，可能需要调整存储引擎的缓存大小配置。\n-\n-以下是一个例子：\n+将 `greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。\n \n+以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\n \n ```toml\n [[region_engine]]\n [region_engine.mito]\n-# 写入缓存的缓存大小。此缓存的 `type` 标签值为 `file`。\n+# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。\n write_cache_size = \"10G\"\n-# 在写入缓存未命中时从对象存储下载文件填充缓存\n-enable_refill_cache_on_read = true\n+# 分配给索引（puffin）文件的写入缓存容量百分比。\n+# 此缓存的 `type` 标签值为 `index`。\n+index_cache_percent = 20\n # SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\n sst_meta_cache_size = \"128MB\"\n-# 向量和箭头数组的缓存大小。此缓存的 `type` 标签值为 `vector`。\n+# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。\n vector_cache_size = \"512MB\"\n # SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\n page_cache_size = \"512MB\"\n-# 时间序列查询结果（例如 `last_value()`）的缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n+# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n selector_result_cache_size = \"512MB\"\n+# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。\n+range_result_cache_size = \"512MB\"\n+# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。\n+prefilter_result_cache_size = \"128MB\"\n+# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。\n+manifest_cache_size = \"256MB\"\n \n [region_engine.mito.index]\n-## 索引暂存目录的最大容量。\n-staging_size = \"10GB\"\n+# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。\n+metadata_cache_size = \"64MiB\"\n+# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。\n+content_cache_size = \"128MiB\"\n+# 索引内容缓存的页大小。\n+content_cache_page_size = \"64KiB\"\n+# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。\n+result_cache_size = \"128MiB\"\n+# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。\n+staging_size = \"2GB\"\n ```\n \n-\n 一些建议：\n-- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n-- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\n-- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4\n-- 如果缓存命中率低于 50%，则可以将缓存大小翻倍\n-- 如果使用全文索引，至少将 `staging_size` 设置为磁盘空间的 1/10\n \n+- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n+- 写入缓存通过 `index_cache_percent` 在数据文件和索引（puffin）文件之间拆分。如果 `greptime_mito_cache_bytes{type=\"index\"}` 已满，而 `greptime_mito_cache_bytes{type=\"file\"}` 未满，可以考虑增大 `index_cache_percent`。\n+- 如果某个缓存相比其配置容量长期较小，可以减小该缓存，并把资源分配给压力更高的缓存。\n+- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4。\n+- 如果缓存命中率低于 50%，则可以将缓存大小翻倍。\n+- 只有当索引搜索工作负载中 `greptime_mito_cache_bytes{type=\"index_staging\"}` 接近容量，或暂存目录未命中和淘汰显示存在压力时，才需要调大 `index.staging_size`。并非每个部署都需要增大该设置。\n \n ### SST 格式\n \n@@ -71,7 +102,6 @@ GreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适\n \n 唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。\n \n-\n ### 尽可能使用 append-only 表\n \n 一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\n@@ -95,30 +125,88 @@ CREATE TABLE logs(\n \n ## 写入\n \n+### 批量写入行\n+\n+批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n+\n+### 按时间窗口写入\n+\n","/bin/bash -lc \"python3 - <<'PY'\nfrom pathlib import Path\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md')\ns=p.read_text()\nfront=s.split('---',2)[:2]\ncontent='''---\\\\nkeywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\\\\ndescription: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\\\\n---\\\\n\\\\n# 性能调优技巧\\\\n\\\\nGreptimeDB 实例的默认配置可能不适合所有场景。因此根据场景调整数据库配置和使用方式相当重要。\\\\n\\\\nGreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\\\\n\\\\n## 查询\\\\n\\\\n### 分析查询性能\\\\n\\\\n要排查慢查询，请使用 \"'`EXPLAIN ANALYZE VERBOSE` 重新运行查询：'\"\\\\n\\\\n\"'```sql'\"\\\\nEXPLAIN ANALYZE VERBOSE ;\\\\n\"'```'\"\\\\n\\\\n\"'`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。'\"\\\\n\\\\n比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\\\\n\\\\n如果仍无法判断原因，请在创建 issue 时附上完整的 \"'`EXPLAIN ANALYZE VERBOSE` 输出。'\"\\\\n\\\\n常见发现：\\\\n\\\\n- **需要搜索大量小文件**：\"'`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。'\"\\\\n- **扫描后过滤了大量行**：如果 \"'`scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。'\"\\\\n- **数据读取时本地缓存未命中**：如果 \"'`fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。'\"\\\\n- **扫描准备成本较高**：\"'`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。'\"\\\\n- **元数据加载时间较高**：如果 \"'`metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。'\"\\\\n\\\\n### 指标\\\\n\\\\n以下指标可用于诊断查询性能问题：\\\\n\\\\n| 指标 | 类型 | 描述 |\\\\n|---|---|---|\\\\n| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\\\\n| greptime_mito_cache_bytes | gauge | 缓存内容的大小。\"'`type` 标签表示缓存类型。 |'\"\\\\n| greptime_mito_cache_hit | counter | 缓存命中总数。\"'`type` 标签表示缓存类型。 |'\"\\\\n| greptime_mito_cache_miss | counter | 缓存未命中总数。\"'`type` 标签表示缓存类型。 |'\"\\\\n| greptime_mito_cache_eviction | counter | 缓存淘汰总数。\"'`type` 标签表示缓存类型。 |'\"\\\\n\\\\n### 增大缓存大小\\\\n\\\\n将 \"'`greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。'\"\\\\n\\\\n以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\\\\n\\\\n\"'```toml'\"\\\\n[[region_engine]]\\\\n[region_engine.mito]\\\\n# 写入缓存的大小。数据文件对应的 \"'`type` 标签值为 `file`。'\"\\\\nwrite_cache_size = \\\"10G\\\"\\\\n# 分配给索引（puffin）文件的写入缓存容量百分比。\\\\n# 此缓存的 \"'`type` 标签值为 `index`。'\"\\\\nindex_cache_percent = 20\\\\n# SST 元数据的缓存大小。此缓存的 \"'`type` 标签值为 `sst_meta`。'\"\\\\nsst_meta_cache_size = \\\"128MB\\\"\\\\n# 向量和 Arrow array 的缓存大小。此缓存的 \"'`type` 标签值为 `vector`。'\"\\\\nvector_cache_size = \\\"512MB\\\"\\\\n# SST 行组页面的缓存大小。此缓存的 \"'`type` 标签值为 `page`。'\"\\\\npage_cache_size = \\\"512MB\\\"\\\\n# 时间序列 selector（例如 \"'`last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。'\"\\\\nselector_result_cache_size = \\\"512MB\\\"\\\\n# Flat range scan 结果缓存大小。此缓存的 \"'`type` 标签值为 `range_result`。'\"\\\\nrange_result_cache_size = \\\"512MB\\\"\\\\n# Prefilter 结果缓存大小。此缓存的 \"'`type` 标签值为 `prefilter_result`。'\"\\\\nprefilter_result_cache_size = \\\"128MB\\\"\\\\n# Manifest 文件缓存大小。此缓存的 \"'`type` 标签值为 `manifest`。'\"\\\\nmanifest_cache_size = \\\"256MB\\\"\\\\n\\\\n[region_engine.mito.index]\\\\n# 索引元数据缓存大小。此缓存的 \"'`type` 标签值为 `index_metadata`。'\"\\\\nmetadata_cache_size = \\\"64MiB\\\"\\\\n# 索引内容缓存大小。此缓存的 \"'`type` 标签值为 `index_content`。'\"\\\\ncontent_cache_size = \\\"128MiB\\\"\\\\n# 索引内容缓存的页大小。\\\\ncontent_cache_page_size = \\\"64KiB\\\"\\\\n# 索引查询结果缓存大小。此缓存的 \"'`type` 标签值为 `index_result`。'\"\\\\nresult_cache_size = \\\"128MiB\\\"\\\\n# 索引暂存目录的最大容量。此缓存的 \"'`type` 标签值为 `index_staging`。'\"\\\\nstaging_size = \\\"2GB\\\"\\\\n\"'```'\"\\\\n\\\\n一些建议：\\\\n\\\\n- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\\\\n- 写入缓存通过 \"'`index_cache_percent` 在数据文件和索引（puffin）文件之间拆分。如果 `greptime_mito_cache_bytes{type=\"index\"}` 已满，而 `greptime_mito_cache_bytes{type=\"file\"}` 未满，可以考虑增大 `index_cache_percent`。'\"\\\\n- 如果某个缓存相比其配置容量长期较小，可以减小该缓存，并把资源分配给压力更高的缓存。\\\\n- 如果数据库内存使用率低于 20%，则可以至少将 \"'`page_cache_size` 设置为总内存大小的 1/4。'\"\\\\n- 如果缓存命中率低于 50%，则可以将缓存大小翻倍。\\\\n- 只有当索引搜索工作负载中 \"'`greptime_mito_cache_bytes{type=\"index_staging\"}` 接近容量，或暂存目录未命中和淘汰显示存在压力时，才需要调大 `index.staging_size`。并非每个部署都需要增大该设置。'\"\\\\n\\\\n### SST 格式\\\\n\\\\nGreptimeDB 默认使用 \"'`flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。'\"\\\\n\\\\n唯一需要设置 \"'`sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。'\"\\\\n\\\\n### 尽可能使用 append-only 表\\\\n\\\\n一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\\\\n\\\\n如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\\\\n\\\\n### 禁用预写式日志(WAL)\\\\n\\\\n如果您是从 Kafka 等可以重放的数据源消费并写入到 GreptimeDB，可以通过禁用 WAL 来进一步提升写入吞吐量。\\\\n\\\\n请注意，当 WAL 被禁用后，未刷新到磁盘或对象存储的数据将无法恢复，需要从原始数据源重新恢复，比如重新从 Kafka 读取或重新抓取日志。\\\\n\\\\n通过设置表选项 \"'`skip_wal='\"'true'\"'` 来禁用 WAL：'\"\\\\n\\\\n\"'```sql'\"\\\\nCREATE TABLE logs(\\\\n message STRING,\\\\n ts TIMESTAMP TIME INDEX\\\\n) WITH (skip_wal = 'true');\\\\n\"'```'\"\\\\n\\\\n## 写入\\\\n\\\\n### 批量写入行\\\\n\\\\n批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\\\\n\\\\n### 按时间窗口写入\\\\n\\\\n虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\\\\n\\\\n通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并[指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\\\\n\\\\n### 指标\\\\n\\\\n以下指标有助于诊断写入问题。大多数指标可在官方 Grafana dashboard 中找到。需要自定义 PromQL 或深入排查时，可以使用下列指标名。\\\\n\\\\n| 指标 | 类型 | 描述 |\\\\n|---|---|---|\\\\n| greptime_table_operator_ingest_rows | counter | table operator 摄入的行数。可使用该指标的 rate 追踪总写入负载。 |\\\\n| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP 请求延迟。可使用 \"'`path`、`method` 和 `code` 等标签定位写入相关延迟。 |'\"\\\\n| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC 请求延迟。可使用 \"'`path` 和 `code` 等标签定位写入相关延迟。 |'\"\\\\n| greptime_mito_handle_request_elapsed_bucket | histogram | Datanode 上处理存储引擎请求的耗时。 |\\\\n| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时。 |\\\\n| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算）。 |\\\\n| greptime_mito_write_rows_total | counter | 写入存储引擎的行数。可用于比较不同 datanode 的写入负载。 |\\\\n| greptime_mito_write_stalling_count | gauge | 每个 worker 中当前被阻塞的写入请求数。 |\\\\n| greptime_mito_write_stall_total | counter | 由于高内存压力或临时 region 状态而被阻塞的写入请求总数。 |\\\\n| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的写入请求数。 |\\\\n| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时。 |\\\\n| greptime_mito_flush_requests_total | counter | 已调度的 flush 请求数。 |\\\\n| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时。 |\\\\n| greptime_mito_flush_bytes_total | counter | flush 到 SST 文件的字节数。 |\\\\n| greptime_mito_flush_file_total | counter | flush job 生成的 SST 文件数。 |\\\\n\\\\n### 检查写入吞吐和请求延迟\\\\n\\\\n使用 \"'`rate(greptime_table_operator_ingest_rows[$__rate_interval])` 观察总摄入速率。协议层延迟请检查 `greptime_servers_http_requests_elapsed_bucket` 和 `greptime_servers_grpc_requests_elapsed_bucket`。可按 `path`、`method` 和 `code` 等标签过滤，将写入请求与健康检查、指标抓取和查询请求区分开。'\"\\\\n\\\\n如果 frontend 协议延迟较高，请将它与 datanode 侧指标对比，例如 \"'`greptime_mito_handle_request_elapsed_bucket` 和 `greptime_mito_write_stage_elapsed_bucket`。这有助于判断瓶颈是在进入存储引擎之前的请求处理阶段，还是在 datanode 写入路径内部。'\"\\\\n\\\\n### 诊断 datanode 写入压力\\\\n\\\\n当 datanode 写入变慢或摄入延迟较高时，首先检查写入缓冲区是否存在压力：\\\\n\\\\n- \"'`greptime_mito_write_buffer_bytes`'\"\\\\n- \"'`greptime_mito_write_stall_total`'\"\\\\n- \"'`greptime_mito_write_stalling_count`'\"\\\\n- \"'`greptime_mito_write_reject_total`'\"\\\\n\\\\n写入阻塞表示 GreptimeDB 正在施加背压，而不是立即接受写入。当全局写入缓冲区达到 \"'`global_write_buffer_size`，或 region 在内部状态变化期间暂时不可写时，可能出现阻塞。如果客户端收到类似 `Engine write buffer is full, rejecting write requests` 的错误，表示 datanode 已达到由 `global_write_buffer_reject_size` 控制的拒绝阈值。'\"\\\\n\\\\n当 datanode 存在写入压力时，在调大写入缓冲区之前，请先检查 flush 性能和写入分布。增大写入缓冲区只会给 datanode 更多内存余量，并不能修复缓慢的 flush，也不能修复把大部分写入发送到单个 region 的不均衡表。\\\\n\\\\n### 检查 flush 性能\\\\n\\\\n如果写入缓冲区持续增长或写入频繁阻塞，请检查 flush 是否是瓶颈。使用 \"'`greptime_mito_flush_elapsed` 查看 flush 延迟，并使用 `greptime_mito_flush_requests_total`、`greptime_mito_flush_bytes_total` 和 `greptime_mito_flush_file_total` 了解 flush 频率和吞吐。'\"\\\\n\\\\nDatanode 日志也有助于识别慢 flush 和热点 region。搜索 \"'`Successfully flush memtables`。该日志行包含 region、flush 原因、SST 文件、`total_rows`、`total_bytes`、`cost`、编码 part 数以及 flush metrics。可以用 `total_rows` 或 `total_bytes` 除以 `cost` 来估算 flush 吞吐。'\"\\\\n\\\\n如果 flush 耗时较高，例如达到 30 秒或更久，或者 flush 吞吐低于摄入速度，增大写入缓冲区通常只会延后阻塞或拒绝。在这种情况下，请检查表分区和 region 分布，让 flush 工作可以分散到更多 region 和 datanode。\\\\n\\\\n如果 flush job 很快，通常几秒内完成，但 flush 请求速率较高且写入缓冲区压力经常出现，增大写入缓冲区可以帮助降低 flush 频率。\\\\n\\\\n### 检查写入分布\\\\n\\\\n对于分区表，请检查写入是否均匀分布在 datanode 和 region 之间。使用 \"'`greptime_mito_write_rows_total` 比较 datanode 级别的写入行数，并使用 `greptime_mito_handle_request_elapsed_bucket` 比较 datanode 请求延迟。'\"\\\\n\\\\n也可以查询 [\"'`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md)，查看 `written_bytes_since_open` 和 `memtable_size` 等 region 级统计信息。如果某个 datanode 或某个 region 接收了大部分写入负载，请先调整表分区，让负载分散到更多 region 和 datanode，再考虑增大写入缓冲区。'\"\\\\n\\\\n### 调整写入缓冲区大小\\\\n\\\\n如果阻塞或拒绝是由写入缓冲区压力导致的，并且 flush 性能和写入分布都正常，可以考虑增大 \"'`region_engine.mito.global_write_buffer_size`。这对日志或链路追踪等大行工作负载最有用。默认情况下，`global_write_buffer_size` 会自动设置为操作系统内存的 1/8，最大 1GB。请逐步增大，例如调为 2 到 4 倍，并观察 datanode 内存使用情况。'\"\\\\n\\\\n多数情况下，请保持 \"'`region_engine.mito.global_write_buffer_reject_size` 未设置，让 GreptimeDB 使用默认的拒绝阈值，即 `global_write_buffer_size` 的 2 倍。如果希望在内存压力下更早失败，可以根据可用 datanode 内存以及希望多早拒绝请求，手动设置一个有意保留的边界，通常为 `global_write_buffer_size` 的 1.5 到 2 倍。该值必须大于 `global_write_buffer_size`；否则 GreptimeDB 会将其修正回 2 倍。'\"\\\\n\\\\n示例：\\\\n\\\\n\"'```toml'\"\\\\n[[region_engine]]\\\\n[region_engine.mito]\\\\nglobal_write_buffer_size = \\\"2GB\\\"\\\\n# 可选。除非需要自定义拒绝边界，否则保持未设置。\\\\nglobal_write_buffer_reject_size = \\\"3GB\\\"\\\\n\"'```'\"\\\\n\\\\n## 表结构\\\\n\\\\n### 使用多值\\\\n\\\\n在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\\\\n\\\\n例如，以下三个表收集了 CPU 的使用率指标。\\\\n\\\\n\"'```sql'\"\\\\nCREATE TABLE IF NOT EXISTS cpu_usage_user (\\\\n hostname STRING NULL,\\\\n usage_value BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\nCREATE TABLE IF NOT EXISTS cpu_usage_system (\\\\n hostname STRING NULL,\\\\n usage_value BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\nCREATE TABLE IF NOT EXISTS cpu_usage_idle (\\\\n hostname STRING NULL,\\\\n usage_value BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\n\"'```'\"\\\\n\\\\n我们可以将它们合并为一个具有三个字段的表。\\\\n\\\\n\"'```sql'\"\\\\nCREATE TABLE IF NOT EXISTS cpu (\\\\n hostname STRING NULL,\\\\n usage_user BIGINT NULL,\\\\n usage_system BIGINT NULL,\\\\n usage_idle BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\n\"'```'\"\\\\n\\\\n## 采集性能分析数据\\\\n\\\\n当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\\\\n\\\\n性能分析与平台相关，在某些平台或构建中可能不可用。CPU profiling 在大多数 Unix 平台上可用。Memory profiling 在 Linux 上可用，但在 macOS 或 Windows 上不可用。生成火焰图会消耗额外内存，因为 GreptimeDB 需要在进程内解析 profile 并符号化栈信息。从接近内存限制的节点采集火焰图时请格外谨慎。\\\\n\\\\n性能分析是节点本地的。请将以下示例中的 \"'`127.0.0.1:4000` 替换为 CPU 或内存使用率较高的 GreptimeDB 节点的 HTTP 地址。'\"\\\\n\\\\n### CPU profiling\\\\n\\\\n在 CPU 使用率较高时采集 10 秒 CPU 火焰图：\\\\n\\\\n\"'```bash'\"\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\\\\n\"'```'\"\\\\n\\\\n### Memory profiling\\\\n\\\\nMemory profiling 需要启用 heap profiling。官方 Docker 镜像默认启用 heap profiling。对于自行构建或非 Docker 部署，建议默认以启用 heap profiling 的方式启动 GreptimeDB：\\\\n\\\\n\"'```bash'\"\\\\nMALLOC_CONF=prof:true ./greptime standalone start\\\\n\"'```'\"\\\\n\\\\n当内存使用率较高时采集内存火焰图，尤其是在内存仍在增长或达到新峰值时：\\\\n\\\\n\"'```bash'\"\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\\\\n\"'```'\"\\\\n\\\\n也可以在不同时间采集两份内存 profile 并进行对比，以识别新增分配：\\\\n\\\\n\"'```bash'\"\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\\\\n\"'```'\"\\\\n\\\\n端点参考请参阅[性能分析工具](/reference/http-endpoints.md#性能分析工具)。\\\\n\\\\n报告问题时，请包含：\\\\n\\\\n- GreptimeDB 版本和部署模式。\\\\n- 受影响的组件或节点。\\\\n- CPU 火焰图或内存火焰图/profile 文件。\\\\n- 问题发生的大致时间范围和工作负载。\\\\n- 可用的相关指标和日志。\\\\n'''\np.write_text(content)\nPY\n\ngit diff -- i18n/zh/docusaurus-plugin-content-docs/current | sed -n '1,220p'\"",[639],563,"call_Xi8W6cooD73GOaFSijfAkcDH","27152",{"_490":640,"_93":589},"python3 - <<'PY'\nfrom pathlib import Path\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md')\ns=p.read_text()\nfront=s.split('---',2)[:2]\ncontent='''---\\nkeywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\\ndescription: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\\n---\\n\\n# 性能调优技巧\\n\\nGreptimeDB 实例的默认配置可能不适合所有场景。因此根据场景调整数据库配置和使用方式相当重要。\\n\\nGreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\\n\\n## 查询\\n\\n### 分析查询性能\\n\\n要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：\\n\\n```sql\\nEXPLAIN ANALYZE VERBOSE ;\\n```\\n\\n`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。\\n\\n比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\\n\\n如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。\\n\\n常见发现：\\n\\n- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。\\n- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。\\n- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。\\n- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。\\n- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。\\n\\n### 指标\\n\\n以下指标可用于诊断查询性能问题：\\n\\n| 指标 | 类型 | 描述 |\\n|---|---|---|\\n| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\\n| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |\\n| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |\\n| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |\\n| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |\\n\\n### 增大缓存大小\\n\\n将 `greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。\\n\\n以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\\n\\n```toml\\n[[region_engine]]\\n[region_engine.mito]\\n# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。\\nwrite_cache_size = \"10G\"\\n# 分配给索引（puffin）文件的写入缓存容量百分比。\\n# 此缓存的 `type` 标签值为 `index`。\\nindex_cache_percent = 20\\n# SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\\nsst_meta_cache_size = \"128MB\"\\n# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。\\nvector_cache_size = \"512MB\"\\n# SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\\npage_cache_size = \"512MB\"\\n# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。\\nselector_result_cache_size = \"512MB\"\\n# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。\\nrange_result_cache_size = \"512MB\"\\n# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。\\nprefilter_result_cache_size = \"128MB\"\\n# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。\\nmanifest_cache_size = \"256MB\"\\n\\n[region_engine.mito.index]\\n# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。\\nmetadata_cache_size = \"64MiB\"\\n# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。\\ncontent_cache_size = \"128MiB\"\\n# 索引内容缓存的页大小。\\ncontent_cache_page_size = \"64KiB\"\\n# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。\\nresult_cache_size = \"128MiB\"\\n# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。\\nstaging_size = \"2GB\"\\n```\\n\\n一些建议：\\n\\n- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\\n- 写入缓存通过 `index_cache_percent` 在数据文件和索引（puffin）文件之间拆分。如果 `greptime_mito_cache_bytes{type=\"index\"}` 已满，而 `greptime_mito_cache_bytes{type=\"file\"}` 未满，可以考虑增大 `index_cache_percent`。\\n- 如果某个缓存相比其配置容量长期较小，可以减小该缓存，并把资源分配给压力更高的缓存。\\n- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4。\\n- 如果缓存命中率低于 50%，则可以将缓存大小翻倍。\\n- 只有当索引搜索工作负载中 `greptime_mito_cache_bytes{type=\"index_staging\"}` 接近容量，或暂存目录未命中和淘汰显示存在压力时，才需要调大 `index.staging_size`。并非每个部署都需要增大该设置。\\n\\n### SST 格式\\n\\nGreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\\n\\n唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。\\n\\n### 尽可能使用 append-only 表\\n\\n一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\\n\\n如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\\n\\n### 禁用预写式日志(WAL)\\n\\n如果您是从 Kafka 等可以重放的数据源消费并写入到 GreptimeDB，可以通过禁用 WAL 来进一步提升写入吞吐量。\\n\\n请注意，当 WAL 被禁用后，未刷新到磁盘或对象存储的数据将无法恢复，需要从原始数据源重新恢复，比如重新从 Kafka 读取或重新抓取日志。\\n\\n通过设置表选项 `skip_wal='true'` 来禁用 WAL：\\n\\n```sql\\nCREATE TABLE logs(\\n message STRING,\\n ts TIMESTAMP TIME INDEX\\n) WITH (skip_wal = 'true');\\n```\\n\\n## 写入\\n\\n### 批量写入行\\n\\n批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\\n\\n### 按时间窗口写入\\n\\n虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\\n\\n通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并[指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\\n\\n### 指标\\n\\n以下指标有助于诊断写入问题。大多数指标可在官方 Grafana dashboard 中找到。需要自定义 PromQL 或深入排查时，可以使用下列指标名。\\n\\n| 指标 | 类型 | 描述 |\\n|---|---|---|\\n| greptime_table_operator_ingest_rows | counter | table operator 摄入的行数。可使用该指标的 rate 追踪总写入负载。 |\\n| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP 请求延迟。可使用 `path`、`method` 和 `code` 等标签定位写入��关延迟。 |\\n| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC 请求延迟。可使用 `path` 和 `code` 等标签定位写入相关延迟。 |\\n| greptime_mito_handle_request_elapsed_bucket | histogram | Datanode 上处理存储引擎请求的耗时。 |\\n| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时。 |\\n| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算）。 |\\n| greptime_mito_write_rows_total | counter | 写入存储引擎的行数。可用于比较不同 datanode 的写入负载。 |\\n| greptime_mito_write_stalling_count | gauge | 每个 worker 中当前被阻塞的写入请求数。 |\\n| greptime_mito_write_stall_total | counter | 由于高内存压力或临时 region 状态而被阻塞的写入请求总数。 |\\n| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的写入请求数。 |\\n| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时。 |\\n| greptime_mito_flush_requests_total | counter | 已调度的 flush 请求数。 |\\n| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时。 |\\n| greptime_mito_flush_bytes_total | counter | flush 到 SST 文件的字节数。 |\\n| greptime_mito_flush_file_total | counter | flush job 生成的 SST 文件数。 |\\n\\n### 检查写入吞吐和请求延迟\\n\\n使用 `rate(greptime_table_operator_ingest_rows[$__rate_interval])` 观察总摄入速率。协议层延迟请检查 `greptime_servers_http_requests_elapsed_bucket` 和 `greptime_servers_grpc_requests_elapsed_bucket`。可按 `path`、`method` 和 `code` 等标签过滤，将写入请求与健康检查、指标抓取和查询请求区分开。\\n\\n如果 frontend 协议延迟较高，请将它与 datanode 侧指标对比，例如 `greptime_mito_handle_request_elapsed_bucket` 和 `greptime_mito_write_stage_elapsed_bucket`。这有助于判断瓶颈是在进入存储引擎之前的请求处理阶段，还是在 datanode 写入路径内部。\\n\\n### 诊断 datanode 写入压力\\n\\n当 datanode 写入变慢或摄入延迟较高时，首先检查写入缓冲区是否存在压力：\\n\\n- `greptime_mito_write_buffer_bytes`\\n- `greptime_mito_write_stall_total`\\n- `greptime_mito_write_stalling_count`\\n- `greptime_mito_write_reject_total`\\n\\n写入阻塞表示 GreptimeDB 正在施加背压，而不是立即接受写入。当全局写入缓冲区达到 `global_write_buffer_size`，或 region 在内部状态变化期间暂时不可写时，可能出现阻塞。如果客户端收到类似 `Engine write buffer is full, rejecting write requests` 的错误，表示 datanode 已达到由 `global_write_buffer_reject_size` 控制的拒绝阈值。\\n\\n当 datanode 存在写入压力时，在调大写入缓冲区之前，请先检查 flush 性能和写入分布。增大写入缓冲区只会给 datanode 更多内存余量，并不能修复缓慢的 flush，也不能修复把大部分写入发送到单个 region 的不均衡表。\\n\\n### 检查 flush 性能\\n\\n如果写入缓冲区持续增长或写入频繁阻塞，请检查 flush 是否是瓶颈。使用 `greptime_mito_flush_elapsed` 查看 flush 延迟，并使用 `greptime_mito_flush_requests_total`、`greptime_mito_flush_bytes_total` 和 `greptime_mito_flush_file_total` 了解 flush 频率和吞吐。\\n\\nDatanode 日志也有助于识别慢 flush 和热点 region。搜索 `Successfully flush memtables`。该日志行包含 region、flush 原因、SST 文件、`total_rows`、`total_bytes`、`cost`、编码 part 数以及 flush metrics。可以用 `total_rows` 或 `total_bytes` 除以 `cost` 来估算 flush 吞吐。\\n\\n如果 flush 耗时较高，例如达到 30 秒或更久，或者 flush 吞吐低于摄入速度，增大写入缓冲区通常只会延后阻塞或拒绝。在这种情况下，请检查表分区和 region 分布，让 flush 工作可以分散到更多 region 和 datanode。\\n\\n如果 flush job 很快，通常几秒内完成，但 flush 请求速率较高且写入缓冲区压力经常出现，增大写入缓冲区可以帮助降低 flush 频率。\\n\\n### 检查写入分布\\n\\n对于分区表，请检查写入是否均匀分布在 datanode 和 region 之间。使用 `greptime_mito_write_rows_total` 比较 datanode 级别的写入行数，并使用 `greptime_mito_handle_request_elapsed_bucket` 比较 datanode 请求延迟。\\n\\n也可以查询 [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md)，查看 `written_bytes_since_open` 和 `memtable_size` 等 region 级统计信息。如果某个 datanode 或某个 region 接收了大部分写入负载，请先调整表分区，让负载分散到更多 region 和 datanode，再考虑增大写入缓冲区。\\n\\n### 调整写入缓冲区大小\\n\\n如果阻塞或拒绝是由写入缓冲区压力导致的，并且 flush 性能和写入分布都正常，可以考虑增大 `region_engine.mito.global_write_buffer_size`。这对日志或链路追踪等大行工作负载最有用。默认情况下，`global_write_buffer_size` 会自动设置为操作系统内存的 1/8，最大 1GB。请逐步增大，例如调为 2 到 4 倍，并观察 datanode 内存使用情况。\\n\\n多数情况下，请保持 `region_engine.mito.global_write_buffer_reject_size` 未设置，让 GreptimeDB 使用默认的拒绝阈值，即 `global_write_buffer_size` 的 2 倍。如果希望在内存压力下更早失败，可以根据可用 datanode 内存以及希望多早拒绝请求，手动设置一个有意保留的边界，通常为 `global_write_buffer_size` 的 1.5 到 2 倍。该值必须大于 `global_write_buffer_size`；否则 GreptimeDB 会将其修正回 2 倍。\\n\\n示例：\\n\\n```toml\\n[[region_engine]]\\n[region_engine.mito]\\nglobal_write_buffer_size = \"2GB\"\\n# 可选。除非需要自定义拒绝边界，否则保持未设置。\\nglobal_write_buffer_reject_size = \"3GB\"\\n```\\n\\n## 表结构\\n\\n### 使用多值\\n\\n在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\\n\\n例如，以下三个表收集了 CPU 的使用率指标。\\n\\n```sql\\nCREATE TABLE IF NOT EXISTS cpu_usage_user (\\n hostname STRING NULL,\\n usage_value BIGINT NULL,\\n ts TIMESTAMP(9) NOT NULL,\\n TIME INDEX (ts),\\n PRIMARY KEY (hostname)\\n);\\nCREATE TABLE IF NOT EXISTS cpu_usage_system (\\n hostname STRING NULL,\\n usage_value BIGINT NULL,\\n ts TIMESTAMP(9) NOT NULL,\\n TIME INDEX (ts),\\n PRIMARY KEY (hostname)\\n);\\nCREATE TABLE IF NOT EXISTS cpu_usage_idle (\\n hostname STRING NULL,\\n usage_value BIGINT NULL,\\n ts TIMESTAMP(9) NOT NULL,\\n TIME INDEX (ts),\\n PRIMARY KEY (hostname)\\n);\\n```\\n\\n我们可以将它们合并为一个具有三个字段的表。\\n\\n```sql\\nCREATE TABLE IF NOT EXISTS cpu (\\n hostname STRING NULL,\\n usage_user BIGINT NULL,\\n usage_system BIGINT NULL,\\n usage_idle BIGINT NULL,\\n ts TIMESTAMP(9) NOT NULL,\\n TIME INDEX (ts),\\n PRIMARY KEY (hostname)\\n);\\n```\\n\\n## 采集性能分析数据\\n\\n当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\\n\\n性能分析与平台相关，在某些平台或构建中可能不可用。CPU profiling 在大多数 Unix 平台上可用。Memory profiling 在 Linux 上可用，但在 macOS 或 Windows 上不可用。生成火焰图会消耗额外内存，因为 GreptimeDB 需要在进程内解析 profile 并符号化栈信息。从接近内存限制的节点采集火焰图时请格外谨慎。\\n\\n性能分析是节点本地的。请将以下示例中的 `127.0.0.1:4000` 替换为 CPU 或内存使用率较高的 GreptimeDB 节点的 HTTP 地址。\\n\\n### CPU profiling\\n\\n在 CPU 使用率较高时采集 10 秒 CPU 火焰图：\\n\\n```bash\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\\n```\\n\\n### Memory profiling\\n\\nMemory profiling 需要启用 heap profiling。官方 Docker 镜像默认启用 heap profiling。对于自行构建或非 Docker 部署，建议默认以启用 heap profiling 的方式启动 GreptimeDB：\\n\\n```bash\\nMALLOC_CONF=prof:true ./greptime standalone start\\n```\\n\\n当内存使用率较高时采集内存火焰图，尤其是在内存仍在增长或达到新峰值时：\\n\\n```bash\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\\n```\\n\\n也可以在不同时间采集两份内存 profile 并进行对比，以识别新增分配：\\n\\n```bash\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\\n```\\n\\n端点参考请参阅[性能分析工具](/reference/http-endpoints.md#性能分析工具)。\\n\\n报告问题时，请包含：\\n\\n- GreptimeDB 版本和部署模式。\\n- 受影响的组件或节点。\\n- CPU 火焰图或内存火焰图/profile 文件。\\n- 问题发生的大致时间范围和工作负载。\\n- 可用的相关指标和日志。\\n'''\np.write_text(content)\nPY\n\ngit diff -- i18n/zh/docusaurus-plugin-content-docs/current | sed -n '1,220p'",{"_461":642,"_442":443,"_463":449},{"_481":637,"_467":-5,"_483":643,"_93":485},"Chunk ID: e1ecdd\nWall time: 0.4631 seconds\nProcess exited with code 0\nOriginal token count: 4530\nOutput:\ndiff --git a/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md b/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\nindex a0dd469..846c548 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n@@ -141,14 +141,41 @@ curl --data \"false\" http://127.0.0.1:4000/debug/enable_trace\n ### 性能分析工具\n \n - **基础路径**: `/debug/prof/`\n-- **端点**:\n- - `cpu`\n- - `mem`\n-- **方法**: `POST` 用于分析数据库节点。\n-- **描述**: 运行时 CPU 或内存使用情况分析。\n-- **用法**:\n- - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\n- - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n+- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\n+\n+CPU 性能分析：\n+\n+| 路径 | 方法 | 描述 |\n+| --- | --- | --- |\n+| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |\n+\n+示例：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+内存性能分析：\n+\n+| 路径 | 方法 | 描述 |\n+| --- | --- | --- |\n+| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |\n+| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |\n+| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |\n+| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |\n+| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |\n+| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |\n+| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |\n+\n+示例：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+curl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\n+curl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\n+```\n+\n+运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n \n ## 查询端点\n \ndiff --git a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\nindex a61d2dc..a66e782 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n@@ -510,7 +510,9 @@ fork_dictionary_bytes = \"1GiB\"\n | `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |\n | `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |\n | `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |\n-| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n+| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |\n+| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |\n+| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |\n | `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |\n | `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |\n | `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |\n@@ -524,10 +526,10 @@ fork_dictionary_bytes = \"1GiB\"\n | `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |\n | `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |\n | `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |\n-| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |\n-| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |\n+| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |\n+| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n | `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |\n-| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |\n+| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n | `inverted_index.create_on_flush` | 字符串 | `auto` | 是否在 flush 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n | `inverted_index.create_on_compaction` | 字符串 | `auto` | 是否在 compaction 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n | `inverted_index.apply_on_query` | 字符串 | `auto` | 是否在查询时使用索引
- `auto`: 自动
- `disable`: 从不 |\ndiff --git a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\nindex 49a69d4..91af6f4 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n@@ -11,59 +11,90 @@ GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓\n \n ## 查询\n \n-### ANALYZE QUERY\n+### 分析查询性能\n \n-GreptimeDB 支持查询分析功能，通过 `EXPLAIN ANALYZE [VERBOSE] ` 语句可以看到逐步的查询耗时。\n+要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：\n+\n+```sql\n+EXPLAIN ANALYZE VERBOSE ;\n+```\n+\n+`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。\n+\n+比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\n+\n+如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。\n+\n+常见发现：\n+\n+- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。\n+- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。\n+- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。\n+- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。\n+- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。\n \n ### 指标\n \n 以下指标可用于诊断查询性能问题：\n+\n | 指标 | 类型 | 描述 |\n |---|---|---|\n | greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\n-| greptime_mito_cache_bytes | gauge | 缓存内容的大小 |\n-| greptime_mito_cache_hit | counter | 缓存命中总数 |\n-| greptime_mito_cache_miss | counter | 缓存未命中总数 |\n-\n+| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |\n \n ### 增大缓存大小\n \n-可以监控 `greptime_mito_cache_bytes` 和 `greptime_mito_cache_miss` 指标来确定是否需要增加缓存大小。这些指标中的 `type` 标签表示缓存的类型。\n-\n-如果 `greptime_mito_cache_miss` 指标一直很高并不断增加，或者 `greptime_mito_cache_bytes` 指标达到缓存容量，可能需要调整存储引擎的缓存大小配置。\n-\n-以下是一个例子：\n+将 `greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。\n \n+以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\n \n ```toml\n [[region_engine]]\n [region_engine.mito]\n-# 写入缓存的缓存大小。此缓存的 `type` 标签值为 `file`。\n+# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。\n write_cache_size = \"10G\"\n-# 在写入缓存未命中时从对象存储下载文件填充缓存\n-enable_refill_cache_on_read = true\n+# 分配给索引（puffin）文件的写入缓存容量百分比。\n+# 此缓存的 `type` 标签值为 `index`。\n+index_cache_percent = 20\n # SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\n sst_meta_cache_size = \"128MB\"\n-# 向量和箭头数组的缓存大小。此缓存的 `type` 标签值为 `vector`。\n+# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。\n vector_cache_size = \"512MB\"\n # SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\n page_cache_size = \"512MB\"\n-# 时间序列查询结果（例如 `last_value()`）的缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n+# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n selector_result_cache_size = \"512MB\"\n+# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。\n+range_result_cache_size = \"512MB\"\n+# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。\n+prefilter_result_cache_size = \"128MB\"\n+# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。\n+manifest_cache_size = \"256MB\"\n \n [region_engine.mito.index]\n-## 索引暂存目录的最大容量。\n-staging_size = \"10GB\"\n+# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。\n+metadata_cache_size = \"64MiB\"\n+# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。\n+content_cache_size = \"128MiB\"\n+# 索引内容缓存的页大小。\n+content_cache_page_size = \"64KiB\"\n+# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。\n+result_cache_size = \"128MiB\"\n+# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。\n+staging_size = \"2GB\"\n ```\n \n-\n 一些建议：\n-- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n-- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\n-- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4\n-- 如果缓存命中率低于 50%，则可以将缓存大小翻倍\n-- 如果使用全文索引，至少将 `staging_size` 设置为磁盘空间的 1/10\n \n+- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n+- 写入缓存通过 `index_cache_percent` 在数据文件和索引（puffin）文件之间拆分。如果 `greptime_mito_cache_bytes{type=\"index\"}` 已满，而 `greptime_mito_cache_bytes{type=\"file\"}` 未满，可以考虑增大 `index_cache_percent`。\n+- 如果某个缓存相比其配置容量长期较小，可以减小该缓存，并把资源分配给压力更高的缓存。\n+- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4。\n+- 如果缓存命中率低于 50%，则可以将缓存大小翻倍。\n+- 只有当索引搜索工作负载中 `greptime_mito_cache_bytes{type=\"index_staging\"}` 接近容量，或暂存目录未命中和淘汰显示存在压力时，才需要调大 `index.staging_size`。并非每个部署都需要增大该设置。\n \n ### SST 格式\n \n@@ -71,7 +102,6 @@ GreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适\n \n 唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。\n \n-\n ### 尽可能使用 append-only 表\n \n 一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\n@@ -95,30 +125,88 @@ CREATE TABLE logs(\n \n ## 写入\n \n+### 批量写入行\n+\n+批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n+\n+### 按时间窗口写入\n+\n",{"_461":645,"_442":443,"_463":449},{"_513":646,"_481":637,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"python3 - <<'PY'\\nfrom pathlib import Path\\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md')\\ns=p.read_text()\\nfront=s.split('---',2)[:2]\\ncontent='''---\\\\nkeywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\\\\ndescription: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\\\\n---\\\\n\\\\n# 性能调优技巧\\\\n\\\\nGreptimeDB 实例的默认配置可能不适合所有场景。因此根据场景调整数据库配置和使用方式相当重要。\\\\n\\\\nGreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\\\\n\\\\n## 查询\\\\n\\\\n### 分析查询性能\\\\n\\\\n要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：\\\\n\\\\n```sql\\\\nEXPLAIN ANALYZE VERBOSE ;\\\\n```\\\\n\\\\n`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。\\\\n\\\\n比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\\\\n\\\\n如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。\\\\n\\\\n常见发现：\\\\n\\\\n- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。\\\\n- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。\\\\n- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。\\\\n- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。\\\\n- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\\\"sst_meta\\\"}`，并考虑增大 `sst_meta_cache_size`。\\\\n\\\\n### 指标\\\\n\\\\n以下指标可用于诊断查询性能问题：\\\\n\\\\n| 指标 | 类型 | 描述 |\\\\n|---|---|---|\\\\n| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\\\\n| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |\\\\n| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |\\\\n| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |\\\\n| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |\\\\n\\\\n### 增大缓存大小\\\\n\\\\n将 `greptime_mito_cache_bytes{type=\\\"...\\\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。\\\\n\\\\n以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\\\\n\\\\n```toml\\\\n[[region_engine]]\\\\n[region_engine.mito]\\\\n# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。\\\\nwrite_cache_size = \\\"10G\\\"\\\\n# 分配给索引（puffin）文件的写入缓存容量百分比。\\\\n# 此缓存的 `type` 标签值为 `index`。\\\\nindex_cache_percent = 20\\\\n# SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\\\\nsst_meta_cache_size = \\\"128MB\\\"\\\\n# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。\\\\nvector_cache_size = \\\"512MB\\\"\\\\n# SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\\\\npage_cache_size = \\\"512MB\\\"\\\\n# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。\\\\nselector_result_cache_size = \\\"512MB\\\"\\\\n# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。\\\\nrange_result_cache_size = \\\"512MB\\\"\\\\n# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。\\\\nprefilter_result_cache_size = \\\"128MB\\\"\\\\n# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。\\\\nmanifest_cache_size = \\\"256MB\\\"\\\\n\\\\n[region_engine.mito.index]\\\\n# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。\\\\nmetadata_cache_size = \\\"64MiB\\\"\\\\n# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。\\\\ncontent_cache_size = \\\"128MiB\\\"\\\\n# 索引内容缓存的页大小。\\\\ncontent_cache_page_size = \\\"64KiB\\\"\\\\n# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。\\\\nresult_cache_size = \\\"128MiB\\\"\\\\n# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。\\\\nstaging_size = \\\"2GB\\\"\\\\n```\\\\n\\\\n一些建议：\\\\n\\\\n- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\\\\n- 写入缓存通过 `index_cache_percent` 在数据文件和索引（puffin）文件之间拆分。如果 `greptime_mito_cache_bytes{type=\\\"index\\\"}` 已满，而 `greptime_mito_cache_bytes{type=\\\"file\\\"}` 未满，可以考虑增大 `index_cache_percent`。\\\\n- 如果某个缓存相比其配置容量长期较小，可以减小该缓存，并把资源分配给压力更高的缓存。\\\\n- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4。\\\\n- 如果缓存命中率低于 50%，则可以将缓存大小翻倍。\\\\n- 只有当索引搜索工作负载中 `greptime_mito_cache_bytes{type=\\\"index_staging\\\"}` 接近容量，或暂存目录未命中和淘汰显示存在压力时，才需要调大 `index.staging_size`。并非每个部署都需要增大该设置。\\\\n\\\\n### SST 格式\\\\n\\\\nGreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\\\\n\\\\n唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。\\\\n\\\\n### 尽可能使用 append-only 表\\\\n\\\\n一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\\\\n\\\\n如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\\\\n\\\\n### 禁用预写式日志(WAL)\\\\n\\\\n如果您是从 Kafka 等可以重放的数据源消费并写入到 GreptimeDB，可以通过禁用 WAL 来进一步提升写入吞吐量。\\\\n\\\\n请注意，当 WAL 被禁用后，未刷新到磁盘或对象存储的数据将无法恢复，需要从原始数据源重新恢复，比如重新从 Kafka 读取或重新抓取日志。\\\\n\\\\n通过设置表选项 `skip_wal='true'` 来禁用 WAL：\\\\n\\\\n```sql\\\\nCREATE TABLE logs(\\\\n message STRING,\\\\n ts TIMESTAMP TIME INDEX\\\\n) WITH (skip_wal = 'true');\\\\n```\\\\n\\\\n## 写入\\\\n\\\\n### 批量写入行\\\\n\\\\n批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\\\\n\\\\n### 按时间窗口写入\\\\n\\\\n虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\\\\n\\\\n通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并[指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\\\\n\\\\n### 指标\\\\n\\\\n以下指标有助于诊断写入问题。大多数指标可在官方 Grafana dashboard 中找到。需要自定义 PromQL 或深入排查时，可以使用下列指标名。\\\\n\\\\n| 指标 | 类型 | 描述 |\\\\n|---|---|---|\\\\n| greptime_table_operator_ingest_rows | counter | table operator 摄入的行数。可使用该指标的 rate 追踪总写入负载。 |\\\\n| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP 请求延迟。可使用 `path`、`method` 和 `code` 等标签定位写入相关延迟。 |\\\\n| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC 请求延迟。可使用 `path` 和 `code` 等标签定位写入相关延迟。 |\\\\n| greptime_mito_handle_request_elapsed_bucket | histogram | Datanode 上处理存储引擎请求的耗时。 |\\\\n| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时。 |\\\\n| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算）。 |\\\\n| greptime_mito_write_rows_total | counter | 写入存储引擎的行数。可用于比较不同 datanode 的写入负载。 |\\\\n| greptime_mito_write_stalling_count | gauge | 每个 worker 中当前被阻塞的写入请求数。 |\\\\n| greptime_mito_write_stall_total | counter | 由于高内存压力或临时 region 状态而被阻塞的写入请求总数。 |\\\\n| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的写入请求数。 |\\\\n| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时。 |\\\\n| greptime_mito_flush_requests_total | counter | 已调度的 flush 请求数。 |\\\\n| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时。 |\\\\n| greptime_mito_flush_bytes_total | counter | flush 到 SST 文件的字节数。 |\\\\n| greptime_mito_flush_file_total | counter | flush job 生成的 SST 文件数。 |\\\\n\\\\n### 检查写入吞吐和请求延迟\\\\n\\\\n使用 `rate(greptime_table_operator_ingest_rows[$__rate_interval])` 观察总摄入速率。协议层延迟请检查 `greptime_servers_http_requests_elapsed_bucket` 和 `greptime_servers_grpc_requests_elapsed_bucket`。可按 `path`、`method` 和 `code` 等标签过滤，将写入请求与健康检查、指标抓取和查询请求区分开。\\\\n\\\\n如果 frontend 协议延迟较高，请将它与 datanode 侧指标对比，例如 `greptime_mito_handle_request_elapsed_bucket` 和 `greptime_mito_write_stage_elapsed_bucket`。这有助于判断瓶颈是在进入存储引擎之前的请求处理阶段，还是在 datanode 写入路径内部。\\\\n\\\\n### 诊断 datanode 写入压力\\\\n\\\\n当 datanode 写入变慢或摄入延迟较高时，首先检查写入缓冲区是否存在压力：\\\\n\\\\n- `greptime_mito_write_buffer_bytes`\\\\n- `greptime_mito_write_stall_total`\\\\n- `greptime_mito_write_stalling_count`\\\\n- `greptime_mito_write_reject_total`\\\\n\\\\n写入阻塞表示 GreptimeDB 正在施加背压，而不是立即接受写入。当全局写入缓冲区达到 `global_write_buffer_size`，或 region 在内部状态变化期间暂时不可写时，可能出现阻塞。如果客户端收到类似 `Engine write buffer is full, rejecting write requests` 的错误，表示 datanode 已达到由 `global_write_buffer_reject_size` 控制的拒绝阈值。\\\\n\\\\n当 datanode 存在写入压力时，在调大写入缓冲区之前，请先检查 flush 性能和写入分布。增大写入缓冲区只会给 datanode 更多内存余量，并不能修复缓慢的 flush，也不能修复把大部分写入发送到单个 region 的不均衡表。\\\\n\\\\n### 检查 flush 性能\\\\n\\\\n如果写入缓冲区持续增长或写入频繁阻塞，请检查 flush 是否是瓶颈。使用 `greptime_mito_flush_elapsed` 查看 flush 延迟，并使用 `greptime_mito_flush_requests_total`、`greptime_mito_flush_bytes_total` 和 `greptime_mito_flush_file_total` 了解 flush 频率和吞吐。\\\\n\\\\nDatanode 日志也有助于识别慢 flush 和热点 region。搜索 `Successfully flush memtables`。该日志行包含 region、flush 原因、SST 文件、`total_rows`、`total_bytes`、`cost`、编码 part 数以及 flush metrics。可以用 `total_rows` 或 `total_bytes` 除以 `cost` 来估算 flush 吞吐。\\\\n\\\\n如果 flush 耗时较高，例如达到 30 秒或更久，或者 flush 吞吐低于摄入速度，增大写入缓冲区通常只会延后阻塞或拒绝。在这种情况下，请检查表分区和 region 分布，让 flush 工作可以分散到更多 region 和 datanode。\\\\n\\\\n如果 flush job 很快，通常几秒内完成，但 flush 请求速率较高且写入缓冲区压力经常出现，增大写入缓冲区可以帮助降低 flush 频率。\\\\n\\\\n### 检查写入分布\\\\n\\\\n对于分区表，请检查写入是否均匀分布在 datanode 和 region 之间。使用 `greptime_mito_write_rows_total` 比较 datanode 级别的写入行数，并使用 `greptime_mito_handle_request_elapsed_bucket` 比较 datanode 请求延迟。\\\\n\\\\n也可以查询 [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md)，查看 `written_bytes_since_open` 和 `memtable_size` 等 region 级统计信息。如果某个 datanode 或某个 region 接收了大部分写入负载，请先调整表分区，让负载分散到更多 region 和 datanode，再考虑增大写入缓冲区。\\\\n\\\\n### 调整写入缓冲区大小\\\\n\\\\n如果阻塞或拒绝是由写入缓冲区压力导致的，并且 flush 性能和写入分布都正常，可以考虑增大 `region_engine.mito.global_write_buffer_size`。这对日志或链路追踪等大行工作负载最有用。默认情况下，`global_write_buffer_size` 会自动设置为操作系统内存的 1/8，最大 1GB。请逐步增大，例如调为 2 到 4 倍，并观察 datanode 内存使用情况。\\\\n\\\\n多数情况下，请保持 `region_engine.mito.global_write_buffer_reject_size` 未设置，让 GreptimeDB 使用默认的拒绝阈值，即 `global_write_buffer_size` 的 2 倍。如果希望在内存压力下更早失败，可以根据可用 datanode 内存以及希望多早拒绝请求，手动设置一个有意保留的边界，通常为 `global_write_buffer_size` 的 1.5 到 2 倍。该值必须大于 `global_write_buffer_size`；否则 GreptimeDB 会将其修正回 2 倍。\\\\n\\\\n示例：\\\\n\\\\n```toml\\\\n[[region_engine]]\\\\n[region_engine.mito]\\\\nglobal_write_buffer_size = \\\"2GB\\\"\\\\n# 可选。除非需要自定义拒绝边界，否则保持未设置。\\\\nglobal_write_buffer_reject_size = \\\"3GB\\\"\\\\n```\\\\n\\\\n## 表结构\\\\n\\\\n### 使用多值\\\\n\\\\n在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\\\\n\\\\n例如，以下三个表收集了 CPU 的使用率指标。\\\\n\\\\n```sql\\\\nCREATE TABLE IF NOT EXISTS cpu_usage_user (\\\\n hostname STRING NULL,\\\\n usage_value BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\nCREATE TABLE IF NOT EXISTS cpu_usage_system (\\\\n hostname STRING NULL,\\\\n usage_value BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\nCREATE TABLE IF NOT EXISTS cpu_usage_idle (\\\\n hostname STRING NULL,\\\\n usage_value BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\n```\\\\n\\\\n我们可以将它们合并为一个具有三个字段的表。\\\\n\\\\n```sql\\\\nCREATE TABLE IF NOT EXISTS cpu (\\\\n hostname STRING NULL,\\\\n usage_user BIGINT NULL,\\\\n usage_system BIGINT NULL,\\\\n usage_idle BIGINT NULL,\\\\n ts TIMESTAMP(9) NOT NULL,\\\\n TIME INDEX (ts),\\\\n PRIMARY KEY (hostname)\\\\n);\\\\n```\\\\n\\\\n## 采集性能分析数据\\\\n\\\\n当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\\\\n\\\\n性能分析与平台相关，在某些平台或构建中可能不可用。CPU profiling 在大多数 Unix 平台上可用。Memory profiling 在 Linux 上可用，但在 macOS 或 Windows 上不可用。生成火焰图会消耗额外内存，因为 GreptimeDB 需要在进程内解析 profile 并符号化栈信息。从接近内存限制的节点采集火焰图时请格外谨慎。\\\\n\\\\n性能分析是节点本地的。请将以下示例中的 `127.0.0.1:4000` 替换为 CPU 或内存使用率较高的 GreptimeDB 节点的 HTTP 地址。\\\\n\\\\n### CPU profiling\\\\n\\\\n在 CPU 使用率较高时采集 10 秒 CPU 火焰图：\\\\n\\\\n```bash\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\\\\n```\\\\n\\\\n### Memory profiling\\\\n\\\\nMemory profiling 需要启用 heap profiling。官方 Docker 镜像默认启用 heap profiling。对于自行构建或非 Docker 部署，建议默认以启用 heap profiling 的方式启动 GreptimeDB：\\\\n\\\\n```bash\\\\nMALLOC_CONF=prof:true ./greptime standalone start\\\\n```\\\\n\\\\n当内存使用率较高时采集内存火焰图，尤其是在内存仍在增长或达到新峰值时：\\\\n\\\\n```bash\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\\\\n```\\\\n\\\\n也可以在不同时间采集两份内存 profile 并进行对比，以识别新增分配：\\\\n\\\\n```bash\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\\\\n```\\\\n\\\\n端点参考请参阅[性能分析工具](/reference/http-endpoints.md#性能分析工具)。\\\\n\\\\n报告问题时，请包含：\\\\n\\\\n- GreptimeDB 版本和部署模式。\\\\n- 受影响的组件或节点。\\\\n- CPU 火焰图或内存火焰图/profile 文件。\\\\n- 问题发生的大致时间范围和工作负载。\\\\n- 可用的相关指标和日志。\\\\n'''\\np.write_text(content)\\nPY\\n\\ngit diff -- i18n/zh/docusaurus-plugin-content-docs/current | sed -n '1,220p'\",\"workdir\":\"/workspace/docs\",\"yield_time_ms\":1000,\"max_output_tokens\":30000}",{"_461":648,"_442":443,"_463":449},{"_464":-5,"_539":649,"_42":-5,"_467":-5,"_541":650,"_93":543},"gAAAAABqOpbclSJGW7UVT1UP4LQkYkFMh7GyPSUi7i6B1FPVrHPKzvj1hWk4iq1s64JiSTihmoeQhY-qb5Rpw4lbRtTmvPqpWfquz0Yvh_4ALXgKZ-rNiGK6C2tK_0oC1MJk64bKpA66_5oOXBO_RXN-rpT44mI1cZr4blyHHFBAInFkd_PF6cdiYSkCHbuRBm1B5qsxmbaoMilDqduC3EifRzKtx2prhBPQFTa1xtAV7YsO_dkSv-K0w50F2rhWfQ24e7l1sqtFBJjdPLaC9MA0gq0f9LLx181RWV_PH0wT9AkvHYvLQmz3doCiopqxBbrQabijnyg2tIixVWH7I8Qvl7ZIgkOsxIi3lpxF1MGkjhpc3clIjqf42ZqZlzDYjIGY2iEmxsOy2ZKDZOonxY9MoKae1IADM5zv3Q00-GBz6xulMF5X9qcTlT871SnmLXYmSsyAYNOWL2uDllrkGlfyvZ8e4PiQf-htWnGaBbhON1-fG6pYb7jnvpVEyW-RPUyRpkAJUP4XjN6zgWC4MJHN8YICHvv961vZdDyweqYjmmOSLpYX7KenLyD4Edhh54VAtEkSkePzOqfLTqoGThpDzbE9ZxqyhHt-yA7hGwgo5u2dt0DUVMENGl3lcXuZBiBYRSQmcSk_zrchir1Ct32c_Aon2YNMilmhBRxAhbRwc-rJGsOgvmd23nVrOj2JLuoFyTqMu5kDEp0tzrwtJXvxrdFG2PNeNvYi67MLJKh4EGPuvg9KogsLtk2X-kOqGN2cLG74YZhzip1jQ783lqEB4CxO3lZsHI1GWhipvHhPF1Ljjm3aHwy4BdTNLAsQ5G3qGjLnGa0Hpogtp4ka9BU0S7jCK0-RO_7FFhD5kncS_MVUblsCE8RItS1hULyGNutitMg_R6nPP_V_5xjnd6kle-qPkiy-HNzN5lDKc1fA-Xi5FZyc2LF9y9JX3_MWbD8oCnD8Up9Es0vyW7FjZnoDwblARmpmdqbxusMpxKxs3eod6spy8hEeM2v0NRZkLDFZVQ-rLRkcNyMKk1T7lgB_I-Jp_pCiwb-9fA8g5TQbZpFCvP1OMrw=",[651],{"_46":652,"_93":599},"**Considering file replacement**\n\nI'm thinking about how to replace the entire file to make it easier to translate based on the current content. I could use the command like `cat > file` to handle this, which should preserve the frontmatter. It sounds pretty straightforward, but I want to make sure I'm executing it correctly to avoid losing any important information. I'll take care to check that everything is in order and nothing is missing before finalizing the replacement!",{"_461":654,"_442":443,"_463":449},{"_464":655,"_42":656,"_541":657,"_93":543},[],"rs_04f0f4825f373d32016a3a96da3258819896878ca197ec0b84",[652],{"_461":659,"_442":443,"_463":449},{"_488":-5,"_490":660,"_492":661,"_494":495,"_447":662,"_496":32,"_42":663,"_497":664,"_499":500,"_454":114,"_93":501},"/bin/bash -lc \"python3 - <<'PY'\nfrom pathlib import Path\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md')\ns=p.read_text()\ns=s.replace('| \"'`selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |'\"', '| \"'`selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |'\"\\\\n| \"'`range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |'\"\\\\n| \"'`prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |'\"')\ns=s.replace('| \"'`index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |'\"', '| \"'`index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |'\"')\ns=s.replace('| \"'`index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |'\"', '| \"'`index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |'\"')\ns=s.replace('| \"'`index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |'\"', '| \"'`index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |'\"')\np.write_text(s)\nPY\"",[665],508,"call_4y2FtGWNY0mI3FF0rpLcq5s3","44414",{"_490":666,"_93":589},"python3 - <<'PY'\nfrom pathlib import Path\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md')\ns=p.read_text()\ns=s.replace('| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |', '| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |\\n| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |\\n| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |')\ns=s.replace('| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |', '| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |')\ns=s.replace('| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |', '| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |')\ns=s.replace('| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |', '| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |')\np.write_text(s)\nPY",{"_461":668,"_442":443,"_463":449},{"_481":663,"_467":-5,"_483":669,"_93":485},"Chunk ID: 4099fa\nWall time: 0.4046 seconds\nProcess exited with code 0\nOriginal token count: 0\nOutput:\n",{"_461":671,"_442":443,"_463":449},{"_513":672,"_481":663,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"python3 - <<'PY'\\nfrom pathlib import Path\\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md')\\ns=p.read_text()\\ns=s.replace('| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |', '| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |\\\\n| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |\\\\n| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |')\\ns=s.replace('| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |', '| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |')\\ns=s.replace('| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |', '| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |')\\ns=s.replace('| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |', '| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |')\\np.write_text(s)\\nPY\"}",{"_461":674,"_442":443,"_463":449},{"_488":-5,"_490":675,"_492":676,"_494":495,"_447":677,"_496":32,"_42":678,"_497":679,"_499":500,"_454":114,"_93":501},"/bin/bash -lc \"python3 - <<'PY'\nfrom pathlib import Path\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md')\ns=p.read_text()\nold='''### 性能分析工具\\\\n\\\\n- **基础路径**: \"'`/debug/prof/`'\"\\\\n- **端点**:\\\\n - \"'`cpu`'\"\\\\n - \"'`mem`'\"\\\\n- **方法**: \"'`POST` 用于分析数据库节点。'\"\\\\n- **描述**: 运行时 CPU 或内存使用情况分析。\\\\n- **用法**:\\\\n - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\\\\n - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\\\\n'''\nnew='''### 性能分析工具\\\\n\\\\n- **基础路径**: \"'`/debug/prof/`'\"\\\\n- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\\\\n\\\\nCPU 性能分析：\\\\n\\\\n| 路径 | 方法 | 描述 |\\\\n| --- | --- | --- |\\\\n| \"'`/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |'\"\\\\n\\\\n示例：\\\\n\\\\n\"'```bash'\"\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\\\\n\"'```'\"\\\\n\\\\n内存性能分析：\\\\n\\\\n| 路径 | 方法 | 描述 |\\\\n| --- | --- | --- |\\\\n| \"'`/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |'\"\\\\n| \"'`/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |'\"\\\\n| \"'`/debug/prof/mem/activate` | `POST` | 启用堆分析。 |'\"\\\\n| \"'`/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |'\"\\\\n| \"'`/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |'\"\\\\n| \"'`/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |'\"\\\\n| \"'`/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |'\"\\\\n\\\\n示例：\\\\n\\\\n\"'```bash'\"\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\\\\ncurl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\\\\ncurl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\\\\n\"'```'\"\\\\n\\\\n运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\\\\n'''\nif old not in s: raise SystemExit('old http block not found')\np.write_text(s.replace(old,new))\nPY\"",[680],2645,"call_VTtYsv4jyXkvgQBDISQEa43N","9714",{"_490":681,"_93":589},"python3 - <<'PY'\nfrom pathlib import Path\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md')\ns=p.read_text()\nold='''### 性能分析工具\\n\\n- **基础路径**: `/debug/prof/`\\n- **端点**:\\n - `cpu`\\n - `mem`\\n- **方法**: `POST` 用于分析数据库节点。\\n- **描述**: 运行时 CPU 或内存使用情况分析。\\n- **用法**:\\n - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\\n - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\\n'''\nnew='''### 性能分析工具\\n\\n- **基础路径**: `/debug/prof/`\\n- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\\n\\nCPU 性能分析：\\n\\n| 路径 | 方法 | 描述 |\\n| --- | --- | --- |\\n| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |\\n\\n示例：\\n\\n```bash\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\\n```\\n\\n内存性能分析：\\n\\n| 路径 | 方法 | 描述 |\\n| --- | --- | --- |\\n| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |\\n| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |\\n| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |\\n| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |\\n| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |\\n| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |\\n| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |\\n\\n示例：\\n\\n```bash\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\\ncurl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\\ncurl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\\n```\\n\\n运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\\n'''\nif old not in s: raise SystemExit('old http block not found')\np.write_text(s.replace(old,new))\nPY",{"_461":683,"_442":443,"_463":449},{"_481":678,"_467":-5,"_483":684,"_93":485},"Chunk ID: 6fd299\nWall time: 2.5452 seconds\nProcess exited with code 0\nOriginal token count: 0\nOutput:\n",{"_461":686,"_442":443,"_463":449},{"_513":687,"_481":678,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"python3 - <<'PY'\\nfrom pathlib import Path\\np=Path('i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md')\\ns=p.read_text()\\nold='''### 性能分析工具\\\\n\\\\n- **基础路径**: `/debug/prof/`\\\\n- **端点**:\\\\n - `cpu`\\\\n - `mem`\\\\n- **方法**: `POST` 用于分析数据库节点。\\\\n- **描述**: 运行时 CPU 或内存使用情况分析。\\\\n- **用法**:\\\\n - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\\\\n - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\\\\n'''\\nnew='''### 性能分析工具\\\\n\\\\n- **基础路径**: `/debug/prof/`\\\\n- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\\\\n\\\\nCPU 性能分析：\\\\n\\\\n| 路径 | 方法 | 描述 |\\\\n| --- | --- | --- |\\\\n| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |\\\\n\\\\n示例：\\\\n\\\\n```bash\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\\\\n```\\\\n\\\\n内存性能分析：\\\\n\\\\n| 路径 | 方法 | 描述 |\\\\n| --- | --- | --- |\\\\n| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |\\\\n| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |\\\\n| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |\\\\n| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |\\\\n| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |\\\\n| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |\\\\n| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |\\\\n\\\\n示例：\\\\n\\\\n```bash\\\\ncurl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\\\\ncurl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\\\\ncurl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\\\\n```\\\\n\\\\n运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\\\\n'''\\nif old not in s: raise SystemExit('old http block not found')\\np.write_text(s.replace(old,new))\\nPY\"}",{"_461":689,"_442":443,"_463":449},{"_464":-5,"_539":690,"_42":-5,"_467":-5,"_541":691,"_93":543},"gAAAAABqOpa6gFvGo4gMoaHEKE9xjsIAX78-vc2F5p4VFKIXnv6pta_Zk8bq8lwVgPSDAVeQZOoIRQj9ZLNoQq8FjKGiZcEDy2ovqLo4lT6lEcVRh0tMB16bP5uWKS63_7QPenfLUCLhMtge-mDUgTxj4Dkod5tg_Pjy2KtQQ6QMsZfv4R16KZB4YvsjYIxs35jn7LKv6UPHkb6jpC-YbSjA_VECui7g2YXSsPI9J3UkqU8o-l9BBQNoZ8vWCg6w3jirehHL6paN8tMYIVvfWIDJ228BDtNzBzhOtP0NZ6etMHo0Lupm3Wm7bUCUZ7SGChGOo48zmxeXbyDzZA1fT1ZuBdJM0vGyYfi148KFnUGIzn9PY2tl1AR7QbjTAKc1roBh15KO-AaUiIVRRAEpFwCLW94VVGsWaW7MfRcB4Pt9Fmiii-N5NygV9xDfci2t2xelsXaqsaEoTeDmXyst-GoCEVpyhiA2UPhQOAhqXtZcAs7IdJPEkqZg7zbALC0448WQLXys-tiHUqQpZqH8mLhNyGbkEX4hombP-zotra0FGLmBbyw2k8tQjhtWDNXZK3Bi4GM9xBbmKD-vuXaArxAUzKC_Td4jZmeP3xkPBoISipjJqU6rYZRkARIqRFqkOOOcnJnDN5F0gqXGMCH6bhaA9Xt-BGKGmjsU--XUS26w3TXB4h8x0VB-ZP6BFN0OFE2x9l9lpb_SHRomveFPFEB3xI-tpmi2tIxPiIheAvI_ONAHpdBxA9GLSsyvkPaPVI1s0VPy_mB-KscLAjtjhcAm6NuSKTvTPO_zO4TP6qFOjqM_U9R6TE3iURNcbjqBWaKOY3f9DPcszQyHn6JklrLEugWN2qakNGENu7s9VuehRFStVcfIC0RNkmWoSHh95_VCUMTm0t0pwl-YTqciAWm_awg47BBY-q9_OXe8N985JBiJqDnXzgtNkx5G0aYB_xtz80MwMZeErn3Ue5-4nx_Az0E-CsvVTF-7a9Hjn06vSo5h9qqcgYw=",[692],{"_46":693,"_93":599},"**Planning a script for replacements**\n\nI need to apply some significant changes using a Python script. It seems straightforward, but I want to make sure I'm targeting everything correctly to avoid missing any detail. Maybe I should double-check the criteria I plan to use for the replacements, just to be extra sure I'm thorough. If I take the time to plan it out carefully, I’ll hopefully save myself some hassle later on!",{"_461":695,"_442":443,"_463":449},{"_464":696,"_42":697,"_541":698,"_93":543},[],"rs_04f0f4825f373d32016a3a96b89a348198978a0992f7b98452",[693],{"_461":700,"_442":443,"_463":449},{"_481":701,"_467":-5,"_483":702,"_93":485},"call_1Edb9S7AwRwKZch8m8r9sl1V","Chunk ID: 439fb0\nWall time: 0.0001 seconds\nProcess exited with code 0\nOriginal token count: 4510\nOutput:\n```\n\n禁用链路追踪示例：\n\n```bash\ncurl --data \"false\" http://127.0.0.1:4000/debug/enable_trace\n# 输出: trace disabled\n```\n\n有关链路追踪配置的更多信息，请参阅[链路追踪文档](/user-guide/deployments-administration/monitoring/tracing.md)。\n\n### 性能分析工具\n\n- **基础路径**: `/debug/prof/`\n- **端点**:\n - `cpu`\n - `mem`\n- **方法**: `POST` 用于分析数据库节点。\n- **描述**: 运行时 CPU 或内存使用情况分析。\n- **用法**:\n - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\n - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n\n## 查询端点\n\n用于向 GreptimeDB 发送查询的各种查询 API。\n\n### SQL API\n\n- **路径**: `/v1/sql`\n- **方法**: `GET`, `POST`\n- **描述**: 执行 SQL 查询。\n- **用法**: 在请求体中发送 SQL 语句。\n\n有关 SQL API 的更多信息，请参阅用户指南中的 [HTTP API 文档](/user-guide/protocols/http.md#post-sql-statements)。\n\n### PromQL API\n\n- **路径**: `/v1/promql`\n- **方法**: `GET`, `POST`\n- **描述**: 执行 PromQL 查询以获取 Prometheus 兼容的指标，并以 GreptimeDB 的 JSON 格式返回数据。\n- **用法**: 在请求体中发送 PromQL 语句。\n\n有关 PromQL API 的更多信息，请参阅 [PromQL 文档](/user-guide/query-data/promql.md)。\n\n## 协议端点\n\n与 GreptimeDB 兼容的各种协议的端点。如 InfluxDB、Prometheus、OpenTelemetry 等。\n\n### InfluxDB 兼容性\n\n- **路径**:\n - `/v1/influxdb/write`\n - `/v1/influxdb/api/v2/write`\n - `/v1/influxdb/ping`\n - `/v1/influxdb/health`\n- **方法**:\n - `POST` 用于写入端点。\n - `GET` 用于 ping 和健康检查端点。\n- **描述**: 提供与 InfluxDB 兼容的数据写入和健康检查端点。\n- **用法**:\n| `max_background_purges` | 整数 | 自动 | 后台 purge 任务数（默认：CPU 核心数）。 |\n| `auto_flush_interval` | 字符串 | `1h` | 自动 flush 超过 `auto_flush_interval` 没 flush 的 region |\n| `global_write_buffer_size` | 字符串 | `1GB` | 写入缓冲区大小，默认值为内存总量的 1/8，但不会超过 1GB |\n| `global_write_buffer_reject_size` | 字符串 | `2GB` | 写入缓冲区内数据的大小超过 `global_write_buffer_reject_size` 后拒绝写入请求，默认为 `global_write_buffer_size` 的 2 倍 |\n| `sst_meta_cache_size` | 字符串 | `128MB` | SST 元数据缓存大小。设为 0 可关闭该缓存
默认为内存的 1/32，不超过 128MB |\n| `vector_cache_size` | 字符串 | `512MB` | 内存向量和 arrow array 的缓存大小。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n| `page_cache_size` | 字符串 | `512MB` | SST 数据页的缓存。设为 0 可关闭该缓存
默认为内存的 1/8 |\n| `write_cache_size` | 字符串 | `5GiB` | 写入缓存容量。如果磁盘空间充足，建议设置更大的值。 |\n| `write_cache_ttl` | 字符串 | `8h` | 写入缓存的 TTL。默认为 8 小时。 |\n| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\n| `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |\n| `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |\n| `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |\n| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n| `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |\n| `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |\n| `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |\n| `scan_memory_limit` | 字符串 | `unlimited` | 所有查询的表扫描内存限制。支持绝对大小（如 \"2GB\"）或系统内存百分比（如 \"20%\"）。设为 0 或 \"unlimited\" 可禁用限制。 |\n| `scan_memory_on_exhausted` | 字符串 | `fail` | 扫描内存耗尽时的行为。选项：`fail`（快速失败），`wait` 或 `wait()`（等待内存）。 |\n| `min_compaction_interval` | 字符串 | `0m` | 两次 compaction 之间的最小时间间隔。设为 \"0m\"（默认）允许 compactions 立即运行，无限制。 |\n| `schedule_compaction_after_edit` | 布尔值 | `true` | 是否允许在成功的 region edit 之后调度 compaction。
设为 `true` 是在 region edit 后调度 compaction 的必要但不充分条件，`min_compaction_interval` 等其他约束仍可能阻止 compaction 被调度。
设为 `false` 则保证 region edit 后不会调度 compaction。 |\n| `default_flat_format` | 布尔值 | `true` | 是否启用 Flat 格式作为默认 SST 格式。 |\n| `scan_parallelism` | 整数 | `0` | （已弃用，请使用 `max_concurrent_scan_files`）旧版扫描并发度选项。 |\n| `index` | -- | -- | Mito 引擎中索引的选项。 |\n| `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |\n| `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |\n| `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |\n| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |\n| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |\n| `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |\n| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |\n| `inverted_index.create_on_flush` | 字符串 | `auto` | 是否在 flush 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n| `inverted_index.create_on_compaction` | 字符串 | `auto` | 是否在 compaction 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n| `inverted_index.apply_on_query` | 字符串 | `auto` | 是否在查询时使用索引
- `auto`: 自动
- `disable`: 从不 |\n| `inverted_index.mem_threshold_on_create` | 字符串 | `64M` | 创建索引时如果超过该内存阈值则改为使用外部排序
设置为空会关闭外排，在内存中完成所有排序 |\n| `inverted_index.intermediate_path` | 字符串 | `\"\"` | 存放外排临时文件的路径 (默认 `{data_home}/index_intermediate`). |\n| `memtable.type` | 字符串 | `time_series` | Memtable type.
- `time_series`: time-series memtable
- `partition_tree`: partition tree memtable (实验性功能) |\n| `memtable.index_max_keys_per_shard` | 整数 | `8192` | 一个 shard 内的主键数
只对 `partition_tree` memtable 生效 |\n| `memtable.data_freeze_threshold` | 整数 | `32768` | 一个 shard 内写缓存可容纳的最大行数
只对 `partition_tree` memtable 生效 |\n| `memtable.fork_dictionary_bytes` | 字符串 | `1GiB` | 主键字典的大小
只对 `partition_tree` memtable 生效 |\n\n`metric` 引擎针对包含大量小表的 metrics 数据进行了优化：\n\n```toml\n[[region_engine]]\n[region_engine.metric]\n---\nkeywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ndescription: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\n---\n\n# 性能调优技巧\n\nGreptimeDB 实例的默认配置可能不适合所有场景。因此根据场景调整数据库配置和使用方式相当重要。\n\nGreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\n\n## 查询\n\n### ANALYZE QUERY\n\nGreptimeDB 支持查询分析功能，通过 `EXPLAIN ANALYZE [VERBOSE] ` 语句可以看到逐步的查询耗时。\n\n### 指标\n\n以下指标可用于诊断查询性能问题：\n| 指标 | 类型 | 描述 |\n|---|---|---|\n| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\n| greptime_mito_cache_bytes | gauge | 缓存内容的大小 |\n| greptime_mito_cache_hit | counter | 缓存命中总数 |\n| greptime_mito_cache_miss | counter | 缓存未命中总数 |\n\n\n### 增大缓存大小\n\n可以监控 `greptime_mito_cache_bytes` 和 `greptime_mito_cache_miss` 指标来确定是否需要增加缓存大小。这些指标中的 `type` 标签表示缓存的类型。\n\n如果 `greptime_mito_cache_miss` 指标一直很高并不断增加，或者 `greptime_mito_cache_bytes` 指标达到缓存容量，可能需要调整存储引擎的缓存大小配置。\n\n以下是一个例子：\n\n\n```toml\n[[region_engine]]\n[region_engine.mito]\n# 写入缓存的缓存大小。此缓存的 `type` 标签值为 `file`。\nwrite_cache_size = \"10G\"\n# 在写入缓存未命中时从对象存储下载文件填充缓存\nenable_refill_cache_on_read = true\n# SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\nsst_meta_cache_size = \"128MB\"\n# 向量和箭头数组的缓存大小。此缓存的 `type` 标签值为 `vector`。\nvector_cache_size = \"512MB\"\n# SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\npage_cache_size = \"512MB\"\n# 时间序列查询结果（例如 `last_value()`）的缓存大小。此缓存的 `type` 标签值为 `selector_result`。\nselector_result_cache_size = \"512MB\"\n\n[region_engine.mito.index]\n## 索引暂存目录的最大容量。\nstaging_size = \"10GB\"\n```\n\n\n一些建议：\n- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\n- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4\n- 如果缓存命中率低于 50%，则可以将缓存大小翻倍\n- 如果使用全文索引，至少将 `staging_size` 设置为磁盘空间的 1/10\n\n\n### SST 格式\n\nGreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\n\n唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。\n\n\n### 尽可能使用 append-only 表\n\n一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\n\n如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\n\n### 禁用预写式日志(WAL)\n\n如果您是从 Kafka 等可以重放的数据源消费并写入到 GreptimeDB，可以通过禁用 WAL 来进一步提升写入吞吐量。\n\n请注意，当 WAL 被禁用后，未刷新到磁盘或对象存储的数据将无法恢复，需要从原始数据源重新恢复，比如重新从 Kafka 读取或重新抓取日志。\n\n通过设置表选项 `skip_wal='true'` 来禁用 WAL：\n\n```sql\nCREATE TABLE logs(\n message STRING,\n ts TIMESTAMP TIME INDEX\n) WITH (skip_wal = 'true');\n```\n\n## 写入\n\n### 指标\n\n以下指标有助于诊断写入问题：\n\n| 指标 | 类型 | 描述 |\n|---|---|---|\n| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时 |\n| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算） |\n| greptime_mito_write_rows_total | counter | 写入存储引擎的行数 |\n| greptime_mito_write_stall_total | gauge | 当前由于内存压力过高而被阻塞的行数 |\n| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的行数 |\n| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时 |\n| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时 |\n\n\n### 批量写入行\n\n批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n\n### 按时间窗口写入\n虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\n\n通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并 [指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\n\n\n## 表结构\n\n### 使用多值\n\n在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\n\n\n例如，以下三个表收集了 CPU 的使用率指标。\n\n```sql\nCREATE TABLE IF NOT EXISTS cpu_usage_user (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\nCREATE TABLE IF NOT EXISTS cpu_usage_system (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\nCREATE TABLE IF NOT EXISTS cpu_usage_idle (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\n```\n\n我们可以将它们合并为一个具有三个字段的表。\n\n```sql\nCREATE TABLE IF NOT EXISTS cpu (\n hostname STRING NULL,\n usage_user BIGINT NULL,\n usage_system BIGINT NULL,\n usage_idle BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\n```\n",{"_461":704,"_442":443,"_463":449},{"_488":705,"_490":706,"_492":707,"_494":495,"_447":32,"_496":32,"_42":701,"_497":708,"_499":500,"_454":114,"_93":501},"```\n\n禁用链路追踪示例：\n\n```bash\ncurl --data \"false\" http://127.0.0.1:4000/debug/enable_trace\n# 输出: trace disabled\n```\n\n有关链路追踪配置的更多信息，请参阅[链路追踪文档](/user-guide/deployments-administration/monitoring/tracing.md)。\n\n### 性能分析工具\n\n- **基础路径**: `/debug/prof/`\n- **端点**:\n - `cpu`\n - `mem`\n- **方法**: `POST` 用于分析数据库节点。\n- **描述**: 运行时 CPU 或内存使用情况分析。\n- **用法**:\n - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\n - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n\n## 查询端点\n\n用于向 GreptimeDB 发送查询的各种查询 API。\n\n### SQL API\n\n- **路径**: `/v1/sql`\n- **方法**: `GET`, `POST`\n- **描述**: 执行 SQL 查询。\n- **用法**: 在请求体中发送 SQL 语句。\n\n有关 SQL API 的更多信息，请参阅用户指南中的 [HTTP API 文档](/user-guide/protocols/http.md#post-sql-statements)。\n\n### PromQL API\n\n- **路径**: `/v1/promql`\n- **方法**: `GET`, `POST`\n- **描述**: 执行 PromQL 查询以获取 Prometheus 兼容的指标，并以 GreptimeDB 的 JSON 格式返回数据。\n- **用法**: 在请求体中发送 PromQL 语句。\n\n有关 PromQL API 的更多信息，请参阅 [PromQL 文档](/user-guide/query-data/promql.md)。\n\n## 协议端点\n\n与 GreptimeDB 兼容的各种协议的端点。如 InfluxDB、Prometheus、OpenTelemetry 等。\n\n### InfluxDB 兼容性\n\n- **路径**:\n - `/v1/influxdb/write`\n - `/v1/influxdb/api/v2/write`\n - `/v1/influxdb/ping`\n - `/v1/influxdb/health`\n- **方法**:\n - `POST` 用于写入端点。\n - `GET` 用于 ping 和健康检查端点。\n- **描述**: 提供与 InfluxDB 兼容的数据写入和健康检查端点。\n- **用法**:\n| `max_background_purges` | 整数 | 自动 | 后台 purge 任务数（默认：CPU 核心数）。 |\n| `auto_flush_interval` | 字符串 | `1h` | 自动 flush 超过 `auto_flush_interval` 没 flush 的 region |\n| `global_write_buffer_size` | 字符串 | `1GB` | 写入缓冲区大小，默认值为内存总量的 1/8，但不会超过 1GB |\n| `global_write_buffer_reject_size` | 字符串 | `2GB` | 写入缓冲区内数据的大小超过 `global_write_buffer_reject_size` 后拒绝写入请求，默认为 `global_write_buffer_size` 的 2 倍 |\n| `sst_meta_cache_size` | 字符串 | `128MB` | SST 元数据缓存大小。设为 0 可关闭该缓存
默认为内存的 1/32，不超过 128MB |\n| `vector_cache_size` | 字符串 | `512MB` | 内存向量和 arrow array 的缓存大小。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n| `page_cache_size` | 字符串 | `512MB` | SST 数据页的缓存。设为 0 可关闭该缓存
默认为内存的 1/8 |\n| `write_cache_size` | 字符串 | `5GiB` | 写入缓存容量。如果磁盘空间充足，建议设置更大的值。 |\n| `write_cache_ttl` | 字符串 | `8h` | 写入缓存的 TTL。默认为 8 小时。 |\n| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\n| `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |\n| `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |\n| `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |\n| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n| `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |\n| `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |\n| `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |\n| `scan_memory_limit` | 字符串 | `unlimited` | 所有查询的表扫描内存限制。支持绝对大小（如 \"2GB\"）或系统内存百分比（如 \"20%\"）。设为 0 或 \"unlimited\" 可禁用限制。 |\n| `scan_memory_on_exhausted` | 字符串 | `fail` | 扫描内存耗尽时的行为。选项：`fail`（快速失败），`wait` 或 `wait()`（等待内存）。 |\n| `min_compaction_interval` | 字符串 | `0m` | 两次 compaction 之间的最小时间间隔。设为 \"0m\"（默认）允许 compactions 立即运行，无限制。 |\n| `schedule_compaction_after_edit` | 布尔值 | `true` | 是否允许在成功的 region edit 之后调度 compaction。
设为 `true` 是在 region edit 后调度 compaction 的必要但不充分条件，`min_compaction_interval` 等其他约束仍可能阻止 compaction 被调度。
设为 `false` 则保证 region edit 后不会调度 compaction。 |\n| `default_flat_format` | 布尔值 | `true` | 是否启用 Flat 格式作为默认 SST 格式。 |\n| `scan_parallelism` | 整数 | `0` | （已弃用，请使用 `max_concurrent_scan_files`）旧版扫描并发度选项。 |\n| `index` | -- | -- | Mito 引擎中索引的选项。 |\n| `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |\n| `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |\n| `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |\n| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |\n| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |\n| `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |\n| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |\n| `inverted_index.create_on_flush` | 字符串 | `auto` | 是否在 flush 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n| `inverted_index.create_on_compaction` | 字符串 | `auto` | 是否在 compaction 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n| `inverted_index.apply_on_query` | 字符串 | `auto` | 是否在查询时使用索引
- `auto`: 自动
- `disable`: 从不 |\n| `inverted_index.mem_threshold_on_create` | 字符串 | `64M` | 创建索引时如果超过该内存阈值则改为使用外部排序
设置为空会关闭外排，在内存中完成所有排序 |\n| `inverted_index.intermediate_path` | 字符串 | `\"\"` | 存放外排临时文件的路径 (默认 `{data_home}/index_intermediate`). |\n| `memtable.type` | 字符串 | `time_series` | Memtable type.
- `time_series`: time-series memtable
- `partition_tree`: partition tree memtable (实验性功能) |\n| `memtable.index_max_keys_per_shard` | 整数 | `8192` | 一个 shard 内的主键数
只对 `partition_tree` memtable 生效 |\n| `memtable.data_freeze_threshold` | 整数 | `32768` | 一个 shard 内写缓存可容纳的最大行数
只对 `partition_tree` memtable 生效 |\n| `memtable.fork_dictionary_bytes` | 字符串 | `1GiB` | 主键字典的大小
只对 `partition_tree` memtable 生效 |\n\n`metric` 引擎针对包含大量小表的 metrics 数据进行了优化：\n\n```toml\n[[region_engine]]\n[region_engine.metric]\n---\nkeywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ndescription: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\n---\n\n# 性能调优技巧\n\nGreptimeDB 实例的默认配置可能不适合所有场景。因此根据场景调整数据库配置和使用方式相当重要。\n\nGreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\n\n## 查询\n\n### ANALYZE QUERY\n\nGreptimeDB 支持查询分析功能，通过 `EXPLAIN ANALYZE [VERBOSE] ` 语句可以看到逐步的查询耗时。\n\n### 指标\n\n以下指标可用于诊断查询性能问题：\n| 指标 | 类型 | 描述 |\n|---|---|---|\n| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\n| greptime_mito_cache_bytes | gauge | 缓存内容的大小 |\n| greptime_mito_cache_hit | counter | 缓存命中总数 |\n| greptime_mito_cache_miss | counter | 缓存未命中总数 |\n\n\n### 增大缓存大小\n\n可以监控 `greptime_mito_cache_bytes` 和 `greptime_mito_cache_miss` 指标来确定是否需要增加缓存大小。这些指标中的 `type` 标签表示缓存的类型。\n\n如果 `greptime_mito_cache_miss` 指标一直很高并不断增加，或者 `greptime_mito_cache_bytes` 指标达到缓存容量，可能需要调整存储引擎的缓存大小配置。\n\n以下是一个例子：\n\n\n```toml\n[[region_engine]]\n[region_engine.mito]\n# 写入缓存的缓存大小。此缓存的 `type` 标签值为 `file`。\nwrite_cache_size = \"10G\"\n# 在写入缓存未命中时从对象存储下载文件填充缓存\nenable_refill_cache_on_read = true\n# SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\nsst_meta_cache_size = \"128MB\"\n# 向量和箭头数组的缓存大小。此缓存的 `type` 标签值为 `vector`。\nvector_cache_size = \"512MB\"\n# SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\npage_cache_size = \"512MB\"\n# 时间序列查询结果（例如 `last_value()`）的缓存大小。此缓存的 `type` 标签值为 `selector_result`。\nselector_result_cache_size = \"512MB\"\n\n[region_engine.mito.index]\n## 索引暂存目录的最大容量。\nstaging_size = \"10GB\"\n```\n\n\n一些建议：\n- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\n- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4\n- 如果缓存命中率低于 50%，则可以将缓存大小翻倍\n- 如果使用全文索引，至少将 `staging_size` 设置为磁盘空间的 1/10\n\n\n### SST 格式\n\nGreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\n\n唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。\n\n\n### 尽可能使用 append-only 表\n\n一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\n\n如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\n\n### 禁用预写式日志(WAL)\n\n如果您是从 Kafka 等可以重放的数据源消费并写入到 GreptimeDB，可以通过禁用 WAL 来进一步提升写入吞吐量。\n\n请注意，当 WAL 被禁用后，未刷新到磁盘或对象存储的数据将无法恢复，需要从原始数据源重新恢复，比如重新从 Kafka 读取或重新抓取日志。\n\n通过设置表选项 `skip_wal='true'` 来禁用 WAL：\n\n```sql\nCREATE TABLE logs(\n message STRING,\n ts TIMESTAMP TIME INDEX\n) WITH (skip_wal = 'true');\n```\n\n## 写入\n\n### 指标\n\n以下指标有助于诊断写入问题：\n\n| 指标 | 类型 | 描述 |\n|---|---|---|\n| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时 |\n| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算） |\n| greptime_mito_write_rows_total | counter | 写入存储引擎的行数 |\n| greptime_mito_write_stall_total | gauge | 当前由于内存压力过高而被阻塞的行数 |\n| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的行数 |\n| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时 |\n| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时 |\n\n\n### 批量写入行\n\n批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n\n### 按时间窗口写入\n虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\n\n通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并 [指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\n\n\n## 表结构\n\n### 使用多值\n\n在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\n\n\n例如，以下三个表收集了 CPU 的使用率指标。\n\n```sql\nCREATE TABLE IF NOT EXISTS cpu_usage_user (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\nCREATE TABLE IF NOT EXISTS cpu_usage_system (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\nCREATE TABLE IF NOT EXISTS cpu_usage_idle (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\n```\n\n我们可以将它们合并为一个具有三个字段的表。\n\n```sql\nCREATE TABLE IF NOT EXISTS cpu (\n hostname STRING NULL,\n usage_user BIGINT NULL,\n usage_system BIGINT NULL,\n usage_idle BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n);\n```\n","/bin/bash -lc \"sed -n '130,190p' i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\nsed -n '500,545p' i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\nsed -n '1,320p' i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\"",[709,710,711],"46484",{"_490":714,"_202":532,"_169":533,"_93":507},{"_490":713,"_202":505,"_169":506,"_93":507},{"_490":712,"_202":509,"_169":510,"_93":507},"sed -n '1,320p' i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md","sed -n '500,545p' i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md","sed -n '130,190p' i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md",{"_461":716,"_442":443,"_463":449},{"_513":717,"_481":701,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"sed -n '130,190p' i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\\nsed -n '500,545p' i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\\nsed -n '1,320p' i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\",\"workdir\":\"/workspace/docs\",\"max_output_tokens\":30000}",{"_461":719,"_442":443,"_463":449},{"_464":-5,"_539":720,"_42":-5,"_467":-5,"_541":721,"_93":543},"gAAAAABqOpa23tOKUJp1Z3O3DWa5fBKt1IERNe85tUKFlcqGT33zhYjzuha-Zllzrd7q6F_HXSZ1Q7mqof3npfwPcX4ROWb39ZahxzlGxFcv_Fn_WTNsbgmqBscQxC5t3CUYqyi7sMTzRryxCx_lASH_EF6TEASdTMxZJyrN4CjIPMYuWEl1lHx71Wg6jkuLPWvEyTMzItF7D-670uDCqoWHL73bpGVwiIDReH-sy-zyPW0BSJiH0PLqCxBPuJ5vdV1rdY56l9fOg9KUyXMOJLn8Xn-FmmPTGNruj-FMs2ZAfYbwg8kIUCJAk_Q8Om-9EohfLoQk9gSGOQqp3_ca6VffxeX32Uf0unz1LRg9_50t3qBvhbH4mpEJWqR2fs-WlHFGZnwyBHI6sDrH79dR44TqfokvuU_cfNPHzBFroMmkEmYRRYyChpRv669X2cAofkB4MDt61vvZDqKvBxIczDxncZV1poaC79QzVYCT68zoKwJLSOdQeFFaqaiG-TzotHnXUPtAryYCvjkqf_rjH6SzmsKZ34BlvcZ1JYAEwY_sQIhwlISpPVaGVmN8k9w4gjqEFKq4udWiJLYmoNY5TH7nnwPSvaxivdGElc0Gz-DwIB3z2OnBCNShmHwc3ApG6neqj7qwFAw_WhDMi70U9yFOHOBD8XIwbXey_Ql0526MbOLJhwv4tligOHlwtevQ-tiljYQ97OdAl4IypQZ3HJUFv4j9VZ1GFluTgEUw6UA2rrYEKlZh5qsIBBujjhgMR3fYfFfGTHrvl7C92AkT2gJ_rWtx4_FbBE4H2nm6M_JhBqVhAPXeZBLR7lAUL8GWiymeOBiFNmED_PtWJL_jhO9zlB4KKMSCNcIL_mXcg3UaIBTEMzJlossU07MP8oNkVtyq3argpd4mMY95byifwHJI1OXh7FzTdz5VP0hUW-H6pJRwKBUI7ePS_7FDcroBEcEVkGy9CxXSndhjQ50aVzApEOEapYtSP-oSlVsdRIJP9HzVOJHU66MdngHcb0zMai5RjL0Vw1nIc9zXjP8JR8eP1gOBBzZi7uUTyUGpX_aJPvvp_rNIpBDsceA_LeAQag5mzDuyo9KHKqZ57gyJ6yHPQpG31zcQGMXRBna5RZsvQHQeEzNudz9gFAHkMT2rCCugZMvNOq3GtRRZOYSPgSGR_f9nSuTydg==",[722],{"_46":723,"_93":599},"**Updating translation files**\n\nI need to check if the current version of the Chinese translation is version 1.1. The PR suggests that the localized documents might be sufficient for the update. I think I should edit the files using Python, perhaps by copying the existing structure. It feels important to inspect the Chinese files to ensure everything aligns correctly and meets the necessary requirements. Let’s take a closer look at those files!",{"_461":725,"_442":443,"_463":449},{"_464":726,"_42":727,"_541":728,"_93":543},[],"rs_04f0f4825f373d32016a3a96b3caf88198bb42b2035a817f3f",[723],{"_461":730,"_442":443,"_463":449},{"_481":731,"_467":-5,"_483":732,"_93":485},"call_NiI0yBITyAXy8fQv5ULNeb15","Chunk ID: 6743fc\nWall time: 0.0001 seconds\nProcess exited with code 0\nOriginal token count: 2029\nOutput:\n+| raft_engine_sync_log_duration_seconds_bucket | histogram | The elapsed time of flushing the WAL to the disk. |\n+| greptime_mito_flush_requests_total | counter | The number of scheduled flush requests. |\n+| greptime_mito_flush_elapsed | histogram | The elapsed time of flushing SST files. |\n+| greptime_mito_flush_bytes_total | counter | The number of bytes flushed to SST files. |\n+| greptime_mito_flush_file_total | counter | The number of SST files produced by flush jobs. |\n+\n+### Check ingestion throughput and request latency\n+\n+Use `rate(greptime_table_operator_ingest_rows[$__rate_interval])` to observe the total ingestion rate. For protocol-level latency, check `greptime_servers_http_requests_elapsed_bucket` and `greptime_servers_grpc_requests_elapsed_bucket`. Filter by labels such as `path`, `method`, and `code` to separate write requests from health checks, metrics scraping, and query requests.\n+\n+If frontend protocol latency is high, compare it with datanode-side metrics such as `greptime_mito_handle_request_elapsed_bucket` and `greptime_mito_write_stage_elapsed_bucket`. This helps determine whether the bottleneck is in request handling before the storage engine or inside the datanode write path.\n+\n+### Diagnose datanode write pressure\n+\n+When datanode writes are slow or ingestion latency is high, first check whether the write buffer is under pressure:\n+\n+- `greptime_mito_write_buffer_bytes`\n+- `greptime_mito_write_stall_total`\n+- `greptime_mito_write_stalling_count`\n+- `greptime_mito_write_reject_total`\n+\n+Write stalls mean GreptimeDB is applying backpressure instead of accepting writes immediately. Stalls can happen when the global write buffer reaches `global_write_buffer_size`, or when a region is temporarily not writable during internal state changes. If clients receive an error like `Engine write buffer is full, rejecting write requests`, the datanode has reached the reject threshold controlled by `global_write_buffer_reject_size`.\n+\n+When a datanode is under write pressure, check flush performance and write distribution before tuning the write buffer size. Increasing the write buffer only gives the datanode more memory headroom. It does not fix slow flushes or an unbalanced table that sends most writes to one region.\n+\n+### Check flush performance\n+\n+If the write buffer keeps growing or writes stall frequently, check whether flush is the bottleneck. Use `greptime_mito_flush_elapsed` to inspect flush latency, and use `greptime_mito_flush_requests_total`, `greptime_mito_flush_bytes_total`, and `greptime_mito_flush_file_total` to understand flush frequency and throughput.\n+\n+Datanode logs also help identify slow flushes and hot regions. Search for `Successfully flush memtables`. The log line includes the region, flush reason, SST files, `total_rows`, `total_bytes`, `cost`, encoded part count, and flush metrics. You can estimate flush throughput by dividing `total_rows` or `total_bytes` by `cost`.\n+\n+If flush elapsed time is high, for example 30 seconds or more, or the flush throughput is lower than the ingestion speed, increasing the write buffer size usually only delays stalls or rejects. In this case, review the table partitioning and region distribution so flush work can be spread across more regions and datanodes.\n+\n+If flush jobs are fast, usually finishing in several seconds, but the flush request rate is high and write buffer pressure appears often, increasing the write buffer size can help reduce flush frequency.\n+\n+### Check write distribution\n+\n+For partitioned tables, check whether writes are evenly distributed across datanodes and regions. Use `greptime_mito_write_rows_total` to compare datanode-level write rows, and `greptime_mito_handle_request_elapsed_bucket` to compare datanode request latency.\n+\n+You can also query [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md) to inspect region-level statistics such as `written_bytes_since_open` and `memtable_size`. If one datanode or one region receives most of the write load, adjust the table partitioning so the workload is spread across more regions and datanodes before increasing the write buffer size.\n+\n+### Tune write buffer size\n+\n+If stalls or rejects are caused by write buffer pressure, and flush performance and write distribution are healthy, consider increasing `region_engine.mito.global_write_buffer_size`. This is most useful for workloads with large rows, such as logs or traces. By default, `global_write_buffer_size` is auto-sized to 1/8 of OS memory with a maximum of 1GB. Increase it gradually, for example by 2x to 4x, and watch datanode memory usage.\n+\n+In most cases, leave `region_engine.mito.global_write_buffer_reject_size` unset so GreptimeDB uses the default reject threshold of 2x `global_write_buffer_size`. If you need writes to fail earlier under memory pressure, set it manually to a deliberate margin, commonly 1.5x to 2x `global_write_buffer_size`, based on available datanode memory and how early you want requests to be rejected. The value must be greater than `global_write_buffer_size`; otherwise, GreptimeDB sanitizes it back to 2x.\n+\n+Example:\n+\n+```toml\n+[[region_engine]]\n+[region_engine.mito]\n+global_write_buffer_size = \"2GB\"\n+# Optional. Leave unset unless you need a custom reject margin.\n+global_write_buffer_reject_size = \"3GB\"\n+```\n+\n ## Schema\n \n ### Using multiple fields\n@@ -166,3 +255,50 @@ CREATE TABLE IF NOT EXISTS cpu (\n PRIMARY KEY (hostname)\n );\n ```\n+\n+## Collect profiling data\n+\n+When GreptimeDB has high CPU or memory usage and the cause is unclear, collect profiling data from the affected node and provide it to developers for further analysis.\n+\n+Profiling is platform-specific and may be unavailable on some platforms or builds. CPU profiling is available on most Unix platforms. Memory profiling is available on Linux, but not available on macOS or Windows. Generating flamegraphs can consume extra memory because GreptimeDB needs to parse the profile and symbolize stack information in process. Be careful when collecting flamegraphs from nodes that are close to their memory limit.\n+\n+Profiling is node-local. Replace `127.0.0.1:4000` in the following examples with the HTTP address of the GreptimeDB node that has high CPU or memory usage.\n+\n+### CPU profiling\n+\n+Collect a 10-second CPU flamegraph while CPU usage is high:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+### Memory profiling\n+\n+Memory profiling requires heap profiling to be enabled. Official Docker images enable heap profiling by default. For self-built or non-Docker deployments, we recommend starting GreptimeDB with heap profiling enabled by default:\n+\n+```bash\n+MALLOC_CONF=prof:true ./greptime standalone start\n+```\n+\n+Collect a memory flamegraph whenever memory usage is high, especially if it is still increasing or has reached a new peak:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+```\n+\n+You can also collect two memory profiles at different times and compare them to identify increased allocations:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\n+```\n+\n+See [Profiling Tools](/reference/http-endpoints.md#profiling-tools) for the endpoint reference.\n+\n+When reporting the issue, include:\n+\n+- GreptimeDB version and deployment mode.\n+- Affected component or node.\n+- CPU flamegraph or memory flamegraph/profile files.\n+- Approximate time range and workload when the issue happened.\n+- Relevant metrics and logs if available.\n",{"_461":734,"_442":443,"_463":449},{"_488":735,"_490":736,"_492":737,"_494":495,"_447":32,"_496":32,"_42":731,"_497":738,"_499":500,"_454":114,"_93":501},"+| raft_engine_sync_log_duration_seconds_bucket | histogram | The elapsed time of flushing the WAL to the disk. |\n+| greptime_mito_flush_requests_total | counter | The number of scheduled flush requests. |\n+| greptime_mito_flush_elapsed | histogram | The elapsed time of flushing SST files. |\n+| greptime_mito_flush_bytes_total | counter | The number of bytes flushed to SST files. |\n+| greptime_mito_flush_file_total | counter | The number of SST files produced by flush jobs. |\n+\n+### Check ingestion throughput and request latency\n+\n+Use `rate(greptime_table_operator_ingest_rows[$__rate_interval])` to observe the total ingestion rate. For protocol-level latency, check `greptime_servers_http_requests_elapsed_bucket` and `greptime_servers_grpc_requests_elapsed_bucket`. Filter by labels such as `path`, `method`, and `code` to separate write requests from health checks, metrics scraping, and query requests.\n+\n+If frontend protocol latency is high, compare it with datanode-side metrics such as `greptime_mito_handle_request_elapsed_bucket` and `greptime_mito_write_stage_elapsed_bucket`. This helps determine whether the bottleneck is in request handling before the storage engine or inside the datanode write path.\n+\n+### Diagnose datanode write pressure\n+\n+When datanode writes are slow or ingestion latency is high, first check whether the write buffer is under pressure:\n+\n+- `greptime_mito_write_buffer_bytes`\n+- `greptime_mito_write_stall_total`\n+- `greptime_mito_write_stalling_count`\n+- `greptime_mito_write_reject_total`\n+\n+Write stalls mean GreptimeDB is applying backpressure instead of accepting writes immediately. Stalls can happen when the global write buffer reaches `global_write_buffer_size`, or when a region is temporarily not writable during internal state changes. If clients receive an error like `Engine write buffer is full, rejecting write requests`, the datanode has reached the reject threshold controlled by `global_write_buffer_reject_size`.\n+\n+When a datanode is under write pressure, check flush performance and write distribution before tuning the write buffer size. Increasing the write buffer only gives the datanode more memory headroom. It does not fix slow flushes or an unbalanced table that sends most writes to one region.\n+\n+### Check flush performance\n+\n+If the write buffer keeps growing or writes stall frequently, check whether flush is the bottleneck. Use `greptime_mito_flush_elapsed` to inspect flush latency, and use `greptime_mito_flush_requests_total`, `greptime_mito_flush_bytes_total`, and `greptime_mito_flush_file_total` to understand flush frequency and throughput.\n+\n+Datanode logs also help identify slow flushes and hot regions. Search for `Successfully flush memtables`. The log line includes the region, flush reason, SST files, `total_rows`, `total_bytes`, `cost`, encoded part count, and flush metrics. You can estimate flush throughput by dividing `total_rows` or `total_bytes` by `cost`.\n+\n+If flush elapsed time is high, for example 30 seconds or more, or the flush throughput is lower than the ingestion speed, increasing the write buffer size usually only delays stalls or rejects. In this case, review the table partitioning and region distribution so flush work can be spread across more regions and datanodes.\n+\n+If flush jobs are fast, usually finishing in several seconds, but the flush request rate is high and write buffer pressure appears often, increasing the write buffer size can help reduce flush frequency.\n+\n+### Check write distribution\n+\n+For partitioned tables, check whether writes are evenly distributed across datanodes and regions. Use `greptime_mito_write_rows_total` to compare datanode-level write rows, and `greptime_mito_handle_request_elapsed_bucket` to compare datanode request latency.\n+\n+You can also query [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md) to inspect region-level statistics such as `written_bytes_since_open` and `memtable_size`. If one datanode or one region receives most of the write load, adjust the table partitioning so the workload is spread across more regions and datanodes before increasing the write buffer size.\n+\n+### Tune write buffer size\n+\n+If stalls or rejects are caused by write buffer pressure, and flush performance and write distribution are healthy, consider increasing `region_engine.mito.global_write_buffer_size`. This is most useful for workloads with large rows, such as logs or traces. By default, `global_write_buffer_size` is auto-sized to 1/8 of OS memory with a maximum of 1GB. Increase it gradually, for example by 2x to 4x, and watch datanode memory usage.\n+\n+In most cases, leave `region_engine.mito.global_write_buffer_reject_size` unset so GreptimeDB uses the default reject threshold of 2x `global_write_buffer_size`. If you need writes to fail earlier under memory pressure, set it manually to a deliberate margin, commonly 1.5x to 2x `global_write_buffer_size`, based on available datanode memory and how early you want requests to be rejected. The value must be greater than `global_write_buffer_size`; otherwise, GreptimeDB sanitizes it back to 2x.\n+\n+Example:\n+\n+```toml\n+[[region_engine]]\n+[region_engine.mito]\n+global_write_buffer_size = \"2GB\"\n+# Optional. Leave unset unless you need a custom reject margin.\n+global_write_buffer_reject_size = \"3GB\"\n+```\n+\n ## Schema\n \n ### Using multiple fields\n@@ -166,3 +255,50 @@ CREATE TABLE IF NOT EXISTS cpu (\n PRIMARY KEY (hostname)\n );\n ```\n+\n+## Collect profiling data\n+\n+When GreptimeDB has high CPU or memory usage and the cause is unclear, collect profiling data from the affected node and provide it to developers for further analysis.\n+\n+Profiling is platform-specific and may be unavailable on some platforms or builds. CPU profiling is available on most Unix platforms. Memory profiling is available on Linux, but not available on macOS or Windows. Generating flamegraphs can consume extra memory because GreptimeDB needs to parse the profile and symbolize stack information in process. Be careful when collecting flamegraphs from nodes that are close to their memory limit.\n+\n+Profiling is node-local. Replace `127.0.0.1:4000` in the following examples with the HTTP address of the GreptimeDB node that has high CPU or memory usage.\n+\n+### CPU profiling\n+\n+Collect a 10-second CPU flamegraph while CPU usage is high:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+### Memory profiling\n+\n+Memory profiling requires heap profiling to be enabled. Official Docker images enable heap profiling by default. For self-built or non-Docker deployments, we recommend starting GreptimeDB with heap profiling enabled by default:\n+\n+```bash\n+MALLOC_CONF=prof:true ./greptime standalone start\n+```\n+\n+Collect a memory flamegraph whenever memory usage is high, especially if it is still increasing or has reached a new peak:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+```\n+\n+You can also collect two memory profiles at different times and compare them to identify increased allocations:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\n+```\n+\n+See [Profiling Tools](/reference/http-endpoints.md#profiling-tools) for the endpoint reference.\n+\n+When reporting the issue, include:\n+\n+- GreptimeDB version and deployment mode.\n+- Affected component or node.\n+- CPU flamegraph or memory flamegraph/profile files.\n+- Approximate time range and workload when the issue happened.\n+- Relevant metrics and logs if available.\n","/bin/bash -lc \"sed -n '240,420p' /tmp/en.diff\"",[739],"32667",{"_490":740,"_202":741,"_169":742,"_93":507},"sed -n '240,420p' /tmp/en.diff","en.diff","/tmp/en.diff",{"_461":744,"_442":443,"_463":449},{"_513":745,"_481":731,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"sed -n '240,420p' /tmp/en.diff\",\"workdir\":\"/workspace/docs\",\"max_output_tokens\":12000}",{"_461":747,"_442":443,"_463":449},{"_481":748,"_467":-5,"_483":749,"_93":485},"call_iQtYjpU8xHV5ADojX6Ob28Q3","Chunk ID: 08a795\nWall time: 0.0003 seconds\nProcess exited with code 0\nOriginal token count: 7392\nOutput:\n350 /tmp/en.diff\ndiff --git a/docs/reference/http-endpoints.md b/docs/reference/http-endpoints.md\nindex 062d7a2..23e6121 100644\n--- a/docs/reference/http-endpoints.md\n+++ b/docs/reference/http-endpoints.md\n@@ -141,14 +141,41 @@ For more information on tracing configuration, refer to the [tracing documentati\n ### Profiling Tools\n \n - **Base Path**: `/debug/prof/`\n-- **Endpoints**:\n- - `cpu`\n- - `mem`\n-- **Methods**: `POST` for profiling the database node.\n-- **Description**: Runtime profiling for CPU or Memory usage.\n-- **Usage**:\n- - Refer to [Profiling CPU](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) for detailed guide for CPU profiling.\n- - Refer to [Profiling Memory](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md) for detailed guide for Memory profiling.\n+- **Description**: Runtime profiling for CPU or memory usage on the database node.\n+\n+CPU profiling:\n+\n+| Path | Method | Description |\n+| --- | --- | --- |\n+| `/debug/prof/cpu` | `POST` | Collects a CPU profile. Query parameters include `seconds`, `frequency`, and `output`. Supported output formats are `proto`, `text`, and `flamegraph`. |\n+\n+Example:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+Memory profiling:\n+\n+| Path | Method | Description |\n+| --- | --- | --- |\n+| `/debug/prof/mem` | `POST` | Dumps memory profiling data. Query parameter `output` supports `text`, `proto`, and `flamegraph`. |\n+| `/debug/prof/mem/status` | `GET` | Checks whether heap profiling is active. |\n+| `/debug/prof/mem/activate` | `POST` | Activates heap profiling. |\n+| `/debug/prof/mem/deactivate` | `POST` | Deactivates heap profiling. |\n+| `/debug/prof/mem/gdump` | `GET` | Checks whether jemalloc gdump is active. |\n+| `/debug/prof/mem/gdump` | `POST` | Activates or deactivates jemalloc gdump. Use form field `activate=true` or `activate=false`. |\n+| `/debug/prof/mem/symbol` | `POST` | Uploads a jemalloc heap dump file and returns a symbolicated flamegraph. |\n+\n+Examples:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+curl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\n+curl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\n+```\n+\n+For operational guidance, see [Collect profiling data](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#collect-profiling-data). For advanced usage, refer to [Profiling CPU](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) and [Profiling Memory](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md).\n \n ## Query Endpoints\n \ndiff --git a/docs/user-guide/deployments-administration/configuration.md b/docs/user-guide/deployments-administration/configuration.md\nindex 8f003fe..2f05a21 100644\n--- a/docs/user-guide/deployments-administration/configuration.md\n+++ b/docs/user-guide/deployments-administration/configuration.md\n@@ -516,7 +516,9 @@ Available options:\n | `index_cache_percent` | Integer | `20` | Percentage of write cache capacity allocated for index (puffin) files (default: 20).
The remaining capacity is used for data (parquet) files.
Must be between 0 and 100 (exclusive). For example, with a 5GiB write cache and 20% allocation,
1GiB is reserved for index files and 4GiB for data files. |\n | `enable_refill_cache_on_read` | Bool | `true` | Enable refilling cache on read operations (default: true).
When disabled, cache refilling on read won't happen. |\n | `manifest_cache_size` | String | `256MB` | Capacity for manifest cache (default: 256MB). |\n-| `selector_result_cache_size` | String | `512MB` | Cache size for time series selector (e.g. `last_value()`). Setting it to 0 to disable the cache.
If not set, it's default to 1/8 of OS memory. |\n+| `selector_result_cache_size` | String | `512MB` | Cache size for time series selector (e.g. `last_value()`). Setting it to 0 to disable the cache.
If not set, it's default to 1/16 of OS memory with a max limitation of 512MB. |\n+| `range_result_cache_size` | String | `512MB` | Cache size for flat range scan results. Setting it to 0 to disable the cache.
If not set, it's default to 1/16 of OS memory with a max limitation of 512MB. |\n+| `prefilter_result_cache_size` | String | `128MB` | Cache size for prefilter results. Setting it to 0 to disable the cache.
If not set, it's default to 1/32 of OS memory with a max limitation of 128MB. |\n | `sst_write_buffer_size` | String | `8MB` | Buffer size for SST writing. |\n | `max_concurrent_scan_files` | Integer | `384` | Maximum number of SST files to scan concurrently. |\n | `allow_stale_entries` | Bool | `false` | Whether to allow stale WAL entries during replay. |\n@@ -530,10 +532,10 @@ Available options:\n | `index.aux_path` | String | `\"\"` | Auxiliary directory path for the index in the filesystem. This path is used to store intermediate files for creating the index and staging files for searching the index. It defaults to `{data_home}/index_intermediate`. The default name for this directory is `index_intermediate` for backward compatibility. This path contains two subdirectories: `__intm` for storing intermediate files used during index creation, and `staging` for storing staging files used during index searching. |\n | `index.staging_size` | String | `2GB` | The maximum capacity of the staging directory. |\n | `index.staging_ttl` | String | `7d` | TTL for staging directory. Defaults to 7 days. Setting to \"0s\" disables TTL. |\n-| `index.metadata_cache_size` | String | `64MiB` | Cache size for index metadata. |\n-| `index.content_cache_size` | String | `128MiB` | Cache size for index content. |\n+| `index.metadata_cache_size` | String | `64MiB` | Cache size for index metadata.
If not set, it's default to 1/32 of OS memory with a max limitation of 64MiB. |\n+| `index.content_cache_size` | String | `128MiB` | Cache size for index content.
If not set, it's default to 1/16 of OS memory with a max limitation of 128MiB. |\n | `index.content_cache_page_size` | String | `64KiB` | Page size for index content cache. |\n-| `index.result_cache_size` | String | `128MiB` | Cache size for index query results. |\n+| `index.result_cache_size` | String | `128MiB` | Cache size for index query results.
If not set, it's default to 1/16 of OS memory with a max limitation of 128MiB. |\n | `inverted_index` | -- | -- | The options for inverted index in Mito engine. |\n | `inverted_index.create_on_flush` | String | `auto` | Whether to create the index on flush.
- `auto`: automatically
- `disable`: never |\n | `inverted_index.create_on_compaction` | String | `auto` | Whether to create the index on compaction.
- `auto`: automatically
- `disable`: never |\ndiff --git a/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md b/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\nindex 1e841a6..ead22ec 100644\n--- a/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n+++ b/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n@@ -11,39 +11,55 @@ GreptimeDB provides various metrics to help monitor and troubleshoot performance\n \n ## Query\n \n-### ANALYZE QUERY\n+### Analyze query performance\n \n-GreptimeDB supports query analysis functionality.\n-Using the `EXPLAIN ANALYZE [VERBOSE] ` statement, you can view step-by-step query execution times.\n+To debug a slow query, run it with `EXPLAIN ANALYZE VERBOSE`:\n+\n+```sql\n+EXPLAIN ANALYZE VERBOSE ;\n+```\n+\n+`EXPLAIN ANALYZE` executes the query and collects runtime metrics from each execution stage. The `VERBOSE` option adds scan-level metrics that are useful for identifying why the query is slow and what can improve it. See [EXPLAIN](/reference/sql/explain.md) for the meaning of the metrics in the output.\n+\n+When comparing repeated runs, remember that cache state may affect the timing and result of the second run. If you want to avoid measuring a fully cached repeat, change the query condition slightly while keeping the query shape equivalent, for example by shifting the time range.\n+\n+If the cause is still unclear, include the full `EXPLAIN ANALYZE VERBOSE` output when creating an issue.\n+\n+Common findings:\n+\n+- **Many small files to search**: A high `num_file_ranges` value, especially when many files contain less than one full row group, can mean the scan has to open many small SST files. This often comes from backfilling many different time windows or from high compaction pressure. Consider adjusting `compaction.twcs.time_window`, reviewing the write or backfill pattern so rows fill time windows more naturally, and checking compaction status. Small files do not always hurt performance if the number of files is not large.\n+- **Many rows filtered after scanning**: If `scan_cost` is high and `rows_precise_filtered` is also high, the scan reads many candidate rows and then removes them with exact filters. Consider adding an appropriate [index](/user-guide/manage-data/data-index.md) for selective filter columns. Index changes apply to newly flushed data; they do not immediately rewrite all existing SST files.\n+- **Local cache misses during data fetch**: If `fetch_metrics.cache_miss`, `fetch_metrics.pages_to_fetch_store`, or `fetch_metrics.store_fetch_elapsed` is high, GreptimeDB is reading page data from object storage instead of local caches. Check the cache metrics below and consider increasing `write_cache_size` or `page_cache_size`.\n+- **High scan preparation cost**: High `build_parts_cost` or `build_reader_cost` means GreptimeDB spends significant time building scan ranges or readers. Correlate this with `num_file_ranges`, metadata cache misses, and cache pressure.\n+- **High metadata load time**: If `metadata_cache_metrics.metadata_load_cost` or `metadata_cache_metrics.cache_miss` is high, the SST metadata cache may be too small. Check `greptime_mito_cache_bytes{type=\"sst_meta\"}` and consider increasing `sst_meta_cache_size`.\n \n ### Metrics\n \n The following metrics help diagnose query performance issues:\n+\n | Metric | Type | Description |\n |---|---|---|\n | greptime_mito_read_stage_elapsed_bucket | histogram | The elapsed time of different phases of a query in the storage engine. |\n-| greptime_mito_cache_bytes | gauge | Size of cached contents |\n-| greptime_mito_cache_hit | counter | Total count of cache hit |\n-| greptime_mito_cache_miss | counter | Total count of cache miss |\n+| greptime_mito_cache_bytes | gauge | Size of cached contents. The `type` label indicates the cache type. |\n+| greptime_mito_cache_hit | counter | Total count of cache hit. The `type` label indicates the cache type. |\n+| greptime_mito_cache_miss | counter | Total count of cache miss. The `type` label indicates the cache type. |\n+| greptime_mito_cache_eviction | counter | Total count of cache eviction. The `type` label indicates the cache type. |\n \n \n ### Enlarging cache size\n \n-You can monitor the `greptime_mito_cache_bytes` and `greptime_mito_cache_miss` metrics to determine if you need to increase the cache size. The `type` label in these metrics indicates the type of cache.\n-\n-If the `greptime_mito_cache_miss` metric is consistently high and increasing, or if the `greptime_mito_cache_bytes` metric reaches the cache capacity, you may need to adjust the cache size configurations of the storage engine.\n-\n-\n-Here is an example:\n+Use `greptime_mito_cache_bytes{type=\"...\"}` as the primary signal for cache pressure. If the metric is often close to the configured capacity of the corresponding cache, consider increasing that cache size. If the metric stays far below capacity, consider reducing that cache size to free memory or disk space for other caches. Use `greptime_mito_cache_hit`, `greptime_mito_cache_miss`, and `greptime_mito_cache_eviction` as supporting signals to judge whether resizing a cache is useful.\n \n+The following example lists the main cache size configurations. Some default cache sizes are adjusted according to system memory. See [Configuration](/user-guide/deployments-administration/configuration.md#region-engine-options) for the default values of these options.\n \n ```toml\n [[region_engine]]\n [region_engine.mito]\n-# Cache size for the write cache. The `type` label value for this cache is `file`.\n+# Cache size for the write cache. The `type` label value is `file` for data files.\n write_cache_size = \"10G\"\n-# Download files from object storage to fill the cache on write cache miss\n-enable_refill_cache_on_read = true\n+# Percentage of write cache capacity allocated to index (puffin) files.\n+# The `type` label value for this cache is `index`.\n+index_cache_percent = 20\n # Cache size for SST metadata. The `type` label value for this cache is `sst_meta`.\n sst_meta_cache_size = \"128MB\"\n # Cache size for vectors and arrow arrays. The `type` label value for this cache is `vector`.\n@@ -52,20 +68,34 @@ vector_cache_size = \"512MB\"\n page_cache_size = \"512MB\"\n # Cache size for time series selector (e.g. `last_value()`). The `type` label value for this cache is `selector_result`.\n selector_result_cache_size = \"512MB\"\n+# Cache size for flat range scan results. The `type` label value for this cache is `range_result`.\n+range_result_cache_size = \"512MB\"\n+# Cache size for prefilter results. The `type` label value for this cache is `prefilter_result`.\n+prefilter_result_cache_size = \"128MB\"\n+# Cache size for manifest files. The `type` label value for this cache is `manifest`.\n+manifest_cache_size = \"256MB\"\n \n [region_engine.mito.index]\n-## The max capacity of the index staging directory.\n-staging_size = \"10GB\"\n+# Cache size for index metadata. The `type` label value for this cache is `index_metadata`.\n+metadata_cache_size = \"64MiB\"\n+# Cache size for index content. The `type` label value for this cache is `index_content`.\n+content_cache_size = \"128MiB\"\n+# Page size for the index content cache.\n+content_cache_page_size = \"64KiB\"\n+# Cache size for index query results. The `type` label value for this cache is `index_result`.\n+result_cache_size = \"128MiB\"\n+# The max capacity of the index staging directory. The `type` label value is `index_staging`.\n+staging_size = \"2GB\"\n ```\n \n-\n Some tips:\n \n - 1/10 of disk space for the write cache at least. It's recommended to use a large write cache when using object storage.\n-- When using object storage, GreptimeDB automatically downloads files to fill the write cache on cache misses by default (`enable_refill_cache_on_read = true`). This improves query performance but may increase network traffic. Consider disabling this if you want to minimize network usage or storage costs.\n+- The write cache is split between data files and index (puffin) files by `index_cache_percent`. If `greptime_mito_cache_bytes{type=\"index\"}` is full but `greptime_mito_cache_bytes{type=\"file\"}` is not, consider increasing `index_cache_percent`.\n+- If a cache is consistently small compared with its configured capacity, reduce that cache size and allocate the resource to caches with higher pressure.\n - 1/4 of total memory for the `page_cache_size` at least if the memory usage is under 20%\n - Double the cache size if the cache hit ratio is less than 50%\n-- If using full-text index, leave 1/10 of disk space for the `staging_size` at least\n+- Tune `index.staging_size` only for index search workloads where `greptime_mito_cache_bytes{type=\"index_staging\"}` approaches capacity, or staging misses and evictions show pressure. It is not necessary to enlarge this setting for every deployment.\n \n ### SST format\n \n@@ -97,20 +127,6 @@ CREATE TABLE logs(\n \n ## Ingestion\n \n-### Metrics\n-\n-The following metrics help diagnose ingestion issues:\n-\n-| Metric | Type | Description |\n-| -------------------------------------------- | --------- | ---------------------------------------------------------------------------------------- |\n-| greptime_mito_write_stage_elapsed_bucket | histogram | The elapsed time of different phases of processing a write request in the storage engine |\n-| greptime_mito_write_buffer_bytes | gauge | The current estimated bytes allocated for the write buffer (memtables). |\n-| greptime_mito_write_rows_total | counter | The number of rows written to the storage engine |\n-| greptime_mito_write_stall_total | gauge | The number of rows currently stalled due to high memory pressure |\n-| greptime_mito_write_reject_total | counter | The number of rows rejected due to high memory pressure |\n-| raft_engine_sync_log_duration_seconds_bucket | histogram | The elapsed time of flushing the WAL to the disk |\n-| greptime_mito_flush_elapsed | histogram | The elapsed time of flushing the SST files |\n-\n ### Batching rows\n \n Batching means sending multiple rows to the database over the same request. This can significantly improve ingestion throughput. A recommended starting point is 1000 rows per batch. You can enlarge the batch size if latency and resource usage are still acceptable.\n@@ -121,6 +137,79 @@ Although GreptimeDB can handle out-of-order data, it still affects performance.\n \n Generally, real-time data doesn't have the issues mentioned above as they always use the latest timestamp. If you need to import data with a long time range into the database, we recommend creating the table in advance and [specifying the compaction.twcs.time_window option](/reference/sql/create.md#create-a-table-with-custom-compaction-options).\n \n+### Metrics\n+\n+The following metrics help diagnose ingestion issues. Most of these metrics are available in the official Grafana dashboards. Use the metric names below when you need custom PromQL or deeper investigation.\n+\n+| Metric | Type | Description |\n+| -------------------------------------------- | --------- | --------------------------------------------------------------------------------------------------------- |\n+| greptime_table_operator_ingest_rows | counter | The number of rows ingested by the table operator. Use the rate of this metric to track total write load. |\n+| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP request latency. Use labels such as `path`, `method`, and `code` to find write-related latency. |\n+| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC request latency. Use labels such as `path` and `code` to find write-related latency. |\n+| greptime_mito_handle_request_elapsed_bucket | histogram | The elapsed time of handling storage engine requests on datanodes. |\n+| greptime_mito_write_stage_elapsed_bucket | histogram | The elapsed time of different phases of processing a write request in the storage engine. |\n+| greptime_mito_write_buffer_bytes | gauge | The current estimated bytes allocated for the write buffer (memtables). |\n+| greptime_mito_write_rows_total | counter | The number of rows written to the storage engine. Use it to compare write load across datanodes. |\n+| greptime_mito_write_stalling_count | gauge | The number of write requests currently stalled in each worker. |\n+| greptime_mito_write_stall_total | counter | The total number of write requests stalled due to high memory pressure or transient region states. |\n+| greptime_mito_write_reject_total | counter | The number of write requests rejected due to high memory pressure. |\n+| raft_engine_sync_log_duration_seconds_bucket | histogram | The elapsed time of flushing the WAL to the disk. |\n",{"_461":751,"_442":443,"_463":449},{"_488":752,"_490":753,"_492":754,"_494":495,"_447":32,"_496":32,"_42":748,"_497":755,"_499":500,"_454":114,"_93":501},"350 /tmp/en.diff\ndiff --git a/docs/reference/http-endpoints.md b/docs/reference/http-endpoints.md\nindex 062d7a2..23e6121 100644\n--- a/docs/reference/http-endpoints.md\n+++ b/docs/reference/http-endpoints.md\n@@ -141,14 +141,41 @@ For more information on tracing configuration, refer to the [tracing documentati\n ### Profiling Tools\n \n - **Base Path**: `/debug/prof/`\n-- **Endpoints**:\n- - `cpu`\n- - `mem`\n-- **Methods**: `POST` for profiling the database node.\n-- **Description**: Runtime profiling for CPU or Memory usage.\n-- **Usage**:\n- - Refer to [Profiling CPU](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) for detailed guide for CPU profiling.\n- - Refer to [Profiling Memory](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md) for detailed guide for Memory profiling.\n+- **Description**: Runtime profiling for CPU or memory usage on the database node.\n+\n+CPU profiling:\n+\n+| Path | Method | Description |\n+| --- | --- | --- |\n+| `/debug/prof/cpu` | `POST` | Collects a CPU profile. Query parameters include `seconds`, `frequency`, and `output`. Supported output formats are `proto`, `text`, and `flamegraph`. |\n+\n+Example:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+Memory profiling:\n+\n+| Path | Method | Description |\n+| --- | --- | --- |\n+| `/debug/prof/mem` | `POST` | Dumps memory profiling data. Query parameter `output` supports `text`, `proto`, and `flamegraph`. |\n+| `/debug/prof/mem/status` | `GET` | Checks whether heap profiling is active. |\n+| `/debug/prof/mem/activate` | `POST` | Activates heap profiling. |\n+| `/debug/prof/mem/deactivate` | `POST` | Deactivates heap profiling. |\n+| `/debug/prof/mem/gdump` | `GET` | Checks whether jemalloc gdump is active. |\n+| `/debug/prof/mem/gdump` | `POST` | Activates or deactivates jemalloc gdump. Use form field `activate=true` or `activate=false`. |\n+| `/debug/prof/mem/symbol` | `POST` | Uploads a jemalloc heap dump file and returns a symbolicated flamegraph. |\n+\n+Examples:\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+curl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\n+curl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\n+```\n+\n+For operational guidance, see [Collect profiling data](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#collect-profiling-data). For advanced usage, refer to [Profiling CPU](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) and [Profiling Memory](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md).\n \n ## Query Endpoints\n \ndiff --git a/docs/user-guide/deployments-administration/configuration.md b/docs/user-guide/deployments-administration/configuration.md\nindex 8f003fe..2f05a21 100644\n--- a/docs/user-guide/deployments-administration/configuration.md\n+++ b/docs/user-guide/deployments-administration/configuration.md\n@@ -516,7 +516,9 @@ Available options:\n | `index_cache_percent` | Integer | `20` | Percentage of write cache capacity allocated for index (puffin) files (default: 20).
The remaining capacity is used for data (parquet) files.
Must be between 0 and 100 (exclusive). For example, with a 5GiB write cache and 20% allocation,
1GiB is reserved for index files and 4GiB for data files. |\n | `enable_refill_cache_on_read` | Bool | `true` | Enable refilling cache on read operations (default: true).
When disabled, cache refilling on read won't happen. |\n | `manifest_cache_size` | String | `256MB` | Capacity for manifest cache (default: 256MB). |\n-| `selector_result_cache_size` | String | `512MB` | Cache size for time series selector (e.g. `last_value()`). Setting it to 0 to disable the cache.
If not set, it's default to 1/8 of OS memory. |\n+| `selector_result_cache_size` | String | `512MB` | Cache size for time series selector (e.g. `last_value()`). Setting it to 0 to disable the cache.
If not set, it's default to 1/16 of OS memory with a max limitation of 512MB. |\n+| `range_result_cache_size` | String | `512MB` | Cache size for flat range scan results. Setting it to 0 to disable the cache.
If not set, it's default to 1/16 of OS memory with a max limitation of 512MB. |\n+| `prefilter_result_cache_size` | String | `128MB` | Cache size for prefilter results. Setting it to 0 to disable the cache.
If not set, it's default to 1/32 of OS memory with a max limitation of 128MB. |\n | `sst_write_buffer_size` | String | `8MB` | Buffer size for SST writing. |\n | `max_concurrent_scan_files` | Integer | `384` | Maximum number of SST files to scan concurrently. |\n | `allow_stale_entries` | Bool | `false` | Whether to allow stale WAL entries during replay. |\n@@ -530,10 +532,10 @@ Available options:\n | `index.aux_path` | String | `\"\"` | Auxiliary directory path for the index in the filesystem. This path is used to store intermediate files for creating the index and staging files for searching the index. It defaults to `{data_home}/index_intermediate`. The default name for this directory is `index_intermediate` for backward compatibility. This path contains two subdirectories: `__intm` for storing intermediate files used during index creation, and `staging` for storing staging files used during index searching. |\n | `index.staging_size` | String | `2GB` | The maximum capacity of the staging directory. |\n | `index.staging_ttl` | String | `7d` | TTL for staging directory. Defaults to 7 days. Setting to \"0s\" disables TTL. |\n-| `index.metadata_cache_size` | String | `64MiB` | Cache size for index metadata. |\n-| `index.content_cache_size` | String | `128MiB` | Cache size for index content. |\n+| `index.metadata_cache_size` | String | `64MiB` | Cache size for index metadata.
If not set, it's default to 1/32 of OS memory with a max limitation of 64MiB. |\n+| `index.content_cache_size` | String | `128MiB` | Cache size for index content.
If not set, it's default to 1/16 of OS memory with a max limitation of 128MiB. |\n | `index.content_cache_page_size` | String | `64KiB` | Page size for index content cache. |\n-| `index.result_cache_size` | String | `128MiB` | Cache size for index query results. |\n+| `index.result_cache_size` | String | `128MiB` | Cache size for index query results.
If not set, it's default to 1/16 of OS memory with a max limitation of 128MiB. |\n | `inverted_index` | -- | -- | The options for inverted index in Mito engine. |\n | `inverted_index.create_on_flush` | String | `auto` | Whether to create the index on flush.
- `auto`: automatically
- `disable`: never |\n | `inverted_index.create_on_compaction` | String | `auto` | Whether to create the index on compaction.
- `auto`: automatically
- `disable`: never |\ndiff --git a/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md b/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\nindex 1e841a6..ead22ec 100644\n--- a/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n+++ b/docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n@@ -11,39 +11,55 @@ GreptimeDB provides various metrics to help monitor and troubleshoot performance\n \n ## Query\n \n-### ANALYZE QUERY\n+### Analyze query performance\n \n-GreptimeDB supports query analysis functionality.\n-Using the `EXPLAIN ANALYZE [VERBOSE] ` statement, you can view step-by-step query execution times.\n+To debug a slow query, run it with `EXPLAIN ANALYZE VERBOSE`:\n+\n+```sql\n+EXPLAIN ANALYZE VERBOSE ;\n+```\n+\n+`EXPLAIN ANALYZE` executes the query and collects runtime metrics from each execution stage. The `VERBOSE` option adds scan-level metrics that are useful for identifying why the query is slow and what can improve it. See [EXPLAIN](/reference/sql/explain.md) for the meaning of the metrics in the output.\n+\n+When comparing repeated runs, remember that cache state may affect the timing and result of the second run. If you want to avoid measuring a fully cached repeat, change the query condition slightly while keeping the query shape equivalent, for example by shifting the time range.\n+\n+If the cause is still unclear, include the full `EXPLAIN ANALYZE VERBOSE` output when creating an issue.\n+\n+Common findings:\n+\n+- **Many small files to search**: A high `num_file_ranges` value, especially when many files contain less than one full row group, can mean the scan has to open many small SST files. This often comes from backfilling many different time windows or from high compaction pressure. Consider adjusting `compaction.twcs.time_window`, reviewing the write or backfill pattern so rows fill time windows more naturally, and checking compaction status. Small files do not always hurt performance if the number of files is not large.\n+- **Many rows filtered after scanning**: If `scan_cost` is high and `rows_precise_filtered` is also high, the scan reads many candidate rows and then removes them with exact filters. Consider adding an appropriate [index](/user-guide/manage-data/data-index.md) for selective filter columns. Index changes apply to newly flushed data; they do not immediately rewrite all existing SST files.\n+- **Local cache misses during data fetch**: If `fetch_metrics.cache_miss`, `fetch_metrics.pages_to_fetch_store`, or `fetch_metrics.store_fetch_elapsed` is high, GreptimeDB is reading page data from object storage instead of local caches. Check the cache metrics below and consider increasing `write_cache_size` or `page_cache_size`.\n+- **High scan preparation cost**: High `build_parts_cost` or `build_reader_cost` means GreptimeDB spends significant time building scan ranges or readers. Correlate this with `num_file_ranges`, metadata cache misses, and cache pressure.\n+- **High metadata load time**: If `metadata_cache_metrics.metadata_load_cost` or `metadata_cache_metrics.cache_miss` is high, the SST metadata cache may be too small. Check `greptime_mito_cache_bytes{type=\"sst_meta\"}` and consider increasing `sst_meta_cache_size`.\n \n ### Metrics\n \n The following metrics help diagnose query performance issues:\n+\n | Metric | Type | Description |\n |---|---|---|\n | greptime_mito_read_stage_elapsed_bucket | histogram | The elapsed time of different phases of a query in the storage engine. |\n-| greptime_mito_cache_bytes | gauge | Size of cached contents |\n-| greptime_mito_cache_hit | counter | Total count of cache hit |\n-| greptime_mito_cache_miss | counter | Total count of cache miss |\n+| greptime_mito_cache_bytes | gauge | Size of cached contents. The `type` label indicates the cache type. |\n+| greptime_mito_cache_hit | counter | Total count of cache hit. The `type` label indicates the cache type. |\n+| greptime_mito_cache_miss | counter | Total count of cache miss. The `type` label indicates the cache type. |\n+| greptime_mito_cache_eviction | counter | Total count of cache eviction. The `type` label indicates the cache type. |\n \n \n ### Enlarging cache size\n \n-You can monitor the `greptime_mito_cache_bytes` and `greptime_mito_cache_miss` metrics to determine if you need to increase the cache size. The `type` label in these metrics indicates the type of cache.\n-\n-If the `greptime_mito_cache_miss` metric is consistently high and increasing, or if the `greptime_mito_cache_bytes` metric reaches the cache capacity, you may need to adjust the cache size configurations of the storage engine.\n-\n-\n-Here is an example:\n+Use `greptime_mito_cache_bytes{type=\"...\"}` as the primary signal for cache pressure. If the metric is often close to the configured capacity of the corresponding cache, consider increasing that cache size. If the metric stays far below capacity, consider reducing that cache size to free memory or disk space for other caches. Use `greptime_mito_cache_hit`, `greptime_mito_cache_miss`, and `greptime_mito_cache_eviction` as supporting signals to judge whether resizing a cache is useful.\n \n+The following example lists the main cache size configurations. Some default cache sizes are adjusted according to system memory. See [Configuration](/user-guide/deployments-administration/configuration.md#region-engine-options) for the default values of these options.\n \n ```toml\n [[region_engine]]\n [region_engine.mito]\n-# Cache size for the write cache. The `type` label value for this cache is `file`.\n+# Cache size for the write cache. The `type` label value is `file` for data files.\n write_cache_size = \"10G\"\n-# Download files from object storage to fill the cache on write cache miss\n-enable_refill_cache_on_read = true\n+# Percentage of write cache capacity allocated to index (puffin) files.\n+# The `type` label value for this cache is `index`.\n+index_cache_percent = 20\n # Cache size for SST metadata. The `type` label value for this cache is `sst_meta`.\n sst_meta_cache_size = \"128MB\"\n # Cache size for vectors and arrow arrays. The `type` label value for this cache is `vector`.\n@@ -52,20 +68,34 @@ vector_cache_size = \"512MB\"\n page_cache_size = \"512MB\"\n # Cache size for time series selector (e.g. `last_value()`). The `type` label value for this cache is `selector_result`.\n selector_result_cache_size = \"512MB\"\n+# Cache size for flat range scan results. The `type` label value for this cache is `range_result`.\n+range_result_cache_size = \"512MB\"\n+# Cache size for prefilter results. The `type` label value for this cache is `prefilter_result`.\n+prefilter_result_cache_size = \"128MB\"\n+# Cache size for manifest files. The `type` label value for this cache is `manifest`.\n+manifest_cache_size = \"256MB\"\n \n [region_engine.mito.index]\n-## The max capacity of the index staging directory.\n-staging_size = \"10GB\"\n+# Cache size for index metadata. The `type` label value for this cache is `index_metadata`.\n+metadata_cache_size = \"64MiB\"\n+# Cache size for index content. The `type` label value for this cache is `index_content`.\n+content_cache_size = \"128MiB\"\n+# Page size for the index content cache.\n+content_cache_page_size = \"64KiB\"\n+# Cache size for index query results. The `type` label value for this cache is `index_result`.\n+result_cache_size = \"128MiB\"\n+# The max capacity of the index staging directory. The `type` label value is `index_staging`.\n+staging_size = \"2GB\"\n ```\n \n-\n Some tips:\n \n - 1/10 of disk space for the write cache at least. It's recommended to use a large write cache when using object storage.\n-- When using object storage, GreptimeDB automatically downloads files to fill the write cache on cache misses by default (`enable_refill_cache_on_read = true`). This improves query performance but may increase network traffic. Consider disabling this if you want to minimize network usage or storage costs.\n+- The write cache is split between data files and index (puffin) files by `index_cache_percent`. If `greptime_mito_cache_bytes{type=\"index\"}` is full but `greptime_mito_cache_bytes{type=\"file\"}` is not, consider increasing `index_cache_percent`.\n+- If a cache is consistently small compared with its configured capacity, reduce that cache size and allocate the resource to caches with higher pressure.\n - 1/4 of total memory for the `page_cache_size` at least if the memory usage is under 20%\n - Double the cache size if the cache hit ratio is less than 50%\n-- If using full-text index, leave 1/10 of disk space for the `staging_size` at least\n+- Tune `index.staging_size` only for index search workloads where `greptime_mito_cache_bytes{type=\"index_staging\"}` approaches capacity, or staging misses and evictions show pressure. It is not necessary to enlarge this setting for every deployment.\n \n ### SST format\n \n@@ -97,20 +127,6 @@ CREATE TABLE logs(\n \n ## Ingestion\n \n-### Metrics\n-\n-The following metrics help diagnose ingestion issues:\n-\n-| Metric | Type | Description |\n-| -------------------------------------------- | --------- | ---------------------------------------------------------------------------------------- |\n-| greptime_mito_write_stage_elapsed_bucket | histogram | The elapsed time of different phases of processing a write request in the storage engine |\n-| greptime_mito_write_buffer_bytes | gauge | The current estimated bytes allocated for the write buffer (memtables). |\n-| greptime_mito_write_rows_total | counter | The number of rows written to the storage engine |\n-| greptime_mito_write_stall_total | gauge | The number of rows currently stalled due to high memory pressure |\n-| greptime_mito_write_reject_total | counter | The number of rows rejected due to high memory pressure |\n-| raft_engine_sync_log_duration_seconds_bucket | histogram | The elapsed time of flushing the WAL to the disk |\n-| greptime_mito_flush_elapsed | histogram | The elapsed time of flushing the SST files |\n-\n ### Batching rows\n \n Batching means sending multiple rows to the database over the same request. This can significantly improve ingestion throughput. A recommended starting point is 1000 rows per batch. You can enlarge the batch size if latency and resource usage are still acceptable.\n@@ -121,6 +137,79 @@ Although GreptimeDB can handle out-of-order data, it still affects performance.\n \n Generally, real-time data doesn't have the issues mentioned above as they always use the latest timestamp. If you need to import data with a long time range into the database, we recommend creating the table in advance and [specifying the compaction.twcs.time_window option](/reference/sql/create.md#create-a-table-with-custom-compaction-options).\n \n+### Metrics\n+\n+The following metrics help diagnose ingestion issues. Most of these metrics are available in the official Grafana dashboards. Use the metric names below when you need custom PromQL or deeper investigation.\n+\n+| Metric | Type | Description |\n+| -------------------------------------------- | --------- | --------------------------------------------------------------------------------------------------------- |\n+| greptime_table_operator_ingest_rows | counter | The number of rows ingested by the table operator. Use the rate of this metric to track total write load. |\n+| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP request latency. Use labels such as `path`, `method`, and `code` to find write-related latency. |\n+| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC request latency. Use labels such as `path` and `code` to find write-related latency. |\n+| greptime_mito_handle_request_elapsed_bucket | histogram | The elapsed time of handling storage engine requests on datanodes. |\n+| greptime_mito_write_stage_elapsed_bucket | histogram | The elapsed time of different phases of processing a write request in the storage engine. |\n+| greptime_mito_write_buffer_bytes | gauge | The current estimated bytes allocated for the write buffer (memtables). |\n+| greptime_mito_write_rows_total | counter | The number of rows written to the storage engine. Use it to compare write load across datanodes. |\n+| greptime_mito_write_stalling_count | gauge | The number of write requests currently stalled in each worker. |\n+| greptime_mito_write_stall_total | counter | The total number of write requests stalled due to high memory pressure or transient region states. |\n+| greptime_mito_write_reject_total | counter | The number of write requests rejected due to high memory pressure. |\n+| raft_engine_sync_log_duration_seconds_bucket | histogram | The elapsed time of flushing the WAL to the disk. |\n","/bin/bash -lc \"git diff HEAD~4..HEAD -- docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md docs/reference/http-endpoints.md docs/user-guide/deployments-administration/configuration.md > /tmp/en.diff\nwc -l /tmp/en.diff && sed -n '1,240p' /tmp/en.diff\"",[756],"73662",{"_490":757,"_93":589},"git diff HEAD~4..HEAD -- docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md docs/reference/http-endpoints.md docs/user-guide/deployments-administration/configuration.md > /tmp/en.diff\nwc -l /tmp/en.diff && sed -n '1,240p' /tmp/en.diff",{"_461":759,"_442":443,"_463":449},{"_513":760,"_481":748,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"git diff HEAD~4..HEAD -- docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md docs/reference/http-endpoints.md docs/user-guide/deployments-administration/configuration.md > /tmp/en.diff\\nwc -l /tmp/en.diff && sed -n '1,240p' /tmp/en.diff\",\"workdir\":\"/workspace/docs\",\"max_output_tokens\":20000}",{"_461":762,"_442":443,"_463":449},{"_464":-5,"_539":763,"_42":-5,"_467":-5,"_541":764,"_93":543},"gAAAAABqOpawVIcrmYqSDdxVGyK6XrXxTmHmbctHlRfkkWSCuldOQ2NDiwlsq92rDMoEH9MU7xXZXJaE0Ibq-jpD3jfGubwHVQ1rufzZSVwN2dBUG6jiVsdom2hb1XMkpeWdMMqGXESmgP8zPhdgcKFqB9AtCKEg-I7m3osiuAgnRC2ty1wUjsEVZlkce8vgjO4W15ZSWMBSy-64iPHK-IIKJ1Iylmct7UdPjVCA9DRKFNFelJXvH4r8tTBioaGv05Sp9spY8uH07pcwDxfcQRrFlF2TYFHQv0ywlgc5OQsDdriwQBPes3kS58B-_UjGY9cXGomr551lWRKTK5oyu_DlfI2L77SyklL8XJrFWxpX4S0D_jT5MtHu934aRCC2QupFT85qxWVhu4r3zKo9vFSjfuOfzJDJyPLsu1FlJey9LNtx4TFKDuLlin8pqI5y5DKi1lQ1ZmIQjZdVMUMqASSYgwlXNX-8wyYQtM7hpi03WJXG6pEdw-1wNvs6LzNp0VCav4oFR7kS7JjxJaRUZX-_1Q479gbiXz0GxnBPzsC0-kZtuMh7FKr2IAnnapYtqSmoEcGxgPTLIw5rz-2bhz_v1Tu6OFOenkqxaUli92ykbQTjF_Ht-stPE5dxTotyIrH23PJBzs-Q0lhC1Cnf70zraMWBTGhiVf9WnOXPxkVP6Hmn7IJuUj-jDwDGFey5WW_1RqHFieqWgidSRp5tLPd9e2qeJhfGF_eewrNdla589tlgapYqx-YHcqb62_6JfaqteQeCxKEFmGui0hm9Yh4zK13lutpNZmfOIwOO9BMi51lOf-rOxmXSGBkDFyAQJ4AGmS4Dgc6aabGc6PdmVE-KQ3H63cLLgssrBEy3yf2DUPnvig6-wZZuVc9DF0Tz3MXqDUvu3McJqCiMXN2Q8PzhUkAqzU3dBJPtw4WMk_AsGw2ZALfVKM2HHggLcMy9lgC489SclqbzHAOdWjbnYU9mcZb3WRMGwk8NObo5hYMxNS_0t3VMhTCXQMZ8Loas7jR85mZDicm1QolhJ4j351vGYp4rjZKkf4GyW59RHB5RtVAUJfmFV_3jT4ND6qUGW2wet-84h0axL42rFGiXzH5A1oNTGBjpyaL9PcWeJXQPuaDnxE-z0e-EE9ap1SuuIai8KczZa-Qzbul-oRHsevdKtFo1cOzZTBZzmQal5jhvPYDmM027jUsecE1-iDAfyPfzHFt7jKeR",[765],{"_46":766,"_93":599},"**Evaluating version updates**\n\nI need to consider whether to include the latest version 1.1 in Chinese as well. Right now, the focus is on the original current version. Should I update both the current and version 1.1? I should check if the pull request changed any documentation for the current version. Let's inspect the current version, especially the English ones, to see what updates might be needed. There seems to be quite a bit to consider!",{"_461":768,"_442":443,"_463":449},{"_464":769,"_42":770,"_541":771,"_93":543},[],"rs_04f0f4825f373d32016a3a96ad53b48198a503ac553650d364",[766],{"_461":773,"_442":443,"_463":449},{"_481":774,"_467":-5,"_483":775,"_93":485},"call_s2uU0Jesg62F3SgkGBmY4d70","Chunk ID: 245be6\nWall time: 0.0000 seconds\nProcess exited with code 0\nOriginal token count: 213\nOutput:\ni18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-metadata/configuration.md\ni18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/wal/remote-wal/configuration.md\n",{"_461":777,"_442":443,"_463":449},{"_488":778,"_490":779,"_492":780,"_494":495,"_447":32,"_496":32,"_42":774,"_497":781,"_499":500,"_454":114,"_93":501},"i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-metadata/configuration.md\ni18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/wal/remote-wal/configuration.md\n","/bin/bash -lc 'for f in docs/reference/http-endpoints.md docs/user-guide/deployments-administration/configuration.md docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md; do z=i18n/zh/docusaurus-plugin-content-docs/current/${f#docs/}; [ -f \"$z\" ] && echo \"$z\" || true; done; rg --files i18n/zh/docusaurus-plugin-content-docs/current | rg '\"'http-endpoints|configuration.md|performance-tuning-tips.md'\"",[782],"72739",{"_490":783,"_93":589},"for f in docs/reference/http-endpoints.md docs/user-guide/deployments-administration/configuration.md docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md; do z=i18n/zh/docusaurus-plugin-content-docs/current/${f#docs/}; [ -f \"$z\" ] && echo \"$z\" || true; done; rg --files i18n/zh/docusaurus-plugin-content-docs/current | rg 'http-endpoints|configuration.md|performance-tuning-tips.md'",{"_461":785,"_442":443,"_463":449},{"_513":786,"_481":774,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"for f in docs/reference/http-endpoints.md docs/user-guide/deployments-administration/configuration.md docs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md; do z=i18n/zh/docusaurus-plugin-content-docs/current/${f#docs/}; [ -f \\\"$z\\\" ] && echo \\\"$z\\\" || true; done; rg --files i18n/zh/docusaurus-plugin-content-docs/current | rg 'http-endpoints|configuration.md|performance-tuning-tips.md'\",\"workdir\":\"/workspace/docs\"}",{"_461":788,"_442":443,"_463":449},{"_464":-5,"_539":789,"_42":-5,"_467":-5,"_541":790,"_93":543},"gAAAAABqOpaqArp3AywkMtAPxe-tjn_EyGw1nzguCY7X2plZtfd0INFGu3JEZu7zXqMRvRYrC_i4b8EfAA_1EIjazKpX2SgkPijEyVQII6s02nQ-mxet0j1decJaxEa0QIoOPv3dPz0bzQ2cONl2rrnYIceg95wBfl0u15y9-7RW5fSkR50ecbK1rLjjuwzdysJMlEiYvIaOEXdfDWxAGGFxunOlr70AatpYWc-GDxbUxM3W2WeglH49SIzmpfxbIkued81Cfy6TcfS7yrr7pkiKlbo75g0LnIIymbSyq4SztVubkQWx7gouoca-Wd6cgtOFwBzJLmCrMu7slM9w3x3tFpsYOL4LRQ_OTtLu6BZy7qnXfhMnyCNAiI-auLpuNMQyN0wXjS0D-d2elqHiqHj8YvJmGxoz28cGoRNADpPmFYgEOngXqrdGpFzx6SSxzvsREgvQk0yqFSvjGyOCxxtOUqZ-ruexd_iNdgGzQ2OOUiQRr1tGG7B1qGwI8z5iLa6ymuh7Omg-toJOnClU7R8ahnaqfch39bkjwvBVj7x-Xk0a_532Uw5w-oh-RP57_c-fqcHuk7KCzntihZV4PDEs0s1HUeO-3DAC0HonwZuZYWyWAi3SqWL4t8TsuJgC4NuUwz1JKpgWhaqpYAourQrp5mG5RVdHaPBeCgqF8dYf--7AF3s19jIEq7HuT08aGPwkQIB1fbePMuIzDfKlN8wKq-UWPGWB3SDXLxQdlL0xYL8U7uD-fe871CRT_Mwx5qNDBbuKarffdpq1wH4MKPVkO0RSDkJ8OEzYnAynDbmkTf8Q293x4Wys57ei1gWXSoezBgOSyPgFULvAb6kG1_EOxQ8XJcoxWICX41iMrmImK1pazE_mGzdXbyt1D4NBWD7CH3fiCYHR0SBjGvqEwSAtS0qFO2fC0ZTfBh_FyPmm44H2ekeE7pHE4Gnld_3scMSZ-nKIHRNNyr9TkxZ-TKWMTl61WlG9lTGqUcpk_mjRzrBjkc-gaj9nJo8AB_aDTu-rMIpXJdFgdI2DIiAMYGAS0QSfa3pf2w==",[791],{"_46":792,"_93":599},"**Reviewing version updates**\n\nI need to check the current version of the i18n/zh documentation, possibly version 1.1, and see how it compares to what I have on file. It’s important to make sure everything is up-to-date. I’ll look into the documentation files to determine any changes or updates that might have been made. Keeping track of these versions helps ensure accuracy in the information I’m providing. Let's get started on that!",{"_461":794,"_442":443,"_463":449},{"_464":795,"_42":796,"_541":797,"_93":543},[],"rs_04f0f4825f373d32016a3a96a8c4e48198a30b43a9ab07bde0",[792],{"_461":799,"_442":443,"_463":449},{"_481":800,"_467":-5,"_483":801,"_93":485},"call_4dnGbhVVkxa4qHVRGPhiKwVG","Chunk ID: 6f26dd\nWall time: 0.0000 seconds\nProcess exited with code 0\nOriginal token count: 267\nOutput:\n1e1e117 docs: add profiling collection guidance\n docs/reference/http-endpoints.md | 43 ++++++++++++++++----\n .../performance-tuning/performance-tuning-tips.md | 47 ++++++++++++++++++++++\n 2 files changed, 82 insertions(+), 8 deletions(-)\n17f43a2 docs: improve ingestion performance tuning tips\n .../performance-tuning/performance-tuning-tips.md | 87 ++++++++++++++++++----\n 1 file changed, 73 insertions(+), 14 deletions(-)\n07afcc1 docs: add tips to debug slow queries by explain analyze verbose\n .../performance-tuning/performance-tuning-tips.md | 24 +++++++++++++++++++---\n 1 file changed, 21 insertions(+), 3 deletions(-)\ndff2a0c docs: update mito cache tuning tips\n .../deployments-administration/configuration.md | 10 +++--\n .../performance-tuning/performance-tuning-tips.md | 46 ++++++++++++++--------\n 2 files changed, 35 insertions(+), 21 deletions(-)\ndocs/reference/http-endpoints.md\ndocs/user-guide/deployments-administration/configuration.md\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n",{"_461":803,"_442":443,"_463":449},{"_488":804,"_490":805,"_492":806,"_494":495,"_447":32,"_496":32,"_42":800,"_497":807,"_499":500,"_454":114,"_93":501},"1e1e117 docs: add profiling collection guidance\n docs/reference/http-endpoints.md | 43 ++++++++++++++++----\n .../performance-tuning/performance-tuning-tips.md | 47 ++++++++++++++++++++++\n 2 files changed, 82 insertions(+), 8 deletions(-)\n17f43a2 docs: improve ingestion performance tuning tips\n .../performance-tuning/performance-tuning-tips.md | 87 ++++++++++++++++++----\n 1 file changed, 73 insertions(+), 14 deletions(-)\n07afcc1 docs: add tips to debug slow queries by explain analyze verbose\n .../performance-tuning/performance-tuning-tips.md | 24 +++++++++++++++++++---\n 1 file changed, 21 insertions(+), 3 deletions(-)\ndff2a0c docs: update mito cache tuning tips\n .../deployments-administration/configuration.md | 10 +++--\n .../performance-tuning/performance-tuning-tips.md | 46 ++++++++++++++--------\n 2 files changed, 35 insertions(+), 21 deletions(-)\ndocs/reference/http-endpoints.md\ndocs/user-guide/deployments-administration/configuration.md\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n","/bin/bash -lc 'git show --stat --oneline HEAD~4..HEAD && git diff --name-only HEAD~4..HEAD'",[808],"75541",{"_490":809,"_93":589},"git show --stat --oneline HEAD~4..HEAD && git diff --name-only HEAD~4..HEAD",{"_461":811,"_442":443,"_463":449},{"_513":812,"_481":800,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"git show --stat --oneline HEAD~4..HEAD && git diff --name-only HEAD~4..HEAD\",\"workdir\":\"/workspace/docs\",\"max_output_tokens\":12000}",{"_461":814,"_442":443,"_463":449},{"_464":-5,"_539":815,"_42":-5,"_467":-5,"_541":816,"_93":543},"gAAAAABqOpanm8nLmi2F0EdQGIe8ajJnYhtOm5LDh1TMiwVxuHhi8XnMmGAJbV2SD1aztpcTtON4ClW-EqVYhDy6Di-NvWT5-YvxO5X4fkc1EIKdAfC8O8OwaRqA_0fCnoBSfQdzZBhD3_Y9Ogb1bxm2kRRjSk0nt06896R0Y3zq-ikpx0WFhyABpsTMcB4LoN6qTe18sDNtHcu6MyP1aauYDuxAWEyqYXmypM4ihzU9PxZX1bvzl9IOu4CpTQmdBmc5sO9lrk34BNi0aj_zwlJO9I0o4s3D9dO6n7AgbyK5qpQ5wFfknD1jJTo0heqfT5WFh7xR697Nri-J3wUoaj_0cOypWYNqEoOsDVX7MnnfS-HgEw23cbNvV_Im626sywT2StbyqJ5GNEJDOfmXwf8yqw336wXcDdNd05bKSggen5NFDPOW02YssQQbiD610zsi8i3N4u8dFcd2NYxRdsQRJLwBC2D1cFzMLXtl5HNbkh3BJ9jUZyusSYziqxv1ritT1lWSY-hiP2yV5GJf-WF9cIRDh0atmSBOSP--AH6-KA5FuKArg0YeuM-hWJJVfGR-aTrSWYMKB2b0RMaBRhoHVk8TSNhkKWEIO-xVOCWwo1ZmpcOau9UHE6NosLROt4enmai9phu1wDeLrHolxUtaJKJ-y9ESTjX72gZOJ1qZoyONlkA5CPPlK0Mmh17zOJnbPuaYoxWSy6gGGEMFYca_h5dvgqNLUVva1a0K3qp6UWu_KltYEoKlCAD7LHKhbGpkXa9DDqVPj2jMK5I0vXXXClg4b8U-opP7P-IjFWL_SWp03GvpTNMcJi9BOLE99yX3MwxRgWOglF9YSsRK97cII3uVr_buxUMfoeS_NEPt2CAi56rFI5GkofEVZNqUsRR2w2O0wMGZ9rl71h0KSAw2R3gkrVZHKlfEkTkorSL6R4ad24-JgFSTxfPOo-NJl1iuOGTcfI9Y67FFkZ-_lLvJtwc0XgECI8vtQTSrm-Jo_xp0J0JHb27IzYkjyV9oGbCQ3pS8UtO3eAOHstPWa9aI4dT6nEkPfXdpy3AbJaCMkU5M_JSxLOdgSOoW7KzZbv0aLirrWRDP",[817],{"_46":818,"_93":599},"**Updating commit information**\n\nI need to update the corresponding commits for the zh (Chinese) branch. It seems like there are untracked yarn files that I should probably ignore for now. My next step is to identify the changed files in the pull request. I'll use git to show the stats and check what specifically has been altered. This will help me ensure everything is aligned properly before moving forward!",{"_461":820,"_442":443,"_463":449},{"_464":821,"_42":822,"_541":823,"_93":543},[],"rs_04f0f4825f373d32016a3a96a51a648198bb9421a2eb0d051c",[818],{"_461":825,"_442":443,"_463":449},{"_481":826,"_467":-5,"_483":827,"_93":485},"call_QCJSkTG7BtnnzueLOeS7vkd7","Chunk ID: d90ab2\nWall time: 0.0037 seconds\nProcess exited with code 0\nOriginal token count: 102600\nOutput:\nTotal output lines: 1668\n\n M yarn.lock\n?? .pnp.cjs\n?? .pnp.loader.mjs\n?? .yarn/\n1e1e117 docs: add profiling collection guidance\n17f43a2 docs: improve ingestion performance tuning tips\n07afcc1 docs: add tips to debug slow queries by explain analyze verbose\ndff2a0c docs: update mito cache tuning tips\nb38269a docs: remove EOL documentation versions 0.12 and 0.13 (#2570)\ni18n/zh/docusaurus-plugin-content-docs/version-0.17.json:63: \"message\": \"性能调优\",\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/read-replicas/overview.md:9:*读副本 (Read Replica)* 是 GreptimeDB 企业集群版中的一项重要功能，旨在提升系统的整体读写性能与可扩展性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/read-replicas/manage-read-replicas.md:8:本文介绍如何在 GreptimeDB 企业版中管理读副本，包括在表与 Region 级别添加/移除读副本、使用 `SHOW REGION` 查看副本分布，以及放置约束与性能最佳实践建议。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/read-replicas/manage-read-replicas.md:25:每个 Region 的 Follower 节点会基于 Datanode 的工作负载类型进行分配。**为获得最佳性能，强烈建议先[配置 Datanode 分组](/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md)，将读与写工作负载分别放置在不同的 Datanode 组中。**\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:35:虽然 `hybrid` 很方便，但在同一个 datanode 上同时进行读写操作可能会相互干扰，例如，一个大查询可能占用过多资源，从而影响在线写入。为了获得最佳性能，建议将读写工作负载分离到不同的 datanode 组中。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:102:- 为了获得最佳性能，建议[配置 frontend 组](/user-guide/deployments-administration/deploy-on-kubernetes/configure-frontend-groups.md)，这确保读写流量的完全分离，实现最大隔离。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/auto-repartition.md:8:Auto Repartition 是 Autopilot 的一个调度策略，用于自动将大 Region 拆分为多个小 Region。当某个表中存在可能成为性能瓶颈的大 Region 时，Auto Repartition 会基于采样结果生成新的分区边界，并提交 Repartition 操作。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/auto-repartition.md:29:- 某些大 Region 可能成为性能瓶颈；\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/overview.md:13:- **Auto Repartition**：自动将大 Region 拆分为多个小 Region，避免单个大 Region 成为性能瓶颈。拆分后的 Region 可以被调度到不同 Datanode 上，从而打散潜在的负载瓶颈。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/overview.md:31:- 某些大 Region 可能成为性能瓶颈，需要拆分成多个小 Region；\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/greptimecloud/integrations/vector.md:9:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/greptimecloud/integrations/fluent-bit.md:9:Fluent Bit 是一个轻量且快速的日志处理和转发器，可以收集、解析、过滤和转发日志和指标。Fluent Bit 是 Fluentd 项目生态系统的一部分，用 C 语言编写。它设计为内存高效且性能优越，适合在资源受限的环境中使用。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/query-data/sql.md:238:这是一个尽力而为的性能优化，不会改变查询结果。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:2:keywords: [特性, 日志, 事件, 链路追踪, 更新, 删除, TTL 策略, 压缩率, 高基数, 持续聚合, 云存储, 性能, 灾难恢复, 地理空间索引, JSON 支持]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:3:description: 关于 GreptimeDB 特性的常见问题，包括如何处理 metrics、logs 和 traces，更新、删除、TTL、压缩、高基数、持续聚合、云存储、性能、灾难恢复等。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:42:- **Flat Format（针对极端高基数）**：当 tag 是请求 ID、trace ID、用户 token 这类百万级唯一值时，传统时序数据库为每个序列分配独立 buffer，序列数一多就内存膨胀、性能下降。GreptimeDB 1.0+ 的 Flat Format 引入了 BulkMemtable 和多序列合并路径，消除 per-series 开销，高基数场景下**写入吞吐量提升 4 倍，查询快 10 倍**。详见 [Flat Format 详解](https://greptime.cn/blogs/2025-12-22-flat-format)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:45:- **灵活索引**：支持按需手工创建索引。可以为 tag 列和 field 列创建多种索引类型（倒排、全文、跳数），而不是自动为每列建索引。按需创建索引既能优化查询性能，又能降低索引开销。详见[索引文档](/user-guide/manage-data/data-index.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:60:## 性能对比其他方案怎么样？\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:64:性能测试报告：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:86:包括部署选项、迁移指南、性能对比、最佳实践等，请访问[常见问题页面](/faq-and-others/faq.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:2:keywords: [云原生, 可观测性数据库, 高性能, 成本效益, 统一设计]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:3:description: 解释使用 GreptimeDB 的动机和优势，包括统一处理 metrics、logs 和 traces 的设计、云原生架构、成本优势、高性能和易集成性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:43:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:49:[GreptimeDB 在 JSONBench 10 亿条记录冷查询中拿下第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb) 更多[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目的是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:78:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:110: - 注意：设置为 `true` 可能会略微提高区分大小写查询的性能，但会降低不区分大小写查询的性能。此设置不会影响 `matches_term` 查询的结果。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:133: - 在不同查询模式下性能稳定\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:144: - 对高选择性查询性能优异\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:147: - 对低选择性查询性能较慢\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:152:#### 性能对比\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:154:下表显示了不同查询方法之间的性能对比（以 Bloom 为基准）：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:163:- 对于高选择性查询（如唯一值），Tantivy 提供最佳性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:164:- 对于低选择性查询，Bloom 提供更稳定的性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:223:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:226:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:228:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:231:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:234:建议根据具体应用场景和性能需求，合理规划索引策略。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/integrations/mcp.md:54:server 还内置了一批 Jinja prompt 模板，覆盖常见任务（metrics 分析、trace 分析、pipeline 创建、schema 设计、查询性能调优等）。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/integrations/coroot.md:10:预定义的仪表板具备指标、日志、链路追踪、持续性能分析\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/protocols/http.md:150: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/protocols/http.md:576: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/flow-computation/overview.md:45:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/flow-computation/manage-flow.md:51:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/overview.md:20:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/opentelemetry.md:331:1. `greptime_trace_v1` 处理方式默认通过 `trace_id` 字段将数据切分成不同的分区以提升性能。**请确保 `trace_id` 的第一个字符是分布均匀的**。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/vector.md:14:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/prometheus.md:84:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/prometheus.md:294:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/prometheus.md:330:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/alloy.md:193:有关 `loki.write`、`otelcol.processor.batch` 和 `otelcol.exporter.otlphttp` 的最新组件行为和调优建议，请参考 Grafana Alloy 官方文档。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/go.md:69:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/go.md:310:通过在客户端使用 Arrow IPC 编码将多个表或对象聚合，并在一次 gRPC 请求中发送，与常规 Write API 相比，可以显著减少网络开销并提升整体写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:12:GreptimeDB 提供的 Java ingester SDK 是一个轻量级、高性能的客户端，专为高效的时间序列数据写入而设计。它利用 gRPC 协议提供非阻塞、纯异步的 API，在保持与应用程序无缝集成的同时提供高吞吐数据写入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:14:该客户端提供针对各种性能要求和使用场景优化的多种写入方法。你可以选择最适合你特定需求的方法——无论你需要低延迟操作的简单一元写入，还是处理大量时间序列数据时最大效率的高吞吐量批量流式传输。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:126:// 以获得更好的性能和资源利用率。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:212:- `auto_create_table`：默认为 `True`。如果设置为 `False`，表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:240:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:279:Bulk 写入 API 提供了一种高性能、内存高效的机制，用于将大量时间序列数据写入到 GreptimeDB 中。它利用堆外内存管理，在写入大批量数据时实现最佳吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:287:此 API 仅支持每个流写入一个表，并处理大数据量（每次写入可高达 200MB+），具有自适应流量控制。性能优势包括：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:296:- 具有苛刻性能要求的时间序列应用程序\ni18n/zh/docusaurus-plugin-content…92600 tokens truncated…ation/deploy-on-kubernetes/common-helm-chart-configurations.md:652: storageClassName: io2 # 使用 AWS ebs io2 存储以获得更好的性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/deploy-on-kubernetes/overview.md:43:- [使用 MySQL/PostgreSQL 作为元数据存储](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#配置-metasrv-后端存储)：集成 MySQL/PostgreSQL 数据库以提供强大的元数据存储功能，增强可靠性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/wal/local-wal.md:36:### 使用单独的高性能卷作为 WAL 目录\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/wal/local-wal.md:40:- 使用高性能磁盘——包括专用物理卷或自定义的高性能 `StorageClass`，以提升 WAL 的写入吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/wal/local-wal.md:41:- 隔离 WAL I/O 与缓存文件访问，降低 I/O 竞争，提升整体系统性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:20:GreptimeDB 中针对写入密集型工作负载优化的表类型，数据仅插入而不更新或删除。这种设计显著提升写入和查询性能，特别适用于日志分析和时序数据场景。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:40:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:106:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:113:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:119:GreptimeDB 的默认存储引擎，基于日志结构合并树（LSM-Tree）架构，针对时序工作负载进行优化。Mito 具备预写日志（WAL）、内存表和时间窗口压缩策略（TWCS），能够处理高吞吐量写入同时保持出色的查询性能。原生集成对象存储解决方案（S3、GCS、Azure Blob）并实现分层缓存以优化存储成本和访问速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:126:GreptimeDB 存储引擎采用的数据结构，通过先将数据写入日志再定期合并为有序结构来优化写入性能。该设计特别适合高写入吞吐量的时序工作负载。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:140:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:162:GreptimeDB 企业版中的功能，通过创建额外的只读数据实例来提升查询性能和可扩展性。读副本将读取工作负载分布到多个实例上，减少主数据库的负载同时提供更快的查询响应。该功能支持数据访问点的地理分布，提升读取操作的高可用性，并在企业环境中实现读密集型工作负载的高效扩展。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:171:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:178:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:197:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:207:GreptimeDB 企业版中的监控和告警功能，支持对时序数据条件进行自动化评估。Trigger 在指定间隔内持续监控表中的数据，执行基于 SQL 的规则来检查预定义的阈值或条件，并在满足条件时通过 webhook 发送通知。该功能与 Alertmanager 等告警系统集成，支持自定义标签和注释，特别适用于实时系统监控、性能告警和自动化事件响应。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:234:GreptimeDB 查询引擎采用的高性能数据处理技术，通过批量操作数据向量（数组）来提升查询性能。支持 SIMD 指令加速，显著提升大规模时序数据的分析速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/http-endpoints.md:141:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/maintenance/table-reconciliation.md:101:- 建议在业务低峰期执行修复操作，以减少对系统性能的影响\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:57:`objbench` 子命令是一个用于测量对象存储上特定文件读写性能的基准测试工具。这对于诊断性能问题和测试存储层性能非常有用。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:66:| `--pprof-file ` | pprof 火焰图的输出文件路径（启用性能分析）。生成 SVG 格式的火焰图文件 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:72:测量特定文件的读写性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:78:#### 带性能分析的基准测试\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:80:测量性能并生成用于性能分析的火焰图：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:86:这将生成一个 SVG 格式的火焰图，可以在 Web 浏览器中打开进行性能分析。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:162:#### warmup 后开始性能分析\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/use-custom-pipelines.md:202:这带来了高性能的全文搜索。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/use-custom-pipelines.md:229:但这种方法限制了高性能分析能力。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/use-custom-pipelines.md:309:- **性能**：基于列的查询通常比全文搜索更快\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/manage-pipelines.md:353:但是，你可能希望预先手动创建表以添加自定义表选项，例如添加分区规则以获得更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/overview.md:55:- **索引**：配置必要的索引以提升查询性能，例如全文索引、时间索引等\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/overview.md:74:1. **选择合适的日志收集器**：根据你的基础设施要求、数据源和性能需求选择收集器\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/select.md:89:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/alter.md:281:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/manage-data/data-index.md#全文索引)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/information-schema/ssts-storage.md:97:| **性能** | 快速（从清单读取） | 较慢（扫描存储） |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/functions/approximate.md:16:这里使用了 [HyperLogLog](https://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf) (HLL) 算法来计算一组值的近似去重计数。它在内存使用和速度方面提供了高效的性能。GreptimeDB 提供了三个函数来处理 HLL 算法，具体描述如下：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/comment.md:128:- 注释作为元数据存储，不会影响表、列或流的行为或性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/pipeline/pipeline-config.md:1035:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](/user-guide/logs/fulltext-search.md) 的性能，写法请参考下方的 [Transform 示例](#transform-示例)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/create.md:411:更多关于索引配置、性能对比和使用指南的信息，请参考[索引](/user-guide/manage-data/data-index.md)章节。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/offset.md:22:虽然将 `OFFSET` 和 `LIMIT` 与 `ORDER BY` 子句结合使用可以实现分页，但这种方法效率不高。我们建议记录每页返回的最后一条记录的时间索引（时间戳），并使用该值来过滤和限制后续页面的数据。这种方法提供了更好的分页性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:15:它是检查容器化应用程序和基础设施的健康状况、性能和资源利用率的关键。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:29:- 排查性能瓶颈\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:42:- **GreptimeDB**：Prometheus 指标的长期存储后端，具有高压缩率和查询性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:105:为了提高查询性能并降低存储成本，\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:108:你可以对表进行分区将数据分布到各个 datanode 节点上，以获得更好的可扩展性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:133:有关 Prometheus 指标存储和查询性能优化的更多信息，\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:11:- 性能基准测试 → [功能特性](/user-guide/concepts/features-that-you-concern.md#性能对比其他方案怎么样)\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:23:### GreptimeDB 的性能表现如何？\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:157:GreptimeDB 支持多种写入协议，吞吐性能差异很大。以下数据来自本地测试环境（100 万时间序列，batch size 1,000）——**请关注相对比例而非绝对数值**，实际吞吐取决于硬件和负载：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:170:- **通用场景**：gRPC SDK——简洁易用且性能好，支持无 Schema 写入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:297:- 表和列的数量没有严格限制，性能主要取决于主键设计而非表数量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:300:- 多层缓存（写入缓存 + LRU 读缓存）优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:375:- **GreptimeCloud**：全托管方案，为生产工作负载提供资源和性能保障、可预测的定价、SLA 保障。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日志（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\n",{"_461":829,"_442":443,"_463":449},{"_488":830,"_490":831,"_492":832,"_494":495,"_447":347,"_496":32,"_42":826,"_497":833,"_499":500,"_454":114,"_93":501}," M yarn.lock\n?? .pnp.cjs\n?? .pnp.loader.mjs\n?? .yarn/\n1e1e117 docs: add profiling collection guidance\n17f43a2 docs: improve ingestion performance tuning tips\n07afcc1 docs: add tips to debug slow queries by explain analyze verbose\ndff2a0c docs: update mito cache tuning tips\nb38269a docs: remove EOL documentation versions 0.12 and 0.13 (#2570)\ni18n/zh/docusaurus-plugin-content-docs/version-0.17.json:63: \"message\": \"性能调优\",\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/read-replicas/overview.md:9:*读副本 (Read Replica)* 是 GreptimeDB 企业集群版中的一项重要功能，旨在提升系统的整体读写性能与可扩展性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/read-replicas/manage-read-replicas.md:8:本文介绍如何在 GreptimeDB 企业版中管理读副本，包括在表与 Region 级别添加/移除读副本、使用 `SHOW REGION` 查看副本分布，以及放置约束与性能最佳实践建议。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/read-replicas/manage-read-replicas.md:25:每个 Region 的 Follower 节点会基于 Datanode 的工作负载类型进行分配。**为获得最佳性能，强烈建议先[配置 Datanode 分组](/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md)，将读与写工作负载分别放置在不同的 Datanode 组中。**\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:35:虽然 `hybrid` 很方便，但在同一个 datanode 上同时进行读写操作可能会相互干扰，例如，一个大查询可能占用过多资源，从而影响在线写入。为了获得最佳性能，建议将读写工作负载分离到不同的 datanode 组中。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:102:- 为了获得最佳性能，建议[配置 frontend 组](/user-guide/deployments-administration/deploy-on-kubernetes/configure-frontend-groups.md)，这确保读写流量的完全分离，实现最大隔离。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/auto-repartition.md:8:Auto Repartition 是 Autopilot 的一个调度策略，用于自动将大 Region 拆分为多个小 Region。当某个表中存在可能成为性能瓶颈的大 Region 时，Auto Repartition 会基于采样结果生成新的分区边界，并提交 Repartition 操作。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/auto-repartition.md:29:- 某些大 Region 可能成为性能瓶颈；\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/overview.md:13:- **Auto Repartition**：自动将大 Region 拆分为多个小 Region，避免单个大 Region 成为性能瓶颈。拆分后的 Region 可以被调度到不同 Datanode 上，从而打散潜在的负载瓶颈。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/enterprise/autopilot/overview.md:31:- 某些大 Region 可能成为性能瓶颈，需要拆分成多个小 Region；\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/greptimecloud/integrations/vector.md:9:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/greptimecloud/integrations/fluent-bit.md:9:Fluent Bit 是一个轻量且快速的日志处理和转发器，可以收集、解析、过滤和转发日志和指标。Fluent Bit 是 Fluentd 项目生态系统的一部分，用 C 语言编写。它设计为内存高效且性能优越，适合在资源受限的环境中使用。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/query-data/sql.md:238:这是一个尽力而为的性能优化，不会改变查询结果。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:2:keywords: [特性, 日志, 事件, 链路追踪, 更新, 删除, TTL 策略, 压缩率, 高基数, 持续聚合, 云存储, 性能, 灾难恢复, 地理空间索引, JSON 支持]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:3:description: 关于 GreptimeDB 特性的常见问题，包括如何处理 metrics、logs 和 traces，更新、删除、TTL、压缩、高基数、持续聚合、云存储、性能、灾难恢复等。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:42:- **Flat Format（针对极端高基数）**：当 tag 是请求 ID、trace ID、用户 token 这类百万级唯一值时，传统时序数据库为每个序列分配独立 buffer，序列数一多就内存膨胀、性能下降。GreptimeDB 1.0+ 的 Flat Format 引入了 BulkMemtable 和多序列合并路径，消除 per-series 开销，高基数场景下**写入吞吐量提升 4 倍，查询快 10 倍**。详见 [Flat Format 详解](https://greptime.cn/blogs/2025-12-22-flat-format)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:45:- **灵活索引**：支持按需手工创建索引。可以为 tag 列和 field 列创建多种索引类型（倒排、全文、跳数），而不是自动为每列建索引。按需创建索引既能优化查询性能，又能降低索引开销。详见[索引文档](/user-guide/manage-data/data-index.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:60:## 性能对比其他方案怎么样？\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:64:性能测试报告：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/features-that-you-concern.md:86:包括部署选项、迁移指南、性能对比、最佳实践等，请访问[常见问题页面](/faq-and-others/faq.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:2:keywords: [云原生, 可观测性数据库, 高性能, 成本效益, 统一设计]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:3:description: 解释使用 GreptimeDB 的动机和优势，包括统一处理 metrics、logs 和 traces 的设计、云原生架构、成本优势、高性能和易集成性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:43:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/concepts/why-greptimedb.md:49:[GreptimeDB 在 JSONBench 10 亿条记录冷查询中拿下第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb) 更多[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目的是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:78:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:110: - 注意：设置为 `true` 可能会略微提高区分大小写查询的性能，但会降低不区分大小写查询的性能。此设置不会影响 `matches_term` 查询的结果。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:133: - 在不同查询模式下性能稳定\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:144: - 对高选择性查询性能优异\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:147: - 对低选择性查询性能较慢\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:152:#### 性能对比\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:154:下表显示了不同查询方法之间的性能对比（以 Bloom 为基准）：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:163:- 对于高选择性查询（如唯一值），Tantivy 提供最佳性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:164:- 对于低选择性查询，Bloom 提供更稳定的性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:223:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:226:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:228:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:231:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/data-index.md:234:建议根据具体应用场景和性能需求，合理规划索引策略。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/integrations/mcp.md:54:server 还内置了一批 Jinja prompt 模板，覆盖常见任务（metrics 分析、trace 分析、pipeline 创建、schema 设计、查询性能调优等）。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/integrations/coroot.md:10:预定义的仪表板具备指标、日志、链路追踪、持续性能分析\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/protocols/http.md:150: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/protocols/http.md:576: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/flow-computation/overview.md:45:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/flow-computation/manage-flow.md:51:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/overview.md:20:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/opentelemetry.md:331:1. `greptime_trace_v1` 处理方式默认通过 `trace_id` 字段将数据切分成不同的分区以提升性能。**请确保 `trace_id` 的第一个字符是分布均匀的**。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/vector.md:14:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/prometheus.md:84:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/prometheus.md:294:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/prometheus.md:330:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-observability/alloy.md:193:有关 `loki.write`、`otelcol.processor.batch` 和 `otelcol.exporter.otlphttp` 的最新组件行为和调优建议，请参考 Grafana Alloy 官方文档。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/go.md:69:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/go.md:310:通过在客户端使用 Arrow IPC 编码将多个表或对象聚合，并在一次 gRPC 请求中发送，与常规 Write API 相比，可以显著减少网络开销并提升整体写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:12:GreptimeDB 提供的 Java ingester SDK 是一个轻量级、高性能的客户端，专为高效的时间序列数据写入而设计。它利用 gRPC 协议提供非阻塞、纯异步的 API，在保持与应用程序无缝集成的同时提供高吞吐数据写入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:14:该客户端提供针对各种性能要求和使用场景优化的多种写入方法。你可以选择最适合你特定需求的方法——无论你需要低延迟操作的简单一元写入，还是处理大量时间序列数据时最大效率的高吞吐量批量流式传输。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:126:// 以获得更好的性能和资源利用率。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:212:- `auto_create_table`：默认为 `True`。如果设置为 `False`，表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:240:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:279:Bulk 写入 API 提供了一种高性能、内存高效的机制，用于将大量时间序列数据写入到 GreptimeDB 中。它利用堆外内存管理，在写入大批量数据时实现最佳吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:287:此 API 仅支持每个流写入一个表，并处理大数据量（每次写入可高达 200MB+），具有自适应流量控制。性能优势包括：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:296:- 具有苛刻性能要求的时间序列应用程序\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:334:可以使用多个选项配置 Bulk API 以优化性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:358:### 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:371:了解不同写入方法的性能特征对于优化数据写入至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:388:此选项可以显著提高数据转换为底层格式的速度。为了获得最佳性能，我们建议将列缓冲区大小设置为 1024 或更大，具体取决于你的特定工作负载特征和可用内存。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/ingest-data/for-iot/grpc-sdks/java.md:392:Ingester 公开全面的指标，使你能够监控其性能、健康状况和操作状态。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:2:keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:3:description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:6:# 性能调优技巧\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:10:GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:20:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:62:- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:70:GreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:77:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:79:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:118:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:8:表结构设计将极大影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:116:- 按**时间范围**和**主键前导列**过滤，是提升查询性能成本最低的方式。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:127:错误的主键或索引可能会显著降低性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:128:通常，你可以创建一个没有主键的仅追加表，因为对于许多场景来说，按时间戳排序数据已经有不错的性能了。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:129:这也可以作为性能基准。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:182:过长的主键将对插入性能产生负面影响并增加内存占用。主键最好不超过 5 个列。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:199:- 无需将所有低基数列设为 tag，因为这可能影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:277:去重需要更多的计算并限制了写入和查询的并行性，所以使用 append-only 表通常具有更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:282:索引是可选的；只有当某个过滤条件很常见且性能还不够好时，才需要添加索引，并且应根据列的特点选择索引类型（见[何时使用索引](#何时使用索引)中的对比）。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:357:跳数索引无法处理复杂的过滤条件，在低基数列上可能有较低的过滤性能。它只支持等于运算符。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:376:存储和查询结构化日志通常比带有全文索引的非结构化日志性能更好。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:389:如果查询性能已经可接受，就无需为表创建索引。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:430:- 当数据在逻辑上不同时，使用**多张表**：例如 schema 不同、列集合不同，或保留时间（TTL）要求不同。独立的表也可以拥有各自的主键、索引和合并模式，而一张宽表的所有列必须共享同一套配置。多表能保持 schema 清晰，并允许你独立调优和设置保留策略。代价是表数量更多：每张表都维护自己的文件，因此把数据拆成许多小表会产生许多小文件。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:453:分区表并不总是能提高性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:462:- 你需要更多 CPU 来提高查询性能或更多内存用于高开销的查询。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:470:估计分区总数时，可以考虑写入吞吐量并额外预留 50% 的 CPU 资源，以确保查询性能和稳定性。也可以根据需要调整此比例。例如，如果查询较多，那么可以预留更多 CPU 资源。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/performance-tuning/design-table.md:475:为获得最佳性能，建议选择满足以下条件的分区列：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/repartition.md:28:- 需要把某个分区进一步细分，以改善写入并发或查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/compaction.md:8:对于基于 LSM 树的数据库，压缩是极其关键的。它将重叠的碎片化 SST 文件合并成一个有序的文件，丢弃已删除的数据，同时显著提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/compaction.md:24:通常，在实时写入工作负载中，SST 文件的时间范围不会重叠。然而，由于数据删除和乱序写入等因素，SST 文件可能会有重叠的时间范围，这会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/compaction.md:51:有序组的数量往往能够反映 SST 文件的有序性。更多的有序组通常会导致查询性能变差，因为特定时间范围的查询往往会命中多个重叠的文件。压缩的主要目标是减少有序组的数量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/compaction.md:65:TWCS 将要压缩的文件分配到不同的时间窗口。对于每个窗口，TWCS 会识别有序组。如当前出现了多于一个有序组，TWCS 会基于合并开销来计算一个文件合并策略，从而将有序组的数量减少到 1。如果有序组的数量没有超过 1（也就是任意两个文件的时间范围都不重叠），TWCS 会检查是否存在过多的文件碎片，并在必要时合并这些碎片文件，因为 SST 文件数量也会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/compaction.md:67:对于窗口分配，SST 文件可能跨越多个时间窗口。为了确保不受陈旧数据影响，TWCS 根据 SST 的最大时间戳来进行分配。在时间序列工作负载中，无序写入很少发生，即使发生了，最近数据的查询性能也比陈旧数据更为重要。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/region-failover.md:34:- Kafka 集群的读取吞吐性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/region-failover.md:39:在最佳实践中，[Kafka 集群所支持的 topics/partitions 数量是有限的](https://docs.aws.amazon.com/msk/latest/developerguide/bestpractices.html)（超过这个数量可能会导致 Kafka 集群性能下降）。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/table-sharding.md:9:这种做法通常用于提高数据库系统的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-data/table-sharding.md:37:你需要考虑数据写入速率的要求、查询性能、存储系统上的数据分布。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/capacity-plan.md:2:keywords: [容量规划, CPU 需求, 内存需求, 存储需求, 数据保留策略, 硬件成本, 资源分配, 性能优化]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/capacity-plan.md:68:这样的分配旨在优化性能，\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/capacity-plan.md:71:实际需求可能会根据特定的工作负载特征和性能期望而有所不同。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/configuration.md:397:默认情况下，当查询时发生缓存未命中，GreptimeDB 会自动从对象存储下载文件填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高后续查询性能，使频繁访问的数据保留在写入缓存中。如果你想减少网络流量或存储成本，可以通过设置 `enable_refill_cache_on_read = false` 来禁用此行为。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/configuration.md:399:更详细的信息请参阅[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/configuration.md:481:此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/configuration.md:509:| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/configuration.md:553:| `sparse_primary_key_encoding` | 布尔值 | `true` | 是否使用稀疏主键编码。此优化通过仅编码非空主键列来提高写入和查询性能。 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/overview.md:33:- **监控：** 通过指标、Traces 和运行时信息[监控集群的健康状况和性能](./monitoring/overview.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/overview.md:35:### 数据管理和性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/overview.md:37:- **数据管理：** 通过[管理数据策略](/user-guide/deployments-administration/manage-data/overview.md) 以防止数据丢失、降低成本并优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/overview.md:38:- **性能调优：** 查看[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)并学习如何[设计表结构](/user-guide/deployments-administration/performance-tuning/design-table.md)以提高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-metadata/overview.md:29:- 建立全面的存储健康状态和性能指标监控\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/manage-metadata/manage-etcd.md:442:ETCD 使用多版本并发控制 (MVCC) 机制，用于存储多个版本的 KV。随着时间的推移，随着数据的更新和删除，后端数据库可能会变得碎片化，从而增加存储空间并降低性能。Defrag 是指压缩这些存储空间以回收空间并提高性能的过程。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:51:- 单个 AZ 不可用时性能相同\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:52:- 单个 DC 不可用时性能几乎相同\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:69:- 单个可用区不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:70:- 单个数据中心不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:72:如果无法容忍单个数据中心故障导致的性能下降，请考虑升级到五个数据中心和三个区域的解决方案。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:90:- 单一 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:91:- 单一 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:92:- 单一区域（城市）不可用时性能略有下降\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:111:- 单个 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:112:- 单个 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:113:- 单个区域（城市）不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:122:| 元数据跨两个区域，数据在同一区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能几乎不变 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:123:| 数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:124:| 元数据跨三个区域，数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能略有下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:125:| 数据跨三个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:131: - 在操作期间监控系统性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:141:## 性能提示\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:143:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:148:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:151:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:156:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/upgrade.md:47:**影响：** 默认配置变更，带来性能提升\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/upgrade.md:49:Metric Engine 现在默认启用**稀疏主键编码**，以提高指标场景的存储效率和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/upgrade.md:110:TSID（时间序列 ID）生成算法已通过将 `mur3::Hasher128` 替换为高性能的 `fxhash::FxHasher` 进行优化，包括针对没有 NULL 标签的序列的快速路径。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/upgrade.md:112:**性能提升：**\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/upgrade.md:203:缓存架构已重构以获得更好的性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/deploy-on-kubernetes/_pre_kind_helm.mdx:11:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\nversioned_docs/version-1.1/user-guide/deployments-administration/troubleshooting.md:124:you can add `EXPLAIN ANALYZE` or `EXPLAIN ANALYZE VERBOSE` before the query and re-execute it.\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md:652: storageClassName: io2 # 使用 AWS ebs io2 存储以获得更好的性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/deploy-on-kubernetes/overview.md:43:- [使用 MySQL/PostgreSQL 作为元数据存储](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#配置-metasrv-后端存储)：集成 MySQL/PostgreSQL 数据库以提供强大的元数据存储功能，增强可靠性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/wal/local-wal.md:36:### 使用单独的高性能卷作为 WAL 目录\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/wal/local-wal.md:40:- 使用高性能磁盘——包括专用物理卷或自定义的高性能 `StorageClass`，以提升 WAL 的写入吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/wal/local-wal.md:41:- 隔离 WAL I/O 与缓存文件访问，降低 I/O 竞争，提升整体系统性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/deployments-administration/maintenance/table-reconciliation.md:101:- 建议在业务低峰期执行修复操作，以减少对系统性能的影响\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/logs/use-custom-pipelines.md:202:这带来了高性能的全文搜索。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/logs/use-custom-pipelines.md:229:但这种方法限制了高性能分析能力。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/logs/use-custom-pipelines.md:309:- **性能**：基于列的查询通常比全文搜索更快\nversioned_docs/version-1.1/reference/http-endpoints.md:141:### Profiling Tools\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/logs/manage-pipelines.md:353:但是，你可能希望预先手动创建表以添加自定义表选项，例如添加分区规则以获得更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/logs/overview.md:55:- **索引**：配置必要的索引以提升查询性能，例如全文索引、时间索引等\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/user-guide/logs/overview.md:74:1. **选择合适的日志收集器**：根据你的基础设施要求、数据源和性能需求选择收集器\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:20:GreptimeDB 中针对写入密集型工作负载优化的表类型，数据仅插入而不更新或删除。这种设计显著提升写入和查询性能，特别适用于日志分析和时序数据场景。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:40:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:106:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:113:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:119:GreptimeDB 的默认存储引擎，基于日志结构合并树（LSM-Tree）架构，针对时序工作负载进行优化。Mito 具备预写日志（WAL）、内存表和时间窗口压缩策略（TWCS），能够处理高吞吐量写入同时保持出色的查询性能。原生集成对象存储解决方案（S3、GCS、Azure Blob）并实现分层缓存以优化存储成本和访问速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:126:GreptimeDB 存储引擎采用的数据结构，通过先将数据写入日志再定期合并为有序结构来优化写入性能。该设计特别适合高写入吞吐量的时序工作负载。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:140:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:162:GreptimeDB 企业版中的功能，通过创建额外的只读数据实例来提升查询性能和可扩展性。读副本将读取工作负载分布到多个实例上，减少主数据库的负载同时提供更快的查询响应。该功能支持数据访问点的地理分布，提升读取操作的高可用性，并在企业环境中实现读密集型工作负载的高效扩展。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:171:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:178:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:197:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:207:GreptimeDB 企业版中的监控和告警功能，支持对时序数据条件进行自动化评估。Trigger 在指定间隔内持续监控表中的数据，执行基于 SQL 的规则来检查预定义的阈值或条件，并在满足条件时通过 webhook 发送通知。该功能与 Alertmanager 等告警系统集成，支持自定义标签和注释，特别适用于实时系统监控、性能告警和自动化事件响应。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/glossary.md:234:GreptimeDB 查询引擎采用的高性能数据处理技术，通过批量操作数据向量（数组）来提升查询性能。支持 SIMD 指令加速，显著提升大规模时序数据的分析速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/http-endpoints.md:141:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/command-lines/datanode.md:57:`objbench` 子命令是一个用于测量对象存储上特定文件读写性能的基准测试工具。这对于诊断性能问题和测试存储层性能非常有用。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/command-lines/datanode.md:66:| `--pprof-file ` | pprof 火焰图的输出文件路径（启用性能分析）。生成 SVG 格式的火焰图文件 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/command-lines/datanode.md:72:测量特定文件的读写性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/command-lines/datanode.md:78:#### 带性能分析的基准测试\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/command-lines/datanode.md:80:测量性能并生成用于性能分析的火焰图：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/command-lines/datanode.md:86:这将生成一个 SVG 格式的火焰图，可以在 Web 浏览器中打开进行性能分析。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/command-lines/datanode.md:162:#### warmup 后开始性能分析\nversioned_docs/version-1.1/reference/sql/explain.md:72:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\nversioned_docs/version-1.1/reference/sql/explain.md:94:The `EXPLAIN ANALYZE VERBOSE` command provides the detail metrics about the execution of scan plans.\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/select.md:89:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/alter.md:307:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/manage-data/data-index.md#全文索引)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/information-schema/ssts-storage.md:97:| **性能** | 快速（从清单读取） | 较慢（扫描存储） |\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/create.md:411:更多关于索引配置、性能对比和使用指南的信息，请参考[索引](/user-guide/manage-data/data-index.md)章节。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/offset.md:22:虽然将 `OFFSET` 和 `LIMIT` 与 `ORDER BY` 子句结合使用可以实现分页，但这种方法效率不高。我们建议记录每页返回的最后一条记录的时间索引（时间戳），并使用该值来过滤和限制后续页面的数据。这种方法提供了更好的分页性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/functions/approximate.md:16:这里使用了 [HyperLogLog](https://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf) (HLL) 算法来计算一组值的近似去重计数。它在内存使用和速度方面提供了高效的性能。GreptimeDB 提供了三个函数来处理 HLL 算法，具体描述如下：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/sql/comment.md:128:- 注释作为元数据存储，不会影响表、列或流的行为或性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/pipeline/pipeline-config.md:1127:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](/user-guide/logs/fulltext-search.md) 的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/tutorials/k8s-metrics-monitor.md:15:它是检查容器化应用程序和基础设施的健康状况、性能和资源利用率的关键。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/tutorials/k8s-metrics-monitor.md:29:- 排查性能瓶颈\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/tutorials/k8s-metrics-monitor.md:42:- **GreptimeDB**：Prometheus 指标的长期存储后端，具有高压缩率和查询性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/tutorials/k8s-metrics-monitor.md:105:为了提高查询性能并降低存储成本，\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/tutorials/k8s-metrics-monitor.md:108:你可以对表进行分区将数据分布到各个 datanode 节点上，以获得更好的可扩展性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/tutorials/k8s-metrics-monitor.md:133:有关 Prometheus 指标存储和查询性能优化的更多信息，\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/faq-and-others/faq.md:11:- 性能基准测试 → [功能特性](/user-guide/concepts/features-that-you-concern.md#性能对比其他方案怎么样)\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/faq-and-others/faq.md:23:### GreptimeDB 的性能表现如何？\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/faq-and-others/faq.md:157:GreptimeDB 支持多种写入协议，吞吐性能差异很大。以下数据来自本地测试环境（100 万时间序列，batch size 1,000）——**请关注相对比例而非绝对数值**，实际吞吐取决于硬件和负载：\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/faq-and-others/faq.md:170:- **通用场景**：gRPC SDK——简洁易用且性能好，支持无 Schema 写入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/faq-and-others/faq.md:297:- 表和列的数量没有严格限制，性能主要取决于主键设计而非表数量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/faq-and-others/faq.md:300:- 多层缓存（写入缓存 + LRU 读缓存）优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/faq-and-others/faq.md:375:- **GreptimeCloud**：全托管方案，为生产工作负载提供资源和性能保障、可预测的定价、SLA 保障。\nversioned_docs/version-0.15/enterprise/administration/troubleshooting.md:124:you can add `EXPLAIN ANALYZE` or `EXPLAIN ANALYZE VERBOSE` before the query and re-execute it.\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日志（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:2:keywords: [性能调优, GreptimeDB 性能, GreptimeDB 优化, GreptimeDB 查询性能, GreptimeDB 写入性能]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:3:description: GreptimeDB 性能调优指南，包括查询性能和写入性能的优化建议。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:6:# 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:18:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:62:将高基数的列，如 `trace_id` 和 `uuid` 等列设置为主键会降低写入和查询的性能。建议建表时使用 [append-only 表](/reference/sql/create.md#创建-append-only-表)并将这些高基数的列设置为 fields。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:67:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:69:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/performance-tuning.md:92:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/overview.md:2:keywords: [运维管理, 性能调优, 问题排查, 备份, 灾难恢复]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/overview.md:3:description: 讲解如何更好地使用和管理企业版产品，包括性能调优、问题排查，数据的备份和恢复等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/overview.md:8:本章节文档协助你更好地使用和管理企业版产品，包括性能调优、问题排查，数据的备份和恢复等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/overview.md:10:## 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/overview.md:12:根据自身场景调整配置以提升系统性能，详情请参考[性能调优](./performance-tuning.md)文档。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/enterprise/administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/index.md:20:- **All-in-One 的可观测性数据库**：通过统一数据库实时处理指标、日志和链路追踪，原生支持 [SQL](/user-guide/query-data/sql.md)、[PromQL](/user-guide/query-data/promql.md) 和 [流式处理](/user-guide/flow-computation/overview.md)。用高性能单一解决方案取代复杂的传统数据堆栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/index.md:21:- **高性能引擎**：采用 Rust 语言打造，具备卓越的性能和可靠性。丰富的[索引选择](/user-guide/manage-data/data-index.md)（倒排、全文、调数和向量索引）加速查询，实现 PB 级数据的亚秒级响应，并能处理数十万并发请求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/architecture.md:12:- [**Metasrv**](/contributor-guide/metasrv/overview.md) 控制着 GreptimeDB 集群的核心命令。在典型的部署结构中，至少需要三个节点才能建立一个可靠的 _Metasrv_ 小集群。_Metasrv_ 管理着数据库和表的信息，包括数据如何在集群中传递、请求的转发地址等。它还负责监测 `Datanode` 的可用性和性能，以确保路由表的最新状态和有效性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/features-that-you-concern.md:2:keywords: [关键特性, 日志处理, 链路追踪,数据更新, 数据删除, TTL 策略, 压缩率, 高基数问题, 持续聚合, 云存储, 性能对比, 灾难恢复, 地理空间索引, JSON 数据,时序数据库特性,可观测性数据库特性]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/features-that-you-concern.md:53:## GreptimeDB 对比其他存储或时序数据库的性能如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/features-that-you-concern.md:57:请阅读以下性能报告：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/features-that-you-concern.md:80:有关 GreptimeDB 的更多常见问题解答，包括部署选项、迁移指南、性能对比和最佳实践等，请访问我们的[常见问题页面](/faq-and-others/faq.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/overview.md:8:- [Why GreptimeDB](./why-greptimedb.md)：介绍了 GreptimeDB 的特点和优势，包括其对指标、日志和链路追踪数据的统一处理，云原生和灵活架构允许在各种环境中部署，从嵌入式到云平台等。GreptimeDB 还具有成本优势、高性能和开发者友好等特点。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:2:keywords: [时序数据库, 可观测性数据库,云原生, 分布式, 高性能, 用户友好, 存算分离, PromQL, SQL, Python,Rust 数据库]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:3:description: 介绍 GreptimeDB 的特点、设计原则和优势，包括统一指标、日志和链路追踪，云原生架构，高性能和用户友好等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:18:它用高性能的单一解决方案取代了复杂的传统数据栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:26:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:28:在性能优化方面，GreptimeDB 运用了多种技术，如 LSM Tree、数据分片和灵活的 WAL 选项（本地磁盘或 Kafka 等分布式服务），以处理大规模可观测数据的写入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:30:GreptimeDB 使用纯 Rust 编写，具有卓越的性能和可靠性。强大而快速的查询引擎由向量化执行和分布式并行处理（感谢 [Apache DataFusion](https://datafusion.apache.org/)）驱动，并结合了丰富的[索引选项](/user-guide/manage-data/data-index.md)，例如倒排索引、跳数索引和全文索引等。GreptimeDB将智能索引和大规模并行处理 (MPP) 结合在一起，以提升查询过程中数据剪枝和过滤的效率。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:32:GreptimeDB 在[ClickHouse 的 JSONBench 测试中 Cold Run 斩获第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb)，更多报告请参阅[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:74:- **高性能 gRPC 协议及客户端 SDK**（Java、Go、Erlang 等）\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/concepts/why-greptimedb.md:80:GreptimeDB 与您的现有可观测性技术栈无缝集成，同时保持高性能和灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目的是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:78:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:133:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:136:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:138:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:141:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/data-index.md:144:建议根据具体应用场景和性能需求，合理规划索引策略。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/flow-computation/overview.md:41:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/flow-computation/manage-flow.md:45:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/overview.md:17:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-observability/vector.md:8:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-observability/prometheus.md:80:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-observability/prometheus.md:290:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-observability/prometheus.md:293:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-iot/grpc-sdks/go.md:69:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-iot/grpc-sdks/java.md:16:- 默认情况下自动收集各种性能指标，然后可以配置并将其写入本地文件。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-iot/grpc-sdks/java.md:86:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/ingest-data/for-iot/grpc-sdks/java.md:214:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/architecture.md:44: 不同的引擎提供不同的功能特性、性能表现和权衡取舍。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:2:keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:3:description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:6:# 性能调优技巧\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:10:GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:16:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:63:将高基数的列，如 `trace_id` 和 `uuid` 等列设置为主键会降低写入和查询的性能。建议建表时使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表并将这些高基数的列设置为 fields。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:68:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:70:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:95:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:8:表结构设计将极大影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:53:错误的主键或索引可能会显著降低性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:54:通常，你可以创建一个没有主键的仅追加表，因为对于许多场景来说，按时间戳排序数据已经有不错测性能了。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:55:这也可以作为性能基准。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:113:1. 由于数据库无法有效地批处理行，性能可能会降低。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:117:因此，不能将高基数列作为主键，或在主键中放入过多列。目前，主键值的推荐数量不超过 10 万。过长的主键将对插入性能产生负面影响并增加内存占用。主键最好不超过 5 个列。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:124:- 无需将所有低基数列设为 tag，因为这可能影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:128:如果将它们设为 field 而非 tag，GreptimeDB 可以有很不错的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:200:跳数索引无法处理复杂的过滤条件，在低基数列上可能有较低的过滤性能。它只支持等于运算符。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:219:存储和查询结构化日志通常比带有全文索引的非结构化日志性能更好。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:233:如果查询性能已经可接受，就无需为表创建索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:303:去重需要更多的计算并限制了写入和查询的并行性，所以使用 append-only 表通常具有更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:332:分区表并不总是能提高性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:341:- 你需要更多 CPU 来提高查询性能或更多内存用于高开销的查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:349:估计分区总数时，可以考虑写入吞吐量并额外预留 50% 的 CPU 资源，以确保查询性能和稳定性。也可以根据需要调整此比例。例如，如果查询较多，那么可以预留更多 CPU 资源。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/performance-tuning/design-table.md:355:为获得最佳性能，建议选择均匀分布、稳定且与查询条件一致的分区键。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/compaction.md:8:对于基于 LSM 树的数据库，压缩是极其关键的。它将重叠的碎片化 SST 文件合并成一个有序的文件，丢弃已删除的数据，同时显著提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/compaction.md:24:通常，在实时写入工作负载中，SST 文件的时间范围不会重叠。然而，由于数据删除和乱序写入等因素，SST 文件可能会有重叠的时间范围，这会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/compaction.md:51:有序组的数量往往能够反映 SST 文件的有序性。更多的有序组通常会导致查询性能变差，因为特定时间范围的查询往往会命中多个重叠的文件。压缩的主要目标是减少有序组的数量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/compaction.md:65:TWCS 将要压缩的文件分配到不同的时间窗口。对于每个窗口，TWCS 会识别有序组。如当前出现了多于一个有序组，TWCS 会基于合并开销来计算一个文件合并策略，从而将有序组的数量减少到 1。如果有序组的数量没有超过 1（也就是任意两个文件的时间范围都不重叠），TWCS 会检查是否存在过多的文件碎片，并在必要时合并这些碎片文件，因为 SST 文件数量也会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/compaction.md:67:对于窗口分配，SST 文件可能跨越多个时间窗口。为了确保不受陈旧数据影响，TWCS 根据 SST 的最大时间戳来进行分配。在时间序列工作负载中，无序写入很少发生，即使发生了，最近数据的查询性能也比陈旧数据更为重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/region-failover.md:34:- Kafka 集群的读取吞吐性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/region-failover.md:39:在最佳实践中，[Kafka 集群所支持的 topics/partitions 数量是有限的](https://docs.aws.amazon.com/msk/latest/developerguide/bestpractices.html)（超过这个数量可能会导致 Kafka 集群性能下降）。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/table-sharding.md:9:这种做法通常用于提高数据库系统的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-data/table-sharding.md:37:你需要考虑数据写入速率的要求、查询性能、存储系统上的数据分布。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/capacity-plan.md:2:keywords: [容量规划, CPU 需求, 内存需求, 存储需求, 数据保留策略, 硬件成本, 资源分配, 性能优化]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/capacity-plan.md:68:这样的分配旨在优化性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/capacity-plan.md:71:实际需求可能会根据特定的工作负载特征和性能期望而有所不同。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/configuration.md:342:更详细的信息请参阅[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/configuration.md:412:此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/overview.md:29:- **监控：** 通过指标、Traces 和运行时信息[监控集群的健康状况和性能](./monitoring/overview.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/overview.md:31:### 数据管理和性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/overview.md:33:- **数据管理：** 通过[管理数据策略](/user-guide/deployments-administration/manage-data/overview.md) 以防止数据丢失、降低成本并优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/overview.md:34:- **性能调优：** 查看[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)并学习如何[设计表结构](/user-guide/deployments-administration/performance-tuning/design-table.md)以提高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-metadata/overview.md:28:- 建立全面的存储健康状态和性能指标监控\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/manage-metadata/manage-etcd.md:442:ETCD 使用多版本并发控制 (MVCC) 机制，用于存储多个版本的 KV。随着时间的推移，随着数据的更新和删除，后端数据库可能会变得碎片化，从而增加存储空间并降低性能。Defrag 是指压缩这些存储空间以回收空间并提高性能的过程。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:51:- 单个 AZ 不可用时性能相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:52:- 单个 DC 不可用时性能几乎相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:69:- 单个可用区不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:70:- 单个数据中心不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:72:如果无法容忍单个数据中心故障导致的性能下降，请考虑升级到五个数据中心和三个区域的解决方案。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:90:- 单一 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:91:- 单一 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:92:- 单一区域（城市）不可用时性能略有下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:111:- 单个 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:112:- 单个 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:113:- 单个区域（城市）不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:122:| 元数据跨两个区域，数据在同一区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能几乎不变 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:123:| 数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:124:| 元数据跨三个区域，数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能略有下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:125:| 数据跨三个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:113: - 在操作期间监控系统性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:123:## 性能提示\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:125:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:130:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:133:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:138:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/deploy-on-kubernetes/_pre_kind_helm.mdx:11:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md:567: storageClassName: io2 # 使用 AWS ebs io2 存储以获得更好的性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/deploy-on-kubernetes/overview.md:40:- [使用 MySQL/PostgreSQL 作为元数据存储](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#配置-metasrv-后端存储)：集成 MySQL/PostgreSQL 数据库以提供强大的元数据存储功能，增强可靠性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/wal/local-wal.md:36:### 使用单独的高性能卷作为 WAL 目录\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/wal/local-wal.md:40:- 使用高性能磁盘——包括专用物理卷或自定义的高性能 `StorageClass`，以提升 WAL 的写入吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/deployments-administration/wal/local-wal.md:41:- 隔离 WAL I/O 与缓存文件访问，降低 I/O 竞争，提升整体系统性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/pipeline-config.md:993:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](./query-logs.md) 的性能，写法请参考下方的 [Transform 示例](#transform-示例)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/quick-start.md:181:但是这种方法限制了数据库执行高性能分析的能力。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/quick-start.md:268:- **性能效率**：列的匹配查询通常都比全文搜索更快。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/quick-start.md:299:为了提高全文搜索的性能，我们在[创建 Pipeline](#创建-pipeline) 时为这两个列创建了全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:28: - 注意：设置为 `true` 可能会略微提高区分大小写查询的性能，但会降低不区分大小写查询的性能。此设置不会影响 `matches_term` 查询的结果。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:51: - 在不同查询模式下性能稳定\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:62: - 对高选择性查询性能优异\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:65: - 对低选择性查询性能较慢\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:70:### 性能对比\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:72:下表显示了不同查询方法之间的性能对比（以 Bloom 为基准）：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:81:- 对于高选择性查询（如唯一值），Tantivy 提供最佳性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/user-guide/logs/fulltext-index-config.md:82:- 对于低选择性查询，Bloom 提供更稳定的性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:20:GreptimeDB 中针对写入密集型工作负载优化的表类型，数据仅插入而不更新或删除。这种设计显著提升写入和查询性能，特别适用于日志分析和时序数据场景。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:40:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:106:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:113:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:119:GreptimeDB 的默认存储引擎，基于日志结构合并树（LSM-Tree）架构，针对时序工作负载进行优化。Mito 具备预写日志（WAL）、内存表和时间窗口压缩策略（TWCS），能够处理高吞吐量写入同时保持出色的查询性能。原生集成对象存储解决方案（S3、GCS、Azure Blob）并实现分层缓存以优化存储成本和访问速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:126:GreptimeDB 存储引擎采用的数据结构，通过先将数据写入日志再定期合并为有序结构来优化写入性能。该设计特别适合高写入吞吐量的时序工作负载。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:140:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:162:GreptimeDB 企业版中的功能，通过创建额外的只读数据实例来提升查询性能和可扩展性。读副本将读取工作负载分布到多个实例上，减少主数据库的负载同时提供更快的查询响应。该功能支持数据访问点的地理分布，提升读取操作的高可用性，并在企业环境中实现读密集型工作负载的高效扩展。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:168:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:175:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:194:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:201:GreptimeDB 企业版中的监控和告警功能，支持对时序数据条件进行自动化评估。Trigger 在指定间隔内持续监控表中的数据，执行基于 SQL 的规则来检查预定义的阈值或条件，并在满足条件时通过 webhook 发送通知。该功能与 Alertmanager 等告警系统集成，支持自定义标签和注释，特别适用于实时系统监控、性能告警和自动化事件响应。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/glossary.md:228:GreptimeDB 查询引擎采用的高性能数据处理技术，通过批量操作数据向量（数组）来提升查询性能。支持 SIMD 指令加速，显著提升大规模时序数据的分析速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/http-endpoints.md:60:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/select.md:89:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/alter.md:170:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/logs/fulltext-index-config.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/create.md:335:更多关于索引配置、性能对比和使用指南的信息，请参考[索引](/user-guide/manage-data/data-index.md)章节。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/offset.md:22:虽然将 `OFFSET` 和 `LIMIT` 与 `ORDER BY` 子句结合使用可以实现分页，但这种方法效率不高。我们建议记录每页返回的最后一条记录的时间索引（时间戳），并使用该值来过滤和限制后续页面的数据。这种方法提供了更好的分页性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/sql/functions/approximate.md:16:这里使用了 [HyperLogLog](https://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf) (HLL) 算法来计算一组值的近似去重计数。它在内存使用和速度方面提供了高效的性能。GreptimeDB 提供了三个函数来处理 HLL 算法，具体描述如下：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:2:keywords: [统一可观测性, metrics, logs, traces, 性能, OpenTelemetry, Prometheus, Grafana, 云原生, SQL, PromQL]\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:12:GreptimeDB 是一个开源、云原生的统一可观测性数据库，旨在通过单一系统存储和分析 metrics、logs 和 traces。基于 Rust 构建以实现高性能，它提供：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:19:### GreptimeDB 的性能与其他解决方案相比如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:21:GreptimeDB 在可观测性工作负载中提供卓越性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:23:**写入性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:29:**查询性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:33:- 与 ClickHouse 在不同查询模式下性能相当\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:44:- 对象存储（S3/GCS）上性能一致\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:79:- **AI/LLM 监控**：跟踪模型性能和行为\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:82:## 架构与性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:220:- 数百个表的性能影响最小\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:221:- 性能随主键设计而非表数量扩展\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:231:- **多层缓存**：写入缓存（磁盘支持）和读取缓存（LRU 策略）优化性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:286:- 高性能写入和查询能力\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:290:- 基础性能诊断\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:294:- 基于成本的查询优化器，提升性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:359:**性能考量**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:360:- **时间戳**：日期时间格式（yyyy-MM-dd HH:mm:ss）无性能影响\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:362:- **Append Only 表**：建议使用，对写入和查询性能更友好，尤其适合日志场景\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:373:- 使用 Append Only 表获得更好的写入和查询性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:377:**表设计与性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:379:- 性能优化：[性能调优提示](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:393:*性能基准*：\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/faq-and-others/faq.md:395:- [性能对比分析](/user-guide/concepts/features-that-you-concern.md#greptimedb-对比其他存储或时序数据库的性能如何)\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/db-cloud-shared/tutorials/monitor-host-metrics/overview.md:3:了解主机指标至关重要，因为它可以帮助你识别可能影响应用程序整体性能的潜在问题或瓶颈。\nversioned_docs/version-0.15/reference/http-endpoints.md:60:### Profiling Tools\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/getting-started/quick-start.md:55:并且通过将 `append_mode` 设置为 true 来启用 [Append Only](/user-guide/deployments-administration/performance-tuning/design-table.md#何时使用-append-only-表)模式，这通常对性能有帮助。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日志（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/trigger.md:45:load1 是衡量系统活动的关键性能指标。我们可以创建监控规则来跟踪此表中的值。表结构\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/read-replica.md:8:读副本（Read Replica）是 GreptimeDB 企业集群版中的一项重要功能，旨在提高数据库系统的整体读写性能和可扩展性。在读副本功能中，客户端将数据写入 “Leader” Region。Leader Region 再将数据同步到 “Follower” Region。Follower Region 只提供读功能，是为 Leader Region 的读副本。Leader Region 和 Follower Region 分别部署在不同的 Datanode 节点上，可有效分隔读写请求对于系统资源的互相抢占，带来更平滑的整体读写体验：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/read-replica.md:168:EXPLAIN ANALYZE VERBOSE SELECT * FROM foo ORDER BY ts;\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:2:keywords: [性能调优, GreptimeDB 性能, GreptimeDB 优化, GreptimeDB 查询性能, GreptimeDB 写入性能]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:3:description: GreptimeDB 性能调优指南，包括查询性能和写入性能的优化建议。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:6:# 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:18:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:62:将高基数的列，如 `trace_id` 和 `uuid` 等列设置为主键会降低写入和查询的性能。建议建表时使用 [append-only 表](/reference/sql/create.md#创建-append-only-表)并将这些高基数的列设置为 fields。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:67:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:69:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/performance-tuning.md:92:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\nversioned_docs/version-0.15/reference/sql/explain.md:72:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\nversioned_docs/version-0.15/reference/sql/explain.md:94:The `EXPLAIN ANALYZE VERBOSE` command provides the detail metrics about the execution of scan plans.\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/enterprise/deployments-administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/index.md:20:- **All-in-One 的可观测性数据库**：通过统一数据库实时处理指标、日志和链路追踪，原生支持 [SQL](/user-guide/query-data/sql.md)、[PromQL](/user-guide/query-data/promql.md) 和 [流式处理](/user-guide/flow-computation/overview.md)。用高性能单一解决方案取代复杂的传统数据堆栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/index.md:21:- **高性能引擎**：采用 Rust 语言打造，具备卓越的性能和可靠性。丰富的[索引选择](/user-guide/manage-data/data-index.md)（倒排、全文、调数和向量索引）加速查询，实现 PB 级数据的亚秒级响应，并能处理数十万并发请求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/architecture.md:14:- [**Metasrv**（元数据服务器）](/contributor-guide/metasrv/overview.md) 控制着 GreptimeDB 集群的核心命令。在典型的部署结构中，至少需要三个节点才能建立一个可靠的 Metasrv 小集群。Metasrv 管理着数据库和表的信息，包括数据如何在集群中传递、请求的转发地址等。它还负责监测 `Datanode` 的可用性和性能，以确保路由表的最新状态和有效性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/features-that-you-concern.md:2:keywords: [关键特性, 日志处理, 链路追踪,数据更新, 数据删除, TTL 策略, 压缩率, 高基数问题, 持续聚合, 云存储, 性能对比, 灾难恢复, 地理空间索引, JSON 数据,时序数据库特性,可观测性数据库特性]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/features-that-you-concern.md:53:## GreptimeDB 对比其他存储或时序数据库的性能如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/features-that-you-concern.md:57:请阅读以下性能报告：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/features-that-you-concern.md:80:有关 GreptimeDB 的更多常见问题解答，包括部署选项、迁移指南、性能对比和最佳实践等，请访问我们的[常见问题页面](/faq-and-others/faq.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/overview.md:8:- [Why GreptimeDB](./why-greptimedb.md)：介绍了 GreptimeDB 的特点和优势，包括其对指标、日志和链路追踪数据的统一处理，云原生和灵活架构允许在各种环境中部署，从嵌入式到云平台等。GreptimeDB 还具有成本优势、高性能和开发者友好等特点。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:2:keywords: [时序数据库, 可观测性数据库,云原生, 分布式, 高性能, 用户友好, 存算分离, PromQL, SQL, Python,Rust 数据库]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:3:description: 介绍 GreptimeDB 的特点、设计原则和优势，包括统一指标、日志和链路追踪，云原生架构，高性能和用户友好等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:18:它用高性能的单一解决方案取代了复杂的传统数据栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:26:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:28:在性能优化方面，GreptimeDB 运用了多种技术，如 LSM Tree、数据分片和灵活的 WAL 选项（本地磁盘或 Kafka 等分布式服务），以处理大规模可观测数据的写入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:30:GreptimeDB 使用纯 Rust 编写，具有卓越的性能和可靠性。强大而快速的查询��擎由向量化执行和分布式并行处理（感谢 [Apache DataFusion](https://datafusion.apache.org/)）驱动，并结合了丰富的[索引选项](/user-guide/manage-data/data-index.md)，例如倒排索引、跳数索引和全文索引等。GreptimeDB将智能索引和大规模并行处理 (MPP) 结合在一起，以提升查询过程中数据剪枝和过滤的效率。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:32:GreptimeDB 在[ClickHouse 的 JSONBench 测试中 Cold Run 斩获第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb)，更多报告请参阅[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:74:- **高性能 gRPC 协议及客户端 SDK**（Java、Go、Erlang 等）\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/concepts/why-greptimedb.md:80:GreptimeDB 与您的现有可观测性技术栈无缝集成，同时保持高性能和灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目的是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:78:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:133:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:136:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:138:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:141:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/data-index.md:144:建议根据具体应用场景和性能需求，合理规划索引策略。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/integrations/coroot.md:10:预定义的仪表板具备指标、日志、链路追踪、持续性能分析\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/protocols/http.md:106: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/protocols/http.md:483: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/flow-computation/overview.md:41:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/flow-computation/manage-flow.md:45:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/overview.md:20:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-observability/vector.md:14:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-observability/prometheus.md:84:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-observability/prometheus.md:294:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-observability/prometheus.md:297:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/go.md:69:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:12:GreptimeDB 提供的 Java ingester SDK 是一个轻量级、高性能的客户端，专为高效的时间序列数据写入而设计。它利用 gRPC 协议提供非阻塞、纯异步的 API，在保持与应用程序无缝集成的同时提供高吞吐数据写入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:14:该客户端提供针对各种性能要求和使用场景优化的多种写入方法。你可以选择最适合你特定需求的方法——无论你需要低延迟操作的简单一元写入，还是处理大量时间序列数据时最大效率的高吞吐量批量流式传输。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:126:// 以获得更好的性能和资源利用率。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:211:- `auto_create_table`：默认为 `True`。如果设置为 `False`，表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:239:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:278:Bulk 写入 API 提供了一种高性能、内存高效的机制，用于将大量时间序列数据写入到 GreptimeDB 中。它利用堆外内存管理，在写入大批量数据时实现最佳吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:287:此 API 仅支持每个流写入一个表，并处理大数据量（每次写入可高达 200MB+），具有自适应流量控制。性能优势包括：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:296:- 具有苛刻性能要求的时间序列应用程序\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:334:可以使用多个选项配置 Bulk API 以优化性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:358:### 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:371:了解不同写入方法的性能特征对于优化数据写入至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:388:此选项可以显著提高数据转换为底层格式的速度。为了获得最佳性能，我们建议将列缓冲区大小设置为 1024 或更大，具体取决于你的特定工作负载特征和可用内存。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/ingest-data/for-iot/grpc-sdks/java.md:392:Ingester 公开全面的指标，使你能够监控其性能、健康状况和操作状态。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:2:keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:3:description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:6:# 性能调优技巧\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:10:GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:16:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:63:将高基数的列，如 `trace_id` 和 `uuid` 等列设置为主键会降低写入和查询的性能。建议建表时使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表并将这些高基数的列设置为 fields。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:68:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:70:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:109:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:8:表结构设计将极大影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:53:错误的主键或索引可能会显著降低性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:54:通常，你可以创建一个没有主键的仅追加表，因为对于许多场景来说，按时间戳排序数据已经有不错测性能了。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:55:这也可以作为性能基准。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:113:1. 由于数据库无法有效地批处理行，性能可能会降低。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:117:因此，不能将高基数列作为主键，或在主键中放入过多列。目前，主键值的推荐数量不超过 10 万。过长的主键将对插入性能产生负面影响并增加内存占用。主键最好不超过 5 个列。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:124:- 无需将所有低基数列设为 tag，因为这可能影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:128:如果将它们设为 field 而非 tag，GreptimeDB 可以有很不错的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:200:跳数索引无法处理复杂的过滤条件，在低基数列上可能有较低的过滤性能。它只支持等于运算符。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:219:存储和查询结构化日志通常比带有全文索引的非结构化日志性能更好。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:233:如果查询性能已经可接受，就无需为表创建索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:303:去重需要更多的计算并限制了写入和查询的并行性，所以使用 append-only 表通常具有更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:332:分区表并不总是能提高性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:341:- 你需要更多 CPU 来提高查询性能或更多内存用于高开销的查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:349:估计分区总数时，可以考虑写入吞吐量并额外预留 50% 的 CPU 资源，以确保查询性能和稳定性。也可以根据需要调整此比例。例如，如果查询较多，那么可以预留更多 CPU 资源。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/performance-tuning/design-table.md:355:为获得最佳性能，建议选择均匀分布、稳定且与查询条件一致的分区键。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/compaction.md:8:对于基于 LSM 树的数据库，压缩是极其关键的。它将重叠的碎片化 SST 文件合并成一个有序的文件，丢弃已删除的数据，同时显著提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/compaction.md:24:通常，在实时写入工作负载中，SST 文件的时间范围不会重叠。然而，由于数据删除和乱序写入等因素，SST 文件可能会有重叠的时间范围，这会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/compaction.md:51:有序组的数量往往能够反映 SST 文件的有序性。更多的有序组通常会导致查询性能变差，因为特定时间范围的查询往往会命中多个重叠的文件。压缩的主要目标是减少有序组的数量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/compaction.md:65:TWCS 将要压缩的文件分配到不同的时间窗口。对于每个窗口，TWCS 会识别有序组。如当前出现了多于一个有序组，TWCS 会基于合并开销来计算一个文件合并策略，从而将有序组的数量减少到 1。如果有序组的数量没有超过 1（也就是任意两个文件的时间范围都不重叠），TWCS 会检查是否存在过多的文件碎片，并在必要时合并这些碎片文件，因为 SST 文件数量也会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/compaction.md:67:对于窗口分配，SST 文件可能跨越多个时间窗口。为了确保不受陈旧数据影响，TWCS 根据 SST 的最大时间戳来进行分配。在时间序列工作负载中，无序写入很少发生，即使发生了，最近数据的查询性能也比陈旧数据更为重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/region-failover.md:34:- Kafka 集群的读取吞吐性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/region-failover.md:39:在最佳实践中，[Kafka 集群所支持的 topics/partitions 数量是有限的](https://docs.aws.amazon.com/msk/latest/developerguide/bestpractices.html)（超过这个数量可能会导致 Kafka 集群性能下降）。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/table-sharding.md:9:这种做法通常用于提高数据库系统的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-data/table-sharding.md:37:你需要考虑数据写入速率的要求、查询性能、存储系统上的数据分布。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/capacity-plan.md:2:keywords: [容量规划, CPU 需求, 内存需求, 存储需求, 数据保留策略, 硬件成本, 资源分配, 性能优化]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/capacity-plan.md:68:这样的分配旨在优化性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/capacity-plan.md:71:实际需求可能会根据特定的工作负载特征和性能期望而有所不同。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/configuration.md:354:更详细的信息请参阅[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/configuration.md:424:此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/overview.md:33:- **监控：** 通过指标、Traces 和运行时信息[监控集群的健康状况和性能](./monitoring/overview.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/overview.md:35:### 数据管理和性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/overview.md:37:- **数据管理：** 通过[管理数据策略](/user-guide/deployments-administration/manage-data/overview.md) 以防止数据丢失、降低成本并优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/overview.md:38:- **性能调优：** 查看[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)并学习如何[设计表结构](/user-guide/deployments-administration/performance-tuning/design-table.md)以提高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-metadata/overview.md:28:- 建立全面的存储健康状态和性能指标监控\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/manage-metadata/manage-etcd.md:442:ETCD 使用多版本并发控制 (MVCC) 机制，用于存储多个版本的 KV。随着时间的推移，随着数据的更新和删除，后端数据库可能会变得碎片化，从而增加存储空间并降低性能。Defrag 是指压缩这些存储空间以回收空间并提高性能的过程。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:51:- 单个 AZ 不可用时性能相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:52:- 单个 DC 不可用时性能几乎相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:69:- 单个可用区不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:70:- 单个数据中心不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:72:如果无法容忍单个数据中心故障导致的性能下降，请考虑升级到五个数据中心和三个区域的解决方案。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:90:- 单一 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:91:- 单一 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:92:- 单一区域（城市）不可用时性能略有下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:111:- 单个 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:112:- 单个 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:113:- 单个区域（城市）不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:122:| 元数据跨两个区域，数据在同一区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能几乎不变 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:123:| 数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:124:| 元数据跨三个区域，数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能略有下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:125:| 数据跨三个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:113: - 在操作期间监控系统性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:123:## 性能提示\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:125:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:130:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:133:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:138:2. **导入性能**\nversioned_docs/version-0.16/enterprise/read-replica.md:164:EXPLAIN ANALYZE VERBOSE SELECT * FROM foo ORDER BY ts;\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/deploy-on-kubernetes/_pre_kind_helm.mdx:11:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md:567: storageClassName: io2 # 使用 AWS ebs io2 存储以获得更好的性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/deploy-on-kubernetes/overview.md:40:- [使用 MySQL/PostgreSQL 作为元数据存储](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#配置-metasrv-后端存储)：集成 MySQL/PostgreSQL 数据库以提供强大的元数据存储功能，增强可靠性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/wal/local-wal.md:36:### 使用单独的高性能卷作为 WAL 目录\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/wal/local-wal.md:40:- 使用高性能磁盘——包括专用物理卷或自定义的高性能 `StorageClass`，以提升 WAL 的写入吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/deployments-administration/wal/local-wal.md:41:- 隔离 WAL I/O 与缓存文件访问，降低 I/O 竞争，提升整体系统性能。\nversioned_docs/version-0.16/enterprise/deployments-administration/troubleshooting.md:124:you can add `EXPLAIN ANALYZE` or `EXPLAIN ANALYZE VERBOSE` before the query and re-execute it.\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/pipeline-config.md:1035:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](./query-logs.md) 的性能，写法请参考下方的 [Transform 示例](#transform-示例)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/quick-start.md:181:但是这种方法限制了数据库执行高性能分析的能力。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/quick-start.md:268:- **性能效率**：列的匹配查询通常都比全文搜索更快。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/quick-start.md:299:为了提高全文搜索的性能，我们在[创建 Pipeline](#创建-pipeline) 时为这两个列创建了全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:28: - 注意：设置为 `true` 可能会略微提高区分大小写查询的性能，但会降低不区分大小写查询的性能。此设置不会影响 `matches_term` 查询的结果。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:51: - 在不同查询模式下性能稳定\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:62: - 对高选择性查询性能优异\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:65: - 对低选择性查询性能较慢\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:70:### 性能对比\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:72:下表显示了不同查询方法之间的性能对比（以 Bloom 为基准）：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:81:- 对于高选择性查询（如唯一值），Tantivy 提供最佳性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/user-guide/logs/fulltext-index-config.md:82:- 对于低选择性查询，Bloom 提供更稳定的性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:20:GreptimeDB 中针对写入密集型工作负载优化的表类型，数据仅插入而不更新或删除。这种设计显著提升写入和查询性能，特别适用于日志分析和时序数据场景。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:40:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:106:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:113:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:119:GreptimeDB 的默认存储引擎，基于日志结构合并树��LSM-Tree）架构，针对时序工作负载进行优化。Mito 具备预写日志（WAL）、内存表和时间窗口压缩策略（TWCS），能够处理高吞吐量写入同时保持出色的查询性能。原生集成对象存储解决方案（S3、GCS、Azure Blob）并实现分层缓存以优化存储成本和访问速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:126:GreptimeDB 存储引擎采用的数据结构，通过先将数据写入日志再定期合并为有序结构来优化写入性能。该设计特别适合高写入吞吐量的时序工作负载。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:140:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:162:GreptimeDB 企业版中的功能，通过创建额外的只读数据实例来提升查询性能和可扩展性。读副本将读取工作负载分布到多个实例上，减少主数据库的负载同时提供更快的查询响应。该功能支持数据访问点的地理分布，提升读取操作的高可用性，并在企业环境中实现读密集型工作负载的高效扩展。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:168:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:175:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:194:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:201:GreptimeDB 企业版中的监控和告警功能，支持对时序数据条件进行自动化评估。Trigger 在指定间隔内持续监控表中的数据，执行基于 SQL 的规则来检查预定义的阈值或条件，并在满足条件时通过 webhook 发送通知。该功能与 Alertmanager 等告警系统集成，支持自定义标签和注释，特别适用于实时系统监控、性能告警和自动化事件响应。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/glossary.md:228:GreptimeDB 查询引擎采用的高性能数据处理技术，通过批量操作数据向量（数组）来提升查询性能。支持 SIMD 指令加速，显著提升大规模时序数据的分析速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/http-endpoints.md:114:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/select.md:89:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/alter.md:197:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/logs/fulltext-index-config.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/create.md:375:更多关于索引配置、性能对比和使用指南的信息，请参考[索引](/user-guide/manage-data/data-index.md)章节。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/offset.md:22:虽然将 `OFFSET` 和 `LIMIT` 与 `ORDER BY` 子句结合使用可以实现分页，但这种方法效率不高。我们建议记录每页返回的最后一条记录的时间索引（时间戳），并使用该值来过滤和限制后续页面的数据。这种方法提供了更好的分页性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/sql/functions/approximate.md:16:这里使用了 [HyperLogLog](https://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf) (HLL) 算法来计算一组值的近似去重计数。它在内存使用和速度方面提供了高效的性能。GreptimeDB 提供了三个函数来处理 HLL 算法，具体描述如下：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:2:keywords: [统一可观测性, metrics, logs, traces, 性能, OpenTelemetry, Prometheus, Grafana, 云原生, SQL, PromQL]\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:12:GreptimeDB 是一个开源、云原生的统一可观测性数据库，旨在通过单一系统存储和分析 metrics、logs 和 traces。基于 Rust 构建以实现高性能，它提供：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:19:### GreptimeDB 的性能与其他解决方案相比如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:21:GreptimeDB 在可观测性工作负载中提供卓越性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:23:**写入性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:29:**查询性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:33:- 与 ClickHouse 在不同查询模式下性能相当\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:44:- 对象存储（S3/GCS）上性能一致\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:79:- **AI/LLM 监控**：跟踪模型性能和行为\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:82:## 架构与性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:220:- 数百个表的性能影响最小\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:221:- 性能随主键设计而非表数量扩展\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:231:- **多层缓存**：写入缓存（磁盘支持）和读取缓存（LRU 策略）优化性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:286:- 高性能写入和查询能力\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:290:- 基础性能诊断\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:294:- 基于成本的查询优化器，提升性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:359:**性能考量**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:360:- **时间戳**：日期时间格式（yyyy-MM-dd HH:mm:ss）无性能影响\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:362:- **Append Only 表**：建议使用，对写入和查询性能更友好，尤其适合日志场景\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:373:- 使用 Append Only 表获得更好的写入和查询性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:377:**表设计与性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:379:- 性能优化：[性能调优提示](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:393:*性能基准*：\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/faq-and-others/faq.md:395:- [性能对比分析](/user-guide/concepts/features-that-you-concern.md#greptimedb-对比其他存储或时序数据库的性能如何)\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/db-cloud-shared/tutorials/monitor-host-metrics/overview.md:3:了解主机指标至关重要，因为它可以帮助你识别可能影响应用程序整体性能的潜在问题或瓶颈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/getting-started/quick-start.md:55:并且通过将 `append_mode` 设置为 true 来启用 [Append Only](/user-guide/deployments-administration/performance-tuning/design-table.md#何时使用-append-only-表)模式，这通常对性能有帮助。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日志（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.16/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/version-1.1.json:71: \"message\": \"性能调优\",\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:2:keywords: [性能调优, GreptimeDB 性能, GreptimeDB 优化, GreptimeDB 查询性能, GreptimeDB 写入性能]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:3:description: GreptimeDB 性能调优指南，包括查询性能和写入性能的优化建议。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:6:# 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:18:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:62:将高基数的列，如 `trace_id` 和 `uuid` 等列设置为主键会降低写入和查询的性能。建议建表时使用 [append-only 表](/reference/sql/create.md#创建-append-only-表)并将这些高基数的列设置为 fields。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:67:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:69:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/performance-tuning.md:92:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/overview.md:2:keywords: [运维管理, 性能调优, 问题排查, 备份, 灾难恢复]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/overview.md:3:description: 讲解如何更好地使用和管理企业版产品，包括性能调优、问题排查，数据的备份和恢复等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/overview.md:8:本章节文档协助你更好地使用和管理企业版产品，包括性能调优、问题排查，数据的备份和恢复等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/overview.md:10:## 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/overview.md:12:根据自身场景调整配置以提升系统性能，详情请参考[性能调优](./performance-tuning.md)文档。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/enterprise/administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/index.md:20:- **All-in-One 的可观测性数据库**：通过统一数据库实时处理指标、日志和链路追踪，原生支持 [SQL](/user-guide/query-data/sql.md)、[PromQL](/user-guide/query-data/promql.md) 和 [流式处理](/user-guide/flow-computation/overview.md)。用高性能单一解决方案取代复杂的传统数据堆栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/index.md:21:- **高性能引擎**：采用 Rust 语言打造，具备卓越的性能和可靠性。丰富的[索引选择](/user-guide/manage-data/data-index.md)（倒排、全文、调数和向量索引）加速查询，实现 PB 级数据的亚秒级响应，并能处理数十万并发请求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/administration/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/administration/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/architecture.md:12:- [**Metasrv**](/contributor-guide/metasrv/overview.md) 控制着 GreptimeDB 集群的核心命令。在典型的部署结构中，至少需要三个节点才能建立一个可靠的 _Metasrv_ 小集群。_Metasrv_ 管理着数据库和表的信息，包括数据如何在集群中传递、请求的转发地址等。它还负责监测 `Datanode` 的可用性和性能，以确保路由表的最新状态和有效性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/features-that-you-concern.md:2:keywords: [关键特性, 日志处理, 链路追踪,数据更新, 数据删除, TTL 策略, 压缩率, 高基数问题, 持续聚合, 云存储, 性能对比, 灾难恢复, 地理空间索引, JSON 数据,时序数据库特性,可观测性数据库特性]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/features-that-you-concern.md:53:## GreptimeDB 对比其他存储或时序数据库的性能如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/features-that-you-concern.md:57:请阅读以下性能报告：\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/overview.md:8:- [Why GreptimeDB](./why-greptimedb.md)：介绍了 GreptimeDB 的特点和优势，包括其对指标、日志和链路追踪数据的统一处理，云原生和灵活架构允许在各种环境中部署，从嵌入式到云平台等。GreptimeDB 还具有成本优势、高性能和开发者友好等特点。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:2:keywords: [时序数据库, 可观测性数据库,云原生, 分布式, 高性能, 用户友好, 存算分离, PromQL, SQL, Python,Rust 数据库]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:3:description: 介绍 GreptimeDB 的特点、设计原则和优势，包括统一指标、日志和链路追踪，云原生架构，高性能和用户友好等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:18:它用高性能的单一解决方案取代了复杂的传统数据栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:26:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:28:在性能优化方面，GreptimeDB 运用了多种技术，如 LSM Tree、数据分片和基于 Kafka 的 WAL 设计，以处理大规模可观测数据的写入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:30:GreptimeDB 使用纯 Rust 编写，具有卓越的性能和可靠性。强大而快速的查询引擎由向量化执行和分布式并行处理（感谢 [Apache DataFusion](https://datafusion.apache.org/)）驱动，并结合了丰富的[索引选项](/user-guide/manage-data/data-index.md)，例如倒排索引、跳数索引和全文索引等。GreptimeDB将智能索引和大规模并行处理 (MPP) 结合在一起，以提升查询过程中数据剪枝和过滤的效率。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:32:GreptimeDB 在[ClickHouse 的 JSONBench 测试中 Cold Run 斩获第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb)，更多报告请参阅[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:74:- **高性能 gRPC 协议及客户端 SDK**（Java、Go、Erlang 等）\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/concepts/why-greptimedb.md:81:GreptimeDB 与您的现有可观测性技术栈无缝集成，同时保持高性能和灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/deployments/configuration.md:161:| | is_strict_mode | 布尔值 | 是否启用协议的严格校验模式，启用会轻微影响性能，默认为 false |\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/deployments/configuration.md:341:更详细的信息请参阅[性能调优技巧](/user-guide/administration/performance-tuning-tips.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/deployments/configuration.md:489:此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/deployments/deploy-on-kubernetes/deploy-greptimedb-standalone.md:24:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\nversioned_docs/version-0.16/reference/http-endpoints.md:114:### Profiling Tools\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/deployments/deploy-on-kubernetes/getting-started.md:24:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目的是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:62:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:112:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:115:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:117:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:120:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/data-index.md:123:建议根据具体应用场景和性能需求，合理规划索引策略。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/compaction.md:8:对于基于 LSM 树的数据库，压缩是极其关键的。它将重叠的碎片化 SST 文件合并成一个有序的文件，丢弃已删除的数据，同时显著提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/compaction.md:24:通常，在实时写入工作负载中，SST 文件的时间范围不会重叠。然而，由于数据删除和乱序写入等因素，SST 文件可能会有重叠的时间范围，这会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/compaction.md:55:有序组的数量往往能够反映 SST 文件的有序性。更多的有序组通常会导致查询性能变差，因为特定时间范围的查询往往会命中多个重叠的文件。压缩的主要目标是减少有序组的数量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/compaction.md:69:它将要压缩的文件分配到不同的时间窗口。对于每个窗口，TWCS 会识别有序组。如有序组的数量超过了允许的最大值，TWCS 会找到一个解决方案，在考虑合并惩罚的同时将其减少到阈值以下。如果有序组的数量没有超过阈值，TWCS 会检查是否存在过多的文件碎片，并在必要时合并这些碎片文件，因为 SST 文件数量也会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/compaction.md:71:对于窗口分配，SST 文件可能跨越多个时间窗口。为了确保不受陈旧数据影响，TWCS 根据 SST 的最大时间戳来进行分配。在时间序列工作负载中，无序写入很少发生，即使发生了，最近数据的查询性能也比陈旧数据更为重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/region-failover.md:38:- Kafka 集群的读取吞吐性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/region-failover.md:43:在最佳实践中，[Kafka 集群所支持的 topics/partitions 数量是有限的](https://docs.aws.amazon.com/msk/latest/developerguide/bestpractices.html)（超过这个数量可能会导致 Kafka 集群性能下降）。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/table-sharding.md:9:这种做法通常用于提高数据库系统的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-data/table-sharding.md:37:你需要考虑数据写入速率的要求、查询性能、存储系统上的数据分布。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/capacity-plan.md:2:keywords: [容量规划, CPU 需求, 内存需求, 存储需求, 数据保留策略, 硬件成本, 资源分配, 性能优化]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/capacity-plan.md:68:这样的分配旨在优化性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/capacity-plan.md:71:实际需求可能会根据特定的工作负载特征和性能期望而有所不同。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/overview.md:2:keywords: [管理策略, 安装, 容量规划, 数据管理, 配置, 灾难恢复, 监控, 性能调优, 升级, 运行时信息]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/overview.md:12:* [管理数据](/user-guide/administration/manage-data/overview.md) 以避免数据丢失、降低成本和提高性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/overview.md:17:* [性能调优技巧](/user-guide/administration/performance-tuning-tips.md)\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:51:- 单个 AZ 不可用时性能相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:52:- 单个 DC 不可用时性能几乎相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:69:- 单个可用区不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:70:- 单个数据中心不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:72:如果无法容忍单个数据中心故障导致的性能下降，请考虑升级到五个数据中心和三个区域的解决方案。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:90:- 单一 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:91:- 单一 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:92:- 单一区域（城市）不可用时性能略有下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:111:- 单个 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:112:- 单个 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:113:- 单个区域（城市）不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:122:| 元数据跨两个区域，数据在同一区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能几乎不变 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:123:| 数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:124:| 元数据跨三个区域，数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能略有下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:125:| 数据跨三个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/back-up-&-restore-data.md:123: - 在操作期间监控系统性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/back-up-&-restore-data.md:150:### 性能提示\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/back-up-&-restore-data.md:152:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/back-up-&-restore-data.md:157:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/back-up-&-restore-data.md:160:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/disaster-recovery/back-up-&-restore-data.md:165:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/manage-etcd.md:440:ETCD 使用多版本并发控制 (MVCC) 机制，用于存储多个版本的 KV。随着时间的推移，随着数据的更新和删除，后端数据库可能会变得碎片化，从而增加存储空间并降低性能。Defrag 是指压缩这些存储空间以回收空间并提高性能的过程。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:2:keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:3:description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:6:# 性能调优技巧\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:10:GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:16:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:63:将高基数的列，如 `trace_id` 和 `uuid` 等列设置为主键会降低写入和查询的性能。建议建表时使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表并将这些高基数的列设置为 fields。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:68:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:70:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/performance-tuning-tips.md:95:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:8:表结构设计将极大影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:53:错误的主键或索引可能会显著降低性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:54:通常，你可以创建一个没有主键的仅追加表，因为对于许多场景来说，按时间戳排序数据已经有不错测性能了。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:55:这也可以作为性能基准。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:113:1. 由于数据库无法有效地批处理行，性能可能会降低。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:117:因此，不能将高基数列作为主键，或在主键中放入过多列。目前，主键值的推荐数量不超过 10 万。过长的主键将对插入性能产生负面影响并增加内存占用。主键最好不超过 5 个列。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:124:- 无需将所有低基数列设为 tag，因为这可能影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:128:如果将它们设为 field 而非 tag，GreptimeDB 可以有很不错的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:200:跳数索引无法处理复杂的过滤条件，在低基数列上可能有较低的过滤性能。它只支持等于运算符。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:219:存储和查询结构化日志通常比带有全文索引的非结构化日志性能更好。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:233:如果查询性能已经可接受，就无需为表创建索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:303:去重需要更多的计算并限制了写入和查询的并行性，所以使用 append-only 表通常具有更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:332:分区表并不总是能提高性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:341:- 你需要更多 CPU 来提高查询性能或更多内存用于高开销的查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:349:估计分区总数时，可以考虑写入吞吐量并额外预留 50% 的 CPU 资源，以确保查询性能和稳定性。也可以根据需要调整此比例。例如，如果查询较多，那么可以预留更多 CPU 资源。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/administration/design-table.md:355:为获得最佳性能，建议选择均匀分布、稳定且与查询条件一致的分区键。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\nversioned_docs/version-0.16/reference/sql/explain.md:72:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\nversioned_docs/version-0.16/reference/sql/explain.md:94:The `EXPLAIN ANALYZE VERBOSE` command provides the detail metrics about the execution of scan plans.\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/flow-computation/overview.md:41:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/flow-computation/manage-flow.md:45:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/overview.md:17:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-observability/vector.md:8:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-observability/prometheus.md:80:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-observability/prometheus.md:150:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-observability/prometheus.md:153:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-iot/grpc-sdks/template.md:34:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-iot/grpc-sdks/java.md:18:- 默认情况下自动收集各种性能指标，然后可以配置并将其写入本地文件。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/ingest-data/for-iot/grpc-sdks/java.md:198:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/pipeline-config.md:786:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](./query-logs.md) 的性能，写法请参考下方的 [Transform 示例](#transform-示例)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/quick-start.md:177:但是这种方法限制了数据库执行高性能分析的能力。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/quick-start.md:264:- **性能效率**：列的匹配查询通常都比全文搜索更快。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/quick-start.md:295:为了提高全文搜索的性能，我们在[创建 Pipeline](#创建-pipeline) 时为这两个列创建了全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:28: - 注意：设置为 `true` 可能会略微提高区分大小写查询的性能，但会降低不区分大小写查询的性能。此设置不会影响 `matches_term` 查询的结果。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:43: - 在不同查询模式下性能稳定\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:54: - 对高选择性查询性能优异\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:57: - 对低选择性查询性能较慢\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:62:### 性能对比\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:64:下表显示了不同查询方法之间的性能对比（以 Bloom 为基准）：\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:73:- 对于高选择性查询（如唯一值），Tantivy 提供最佳性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/user-guide/logs/fulltext-index-config.md:74:- 对于低选择性查询，Bloom 提供更稳定的性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:37:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:76:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:83:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:93:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:110:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:117:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:130:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/glossary.md:144:以向量（数据数组）为单位进行高性能计算的技术。GreptimeDB 支持对时序及事件数据进行向量化处理，加速相似性搜索等高维分析任务。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/http-endpoints.md:60:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/select.md:56:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/alter.md:177:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/logs/fulltext-index-config.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/create.md:361:更多关于全文索引配置、性能对比和使用指南的信息，请参考[全文索引配置指南](/user-guide/logs/fulltext-index-config.md)和[日志查询文档](/user-guide/logs/query-logs.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:8:### GreptimeDB 的性能与其他解决方案相比如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:10:参考[GreptimeDB 对比其他存储或时序数据库的性能如何？](/user-guide/concepts/features-that-you-concern#greptimedb-对比其他存储或时序数据库的性能如何)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:16:我们计划进一步优化日志引擎，着重提升查询性能和用户体验。未来的增强功能将包括（但不限于）扩展 GreptimeDB 日志查询 DSL 的功能，并实现与部分 Elasticsearch/Loki API 的兼容，为用户提供更高效、灵活的日志查询能力。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:58:### GreptimeDB 用于非时序数据库表时的性能如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:107: - GreptimeDB 聚焦于多种可观测数据的统一处理，以及与分析型负载的结合，以提升资源效率和实时性能；\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:150:### 哪里可以找到有关本地部署和性能基准测试报告的相关文档？\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:154:更多性能报告请参考[GreptimeDB 对比其他存储或时序数据库的性能如何](/user-guide/concepts/features-that-you-concern.md#greptimedb-对比其他存储或时序数据库的性能如何)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:169:### 非主键字段的查询性能如何？是否可以设置倒排索引？与 Elasticsearch 相比，存储成本是否更低？\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:173:GreptimeDB 的存储成本比 Elasticsearch 低的多，持久化数据大小仅为 ClickHouse 的 50% 和 Elasticsearch 的 12.7%，具体请见[性能评测](https://greptime.cn/blogs/2025-03-07-greptimedb-log-benchmark)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:183:### 在 GreptimeDB 中，表和列的数量是否有限制？列数较多是否会影响读写性能？\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:185:通常情况下并没有严格的限制。在几百个表的场景下，主键列数量不多时对写入性能的影响是可以忽略的（性能以每秒写入点数而非行数衡量）。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:187:同样，对于读取性能来说，如果查询只涉及部分列，内存和计算的开销也不会显著增加。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:225:### 以日期时间格式写入 `TIMESTAMP` 值会影响查询性能吗？\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/faq-and-others/faq.md:227:不会。以日期时间格式（如 yyyy-MM-dd HH:mm:ss）写入并不会影响查询性能。底层存储格式保持一致。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/db-cloud-shared/tutorials/monitor-host-metrics/overview.md:3:了解主机指标至关重要，因为它可以帮助你识别可能影响应用程序整体性能的潜在问题或瓶颈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/getting-started/quick-start.md:55:并且通过将 `append_mode` 设置为 true 来启用 [Append Only](/user-guide/administration/design-table.md#何时使用-append-only-表)模式，这通常对性能有帮助。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/overview.md:32:- 表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日��（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.14/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/version-0.15.json:63: \"message\": \"性能调优\",\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/enterprise/trigger.md:45:load1 是衡量系统活动的关键性能指标。我们可以创建监控规则来跟踪此表中的值。表结构\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/enterprise/read-replica.md:8:读副本（Read Replica）是 GreptimeDB 企业集群版中的一项重要功能，旨在提高数据库系统的整体读写性能和可扩展性。在读副本功能中，客户端将数据写入 “Leader” Region。Leader Region 再将数据同步到 “Follower” Region。Follower Region 只提供读功能，是为 Leader Region 的读副本。Leader Region 和 Follower Region 分别部署在不同的 Datanode 节点上，可有效分隔读写请求对于系统资源的互相抢占，带来更平滑的整体读写体验：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/enterprise/read-replica.md:168:EXPLAIN ANALYZE VERBOSE SELECT * FROM foo ORDER BY ts;\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/index.md:20:- **All-in-One 的可观测性数据库**：通过统一数据库实时处理指标、日志和链路追踪，原生支持 [SQL](/user-guide/query-data/sql.md)、[PromQL](/user-guide/query-data/promql.md) 和 [流式处理](/user-guide/flow-computation/overview.md)。用高性能单一解决方案取代复杂的传统数据堆栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/index.md:21:- **高性能引擎**：采用 Rust 语言打造，具备卓越的性能和可靠性。丰富的[索引选择](/user-guide/manage-data/data-index.md)（倒排、全文、调数和向量索引）加速查询，实现 PB 级数据的亚秒级响应，并能处理数十万并发请求。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\nversioned_docs/version-0.14/reference/http-endpoints.md:60:### Profiling Tools\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/architecture.md:14:- [**Metasrv**（元数据服务器）](/contributor-guide/metasrv/overview.md) 控制着 GreptimeDB 集群的核心命令。在典型的部署结构中，至少需要三个节点才能建立一个可靠的 Metasrv 小集群。Metasrv 管理着数据库和表的信息，包括数据如何在集群中传递、请求的转发地址等。它还负责监测 `Datanode` 的可用性和性能，以确保路由表的最新状态和有效性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/features-that-you-concern.md:2:keywords: [关键特性, 日志处理, 链路追踪,数据更新, 数据删除, TTL 策略, 压缩率, 高基数问题, 持续聚合, 云存储, 性能对比, 灾难恢复, 地理空间索引, JSON 数据,时序数据库特性,可观测性数据库特性]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/features-that-you-concern.md:53:## GreptimeDB 对比其他存储或时序数据库的性能如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/features-that-you-concern.md:57:请阅读以下性能报告：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/features-that-you-concern.md:80:有关 GreptimeDB 的更多常见问题解答，包括部署选项、迁移指南、性能对比和最佳实践等，请访问我们的[常见问题页面](/faq-and-others/faq.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/overview.md:8:- [Why GreptimeDB](./why-greptimedb.md)：介绍了 GreptimeDB 的特点和优势，包括其对指标、日志和链路追踪数据的统一处理，云原生和灵活架构允许在各种环境中部署，从嵌入式到云平台等。GreptimeDB 还具有成本优势、高性能和开发者友好等特点。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:2:keywords: [时序数据库, 可观测性数据库,云原生, 分布式, 高性能, 用户友好, 存算分离, PromQL, SQL, Python,Rust 数据库]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:3:description: 介绍 GreptimeDB 的特点、设计原则和优势，包括统一指标、日志和链路追踪，云原生架构，高性能和用户友好等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:18:它用高性能的单一解决方案取代了复杂的传统数据栈。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:26:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:28:在性能优化方面，GreptimeDB 运用了多种技术，如 LSM Tree、数据分片和灵活的 WAL 选项（本地磁盘或 Kafka 等分布式服务），以处理大规模可观测数据的写入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:30:GreptimeDB 使用纯 Rust 编写，具有卓越的性能和可靠性。强大而快速的查询引擎由向量化执行和分布式并行处理（感谢 [Apache DataFusion](https://datafusion.apache.org/)）驱动，并结合了丰富的[索引选项](/user-guide/manage-data/data-index.md)，例如倒排索引、跳数索引和全文索引等。GreptimeDB将智能索引和大规模并行处理 (MPP) 结合在一起，以提升查询过程中数据剪枝和过滤的效率。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:32:GreptimeDB 在[ClickHouse 的 JSONBench 测试中 Cold Run 斩获第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb)，更多报告请参阅[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:74:- **高性能 gRPC 协议及客户端 SDK**（Java、Go、Erlang 等）\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/concepts/why-greptimedb.md:80:GreptimeDB 与您的现有可观测性技术栈无缝集成，同时保持高性能和灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目的是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:78:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:133:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:136:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:138:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:141:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/data-index.md:144:建议根据具体应用场景和性能需求，合理规划索引策略。\nversioned_docs/version-0.14/reference/sql/explain.md:72:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\nversioned_docs/version-0.14/reference/sql/explain.md:94:The `EXPLAIN ANALYZE VERBOSE` command provides the detail metrics about the execution of scan plans.\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/integrations/coroot.md:10:预定义的仪表板具备指标、日志、链路追踪、持续性能分析\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/protocols/http.md:106: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/protocols/http.md:483: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/flow-computation/overview.md:41:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/flow-computation/manage-flow.md:45:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/overview.md:20:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-observability/vector.md:14:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-observability/prometheus.md:84:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-observability/prometheus.md:294:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-observability/prometheus.md:297:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/go.md:69:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:12:GreptimeDB 提供的 Java ingester SDK 是一个轻量级、高性能的客户端，专为高效的时间序列数据写入而设计。它利用 gRPC 协议提供非阻塞、纯异步的 API，在保持与应用程序无缝集成的同时提供高吞吐数据写入。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:14:该客户端提供针对各种性能要求和使用场景优化的多种写入方法。你可以选择最适合你特定需求的方法——无论你需要低延迟操作的简单一元写入，还是处理大量时间序列数据时最大效率的高吞吐量批量流式传输。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:126:// 以获得更好的性能和资源利用率。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:211:- `auto_create_table`：默认为 `True`。如果设置为 `False`，表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:239:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:278:Bulk 写入 API 提供了一种高性能、内存高效的机制，用于将大量时间序列数据写入到 GreptimeDB 中。它利用堆外内存管理，在写入大批量数据时实现最佳吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:287:此 API 仅支持每个流写入一个表，并处理大数据量（每次写入可高达 200MB+），具有自适应流量控制。性能优势包括：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:296:- 具有苛刻性能要求的时间序列应用程序\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:334:可以使用多个选项配置 Bulk API 以优化性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:358:### 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:371:了解不同写入方法的性能特征对于优化数据写入至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:388:此选项可以显著提高数据转换为底层格式的速度。为了获得最佳性能，我们建议将列缓冲区大小设置为 1024 或更大，具体取决于你的特定工作负载特征和可用内存。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/ingest-data/for-iot/grpc-sdks/java.md:392:Ingester 公开全面的指标，使你能够监控其性能、健康状况和操作状态。\nversioned_docs/version-0.17/enterprise/read-replica.md:164:EXPLAIN ANALYZE VERBOSE SELECT * FROM foo ORDER BY ts;\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:2:keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:3:description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:6:# 性能调优技巧\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:10:GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:20:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:67:将高基数的列，如 `trace_id` 和 `uuid` 等列设置为主键会降低写入和查询的性能。建议建表时使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表并将这些高基数的列设置为 fields。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:72:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:74:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:113:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:8:表结构设计将极大影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:53:错误的主键或索引可能会显著降低性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:54:通常，你可以创建一个没有主键的仅追加表，因为对于许多场景来说，按时间戳排序数据已经有不错测性能了。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:55:这也可以作为性能基准。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:113:1. 由于数据库无法有效地批处理行，性能可能会降低。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:117:因此，不能将高基数列作为主键，或在主键中放入过多列。目前，主键值的推荐数量不超过 10 万。过长的主键将对插入性能产生负面影响并增加内存占用。主键最好不超过 5 个列。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:124:- 无需将所有低基数列设为 tag，因为这可能影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:128:如果将它们设为 field 而非 tag，GreptimeDB 可以有很不错的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:200:跳数索引无法处理复杂的过滤条件，在低基数列上可能有较低的过滤性能。它只支持等于运算符。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:219:存储和查询结构化日志通常比带有全文索引的非结构化日志性能更好。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:233:如果查询性能已经可接受，就无需为表创建索引。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:303:去重需要更多的计算并限制了写入和查询的并行性，所以使用 append-only 表通常具有更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:332:分区表并不总是能提高性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:341:- 你需要更多 CPU 来提高查询性能或更多内存用于高开销的查询。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:349:估计分区总数时，可以考虑写入吞吐量并额外预留 50% 的 CPU 资源，以确保查询性能和稳定性。也可以根据需要调整此比例。例如，如果查询较多，那么可以预留更多 CPU 资源。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/performance-tuning/design-table.md:355:为获得最佳性能，建议选择均匀分布、稳定且与查询条件一致的分区键。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/compaction.md:8:对于基于 LSM 树的数据库，压缩是极其关键的。它将重叠的碎片化 SST 文件合并成一个有序的文件，丢弃已删除的数据，同时显著提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/compaction.md:24:通常，在实时写入工作负载中，SST 文件的时间范围不会重叠。然而，由于数据删除和乱序写入等因素，SST 文件可能会有重叠的时间范围，这会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/compaction.md:51:有序组的数量往往能够反映 SST 文件的有序性。更多的有序组通常会导致查询性能变差，因为特定时间范围的查询往往会命中多个重叠的文件。压缩的主要目标是减少有序组的数量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/compaction.md:65:TWCS 将要压缩的文件分配到不同的时间窗口。对于每个窗口，TWCS 会识别有序组。如当前出现了多于一个有序组，TWCS 会基于合并开销来计算一个文件合并策略，从而将有序组的数量减少到 1。如果有序组的数量没有超过 1（也就是任意两个文件的时间范围都不重叠），TWCS 会检查是否存在过多的文件碎片，并在必要时合并这些碎片文件，因为 SST 文件数量也会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/compaction.md:67:对于窗口分配，SST 文件可能跨越多个时间窗口。为了确保不受陈旧数据影响，TWCS 根据 SST 的最大时间戳来进行分配。在时间序列工作负载中，无序写入很少发生，即使发生了，最近数据的查询性能也比陈旧数据更为重要。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/region-failover.md:34:- Kafka 集群的读取吞吐性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/region-failover.md:39:在最佳实践中，[Kafka 集群所支持的 topics/partitions 数量是有限的](https://docs.aws.amazon.com/msk/latest/developerguide/bestpractices.html)（超过这个数量可能会导致 Kafka 集群性能下降）。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/table-sharding.md:9:这种做法通常用于提高数据库系统的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-data/table-sharding.md:37:你需要考虑数据写入速率的要求、查询性能、存储系统上的数据分布。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/capacity-plan.md:2:keywords: [容量规划, CPU 需求, 内存需求, 存储需求, 数据保留策略, 硬件成本, 资源分配, 性能优化]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/capacity-plan.md:68:这样的分配旨在优化性能，\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/capacity-plan.md:71:实际需求可能会根据特定的工作负载特征和性能期望而有所不同。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/configuration.md:354:更详细的信息请参阅[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/configuration.md:424:此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/overview.md:33:- **监控：** 通过指标、Traces 和运行时信息[监控集群的健康状况和性能](./monitoring/overview.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/overview.md:35:### 数据管理和性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/overview.md:37:- **数据管理：** 通过[管理数据策略](/user-guide/deployments-administration/manage-data/overview.md) 以防止数据丢失、降低成本并优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/overview.md:38:- **性能调优：** 查看[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)并学习如何[设计表结构](/user-guide/deployments-administration/performance-tuning/design-table.md)以提高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-metadata/overview.md:28:- 建立全面的存储健康状态和性能指标监控\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/manage-metadata/manage-etcd.md:442:ETCD 使用多版本并发控制 (MVCC) 机制，用于存储多个版本的 KV。随着时间的推移，随着数据的更新和删除，后端数据库可能会变得碎片化，从而增加存储空间并降低性能。Defrag 是指压缩这些存储空间以回收空间并提高性能的过程。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:51:- 单个 AZ 不可用时性能相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:52:- 单个 DC 不可用时性能几乎相同\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:69:- 单个可用区不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:70:- 单个数据中心不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:72:如果无法容忍单个数据中心故障导致的性能下降，请考虑升级到五个数据中心和三个区域的解决方案。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:90:- 单一 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:91:- 单一 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:92:- 单一区域（城市）不可用时性能略有下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:111:- 单个 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:112:- 单个 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:113:- 单个区域（城市）不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:122:| 元数据跨两个区域，数据在同一区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能几乎不变 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:123:| 数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:124:| 元数据跨三个区域，数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能略有下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:125:| 数据跨三个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:113: - 在操作期间监控系统性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:123:## 性能提示\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:125:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:130:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:133:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:138:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/deploy-on-kubernetes/_pre_kind_helm.mdx:11:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md:567: storageClassName: io2 # 使用 AWS ebs io2 存储以获得更好的性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/deploy-on-kubernetes/overview.md:40:- [使用 MySQL/PostgreSQL 作为元数据存储](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#配置-metasrv-后端存储)：集成 MySQL/PostgreSQL 数据库以提供强大的元数据存储功能，增强可靠性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/wal/local-wal.md:36:### 使用单独的高性能卷作为 WAL 目录\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/wal/local-wal.md:40:- 使用高性能磁盘——包括专用物理卷或自定义的高性能 `StorageClass`，以提升 WAL 的写入吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/wal/local-wal.md:41:- 隔离 WAL I/O 与缓存文件访问，降低 I/O 竞争，提升整体系统性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/deployments-administration/maintenance/table-reconciliation.md:101:- 建议在业务低峰期执行修复操作，以减少对系统性能的影响\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/logs/use-custom-pipelines.md:202:这带来了高性能的全文搜索。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/logs/use-custom-pipelines.md:229:但这种方法限制了高性能分析能力。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/logs/use-custom-pipelines.md:309:- **性能**：基于列的查询通常比全文搜索更快\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/logs/manage-pipelines.md:344:但是，你可能希望预先手动创建表以添加自定义表选项，例如添加分区规则以获得更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/logs/overview.md:55:- **索引**：配置必要的索引以提升查询性能，例如全文索引、时间索引等\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/user-guide/logs/overview.md:74:1. **选择合适的日志收集器**：根据你的基础设施要求、数据源和性能需求选择收集器\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:20:GreptimeDB 中针对写入密集型工作负载优化的表类型，数据仅插入而不更新或删除。这种设计显著提升写入和查询性能，特别适用于日志分析和时序数据场景。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:40:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:106:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:113:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:119:GreptimeDB 的默认存储引擎，基于日志结构合并树（LSM-Tree）架构，针对时序工作负载进行优化。Mito 具备预写日志（WAL）、内存表和时间窗口压缩策略（TWCS），能够处理高吞吐量写入同时保持出色的查询性能。原生集成对象存储解决方案（S3、GCS、Azure Blob）并实现分层缓存以优化存储成本和访问速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:126:GreptimeDB 存储引擎采用的数据结构，通过先将数据写入日志再定期合并为有序结构来优化写入性能。该设计特别适合高写入吞吐量的时序工作负载。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:140:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:162:GreptimeDB 企业版中的功能，通过创建额外的只读数据实例来提升查询性能和可扩展性。读副本将读取工作负载分布到多个实例上，减少主数据库的负载同时提供更快的查询响应。该功能支持数据访问点的地理分布，提升读取操作的高可用性，并在企业环境中实现读密集型工作负载的高效扩展。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:168:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:175:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:194:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:201:GreptimeDB 企业版中的监控和告警功能，支持对时序数据条件进行自动化评估。Trigger 在指定间隔内持续监控表中的数据，执行基于 SQL 的规则来检查预定义的阈值或条件，并在满足条件时通过 webhook 发送通知。该功能与 Alertmanager 等告警系统集成，支持自定义标签和注释，特别适用于实时系统监控、性能告警和自动化事件响应。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/glossary.md:228:GreptimeDB 查询引擎采用的高性能数据处理技术，通过批量操作数据向量（数组）来提升查询性能。支持 SIMD 指令加速，显著提升大规模时序数据的分析速度。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/http-endpoints.md:114:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/select.md:89:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\nversioned_docs/version-0.17/user-guide/deployments-administration/troubleshooting.md:124:you can add `EXPLAIN ANALYZE` or `EXPLAIN ANALYZE VERBOSE` before the query and re-execute it.\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/alter.md:197:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/manage-data/data-index.md#全文索引)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/create.md:375:更多关于索引配置、性能对比和使用指南的信息，请参考[索引](/user-guide/manage-data/data-index.md)章节。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/offset.md:22:虽然将 `OFFSET` 和 `LIMIT` 与 `ORDER BY` 子句结合使用可以实现分页，但这种方法效率不高。我们建议记录每页返回的最后一条记录的时间索引（时间戳），并使用该值来过滤和限制后续页面的数据。这种方法提供了更好的分页性能。\nversioned_docs/version-0.17/reference/http-endpoints.md:114:### Profiling Tools\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/sql/functions/approximate.md:16:这里使用了 [HyperLogLog](https://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf) (HLL) 算法来计算一组值的近似去重计数。它在内存使用和速度方面提供了高效的性能。GreptimeDB 提供了三个函数来处理 HLL 算法，具体描述如下：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/pipeline/pipeline-config.md:1035:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](/user-guide/logs/fulltext-search.md) 的性能，写法请参考下方的 [Transform 示例](#transform-示例)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/tutorials/k8s-metrics-monitor.md:15:它是检查容器化应用程序和基础设施的健康状况、性能和资源利用率的关键。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/tutorials/k8s-metrics-monitor.md:29:- 排查性能瓶颈\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/tutorials/k8s-metrics-monitor.md:42:- **GreptimeDB**：Prometheus 指标的长期存储后端，具有高压缩率和查询性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/tutorials/k8s-metrics-monitor.md:105:为了提高查询性能并降低存储成本，\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/tutorials/k8s-metrics-monitor.md:108:你可以对表进行分区将数据分布到各个 datanode 节点上，以获得更好的可扩展性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/tutorials/k8s-metrics-monitor.md:133:有关 Prometheus 指标存储和查询性能优化的更多信息，\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:2:keywords: [统一可观测性, metrics, logs, traces, 性能, OpenTelemetry, Prometheus, Grafana, 云原生, SQL, PromQL]\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:12:GreptimeDB 是一个开源、云原生的统一可观测性数据库，旨在通过单一系统存储和分析 metrics、logs 和 traces。基于 Rust 构建以实现高性能，它提供：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:19:### GreptimeDB 的性能与其他解决方案相比如何？\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:21:GreptimeDB 在可观测性工作负载中提供卓越性能：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:23:**写入性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:29:**查询性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:33:- 与 ClickHouse 在不同查询模式下性能相当\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:44:- 对象存储（S3/GCS）上性能一致\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:79:- **AI/LLM 监控**：跟踪模型性能和行为\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:82:## 架构与性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:220:- 数百个表的性能影响最小\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:221:- 性能随主键设计而非表数量扩展\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:231:- **多层缓存**：写入缓存（磁盘支持）和读取缓存（LRU 策略）优化性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:286:- 高性能写入和查询能力\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:290:- 基础性能诊断\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:294:- 基于成本的查询优化器，提升性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:359:**性能考量**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:360:- **时间戳**：日期时间格式（yyyy-MM-dd HH:mm:ss）无性能影响\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:362:- **Append Only 表**：建议使用，对写入和查询性能更友好，尤其适合日志场景\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:373:- 使用 Append Only 表获得更好的写入和查询性能\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:377:**表设计与性能**：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:379:- 性能优化：[性能调优提示](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:393:*性能基准*：\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/faq-and-others/faq.md:395:- [性能对比分析](/user-guide/concepts/features-that-you-concern.md#greptimedb-对比其他存储或时序数据库的性能如何)\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/getting-started/quick-start.md:84:通过将 `append_mode` 设置为 true 来启用 [Append Only](/user-guide/deployments-administration/performance-tuning/design-table.md#何时使用-append-only-表)模式，这通常对性能有帮助。同时也支持其他表选项，如数据保留期等。\nversioned_docs/version-0.17/reference/sql/explain.md:72:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\nversioned_docs/version-0.17/reference/sql/explain.md:94:The `EXPLAIN ANALYZE VERBOSE` command provides the detail metrics about the execution of scan plans.\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日志（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/version-0.17/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/read-replicas/overview.md:9:*读副本 (Read Replica)* 是 GreptimeDB 企业集群版中的一项重要功能，旨在提升系统的整体读写性能与可扩展性。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/read-replicas/manage-read-replicas.md:8:本文介绍如何在 GreptimeDB 企业版中管理读副本，包括在表与 Region 级别添加/移除读副本、使用 `SHOW REGION` 查看副本分布，以及放置约束与性能最佳实践建议。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/read-replicas/manage-read-replicas.md:25:每个 Region 的 Follower 节点会基于 Datanode 的工作负载类型进行分配。**为获得最佳性能，强烈建议先[配置 Datanode 分组](/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md)，将读与写工作负载分别放置在不同的 Datanode 组中。**\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:35:虽然 `hybrid` 很方便，但在同一个 datanode 上同时进行读写操作可能会相互干扰，例如，一个大查询可能占用过多资源，从而影响在线写入。为了获得最佳性能，建议将读写工作负载分离到不同的 datanode 组中。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:102:- 为了获得最佳性能，建议[配置 frontend 组](/user-guide/deployments-administration/deploy-on-kubernetes/configure-frontend-groups.md)，这确保读写流量的完全分离，实现最大隔离。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/autopilot/auto-repartition.md:8:Auto Repartition 是 Autopilot 的一个调度策略，用于自动将大 Region 拆分为多个小 Region。当某个表中存在可能成为性能瓶颈的大 Region 时，Auto Repartition 会基于采样结果生成新的分区边界，并提交 Repartition 操作。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/autopilot/auto-repartition.md:29:- 某些大 Region 可能成为性能瓶颈；\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/autopilot/overview.md:13:- **Auto Repartition**：自动将大 Region 拆分为多个小 Region，避免单个大 Region 成为性能瓶颈。拆分后的 Region 可以被调度到不同 Datanode 上，从而打散潜在的负载瓶颈。\ni18n/zh/docusaurus-plugin-content-docs/current/enterprise/autopilot/overview.md:31:- 某些大 Region 可能成为性能瓶颈，需要拆分成多个小 Region；\ni18n/zh/docusaurus-plugin-content-docs/current/greptimecloud/integrations/vector.md:9:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/current/greptimecloud/integrations/fluent-bit.md:9:Fluent Bit 是一个轻量且快速的日志处理和转发器，可以收集、解析、过滤和转发日志和指标。Fluent Bit 是 Fluentd 项目生态系统的一部分，用 C 语言编写。它设计为内存高效且性能优越，适合在资源受限的环境中使用。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/query-data/sql.md:238:这是一个尽力而为的性能优化，不会改变查询结果。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/features-that-you-concern.md:2:keywords: [特性, 日志, 事件, 链路追踪, 更新, 删除, TTL 策略, 压缩率, 高基数, 持续聚合, 云存储, 性能, 灾难恢复, 地理空间索引, JSON 支持]\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/features-that-you-concern.md:3:description: 关于 GreptimeDB 特性的常见问题，包括如何处理 metrics、logs 和 traces，更新、删除、TTL、压缩、高基数、持续聚合、云存储、性能、灾难恢复等。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/features-that-you-concern.md:42:- **Flat Format（针对极端高基数）**：当 tag 是请求 ID、trace ID、用户 token 这类百万级唯一值时，传统时序数据库为每个序列分配独立 buffer，序列数一多就内存膨胀、性能下降。GreptimeDB 1.0+ 的 Flat Format 引入了 BulkMemtable 和多序列合并路径，消除 per-series 开销，高基数场景下**写入吞吐量提升 4 倍，查询快 10 倍**。详见 [Flat Format 详解](https://greptime.cn/blogs/2025-12-22-flat-format)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/features-that-you-concern.md:45:- **灵活索引**：支持按需手工创建索引。可以为 tag 列和 field 列创建多种索引类型（倒排、全文、跳数），而不是自动为每列建索引。按需创建索引既能优化查询性能，又能降低索引开销。详见[索引文档](/user-guide/manage-data/data-index.md)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/features-that-you-concern.md:60:## 性能对比其他方案怎么样？\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/features-that-you-concern.md:64:性能测试报告：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/features-that-you-concern.md:86:包括部署选项、迁移指南、性能对比、最佳实践等，请访问[常见问题页面](/faq-and-others/faq.md)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/why-greptimedb.md:2:keywords: [云原生, 可观测性数据库, 高性能, 成本效益, 统一设计]\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/why-greptimedb.md:3:description: 解释使用 GreptimeDB 的动机和优势，包括统一处理 metrics、logs 和 traces 的设计、云原生架构、成本优势、高性能和易集成性。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/why-greptimedb.md:43:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/why-greptimedb.md:49:[GreptimeDB 在 JSONBench 10 亿条记录冷查询中拿下第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb) 更多[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目的是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:78:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:110: - 注意：设置为 `true` 可能会略微提高区分大小写查询的性能，但会降低不区分大小写查询的性能。此设置不会影响 `matches_term` 查询的结果。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:133: - 在不同查询模式下性能稳定\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:144: - 对高选择性查询性能优异\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:147: - 对低选择性查询性能较慢\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:152:#### 性能对比\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:154:下表显示了不同查询方法之间的性能对比（以 Bloom 为基准）：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:163:- 对于高选择性查询（如唯一值），Tantivy 提供最佳性能\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:164:- 对于低选择性查询，Bloom 提供更稳定的性能\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:223:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:226:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:228:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:231:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/data-index.md:234:建议根据具体应用场景和性能需求，合理规划索引策略。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/integrations/mcp.md:54:server 还内置了一批 Jinja prompt 模板，覆盖常见任务（metrics 分析、trace 分析、pipeline 创建、schema 设计、查询性能调优等）。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/integrations/coroot.md:10:预定义的仪表板具备指标、日志、链路追踪、持续性能分析\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/protocols/http.md:150: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/protocols/http.md:576: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/flow-computation/overview.md:45:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/flow-computation/manage-flow.md:51:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/overview.md:20:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/opentelemetry.md:331:1. `greptime_trace_v1` 处理方式默认通过 `trace_id` 字段将数据切分成不同的分区以提升性能。**请确保 `trace_id` 的第一个字符是分布均匀的**。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/vector.md:14:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/prometheus.md:84:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/prometheus.md:294:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/prometheus.md:330:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-observability/alloy.md:193:有关 `loki.write`、`otelcol.processor.batch` 和 `otelcol.exporter.otlphttp` 的最新组件行为和调优建议，请参考 Grafana Alloy 官方文档。\nversioned_docs/version-1.0/user-guide/deployments-administration/troubleshooting.md:124:you can add `EXPLAIN ANALYZE` or `EXPLAIN ANALYZE VERBOSE` before the query and re-execute it.\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/go.md:69:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/go.md:310:通过在客户端使用 Arrow IPC 编码将多个表或对象聚合，并在一次 gRPC 请求中发送，与常规 Write API 相比，可以显著减少网络开销并提升整体写入性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:12:GreptimeDB 提供的 Java ingester SDK 是一个轻量级、高性能的客户端，专为高效的时间序列数据写入而设计。它利用 gRPC 协议提供非阻塞、纯异步的 API，在保持与应用程序无缝集成的同时提供高吞吐数据写入。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:14:该客户端提供针对各种性能要求和使用场景优化的多种写入方法。你可以选择最适合你特定需求的方法——无论你需要低延迟操作的简单一元写入，还是处理大量时间序列数据时最大效率的高吞吐量批量流式传输。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:126:// 以获得更好的性能和资源利用率。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:212:- `auto_create_table`：默认为 `True`。如果设置为 `False`，表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:240:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:279:Bulk 写入 API 提供了一种高性能、内存高效的机制，用于将大量时间序列数据写入到 GreptimeDB 中。它利用堆外内存管理，在写入大批量数据时实现最佳吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:287:此 API 仅支持每个流写入一个表，并处理大数据量（每次写入可高达 200MB+），具有自适应流量控制。性能优势包括：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:296:- 具有苛刻性能要求的时间序列应用程序\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:334:可以使用多个选项配置 Bulk API 以优化性能：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:358:### 性能调优\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:371:了解不同写入方法的性能特征对于优化数据写入至关重要。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:388:此选项可以显著提高数据转换为底层格式的速度。为了获得最佳性能，我们建议将列缓冲区大小设置为 1024 或更大，具体取决于你的特定工作负载特征和可用内存。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/ingest-data/for-iot/grpc-sdks/java.md:392:Ingester 公开全面的指标，使你能够监控其性能、健康状况和操作状态。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:2:keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:3:description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:6:# 性能调优技巧\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:10:GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:20:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:62:- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:70:GreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:77:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:79:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:118:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:8:表结构设计将极大影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:116:- 按**时间范围**和**主键前导列**过滤，是提升查询性能成本最低的方式。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:127:错误的主键或索引可能会显著降低性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:128:通常，你可以创建一个没有主键的仅追加表，因为对于许多场景来说，按时间戳排序数据已经有不错的性能了。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:129:这也可以作为性能基准。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:182:过长的主键将对插入性能产生负面影响并增加内存占用。主键最好不超过 5 个列。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:199:- 无需将所有低基数列设为 tag，因为这可能影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:277:去重需要更多的计算并限制了写入和查询的并行性，所以使用 append-only 表通常具有更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:282:索引是可选的；只有当某个过滤条件很常见且性能还不够好时，才需要添加索引，并且应根据列的特点选择索引类型（见[何时使用索引](#何时使用索引)中的对比）。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:357:跳数索引无法处理复杂的过滤条件，在低基数列上可能有较低的过滤性能。它只支持等于运算符。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:376:存储和查询结构化日志通常比带有全文索引的非结构化日志性能更好。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:389:如果查询性能已经可接受，就无需为表创建索引。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:430:- 当数据在逻辑上不同时，使用**多张表**：例如 schema 不同、列集合不同，或保留时间（TTL）要求不同。独立的表也可以拥有各自的主键、索引和合并模式，而一张宽表的所有列必须共享同一套配置。多表能保持 schema 清晰，并允许你独立调优和设置保留策略。代价是表数量更多：每张表都维护自己的文件，因此把数据拆成许多小表会产生许多小文件。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:453:分区表并不总是能提高性能：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:462:- 你需要更多 CPU 来提高查询性能或更多内存用于高开销的查询。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:470:估计分区总数时，可以考虑写入吞吐量并额外预留 50% 的 CPU 资源，以确保查询性能和稳定性。也可以根据需要调整此比例。例如，如果查询较多，那么可以预留更多 CPU 资源。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/design-table.md:475:为获得最佳性能，建议选择满足以下条件的分区列：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/repartition.md:28:- 需要把某个分区进一步细分，以改善写入并发或查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/compaction.md:8:对于基于 LSM 树的数据库，压缩是极其关键的。它将重叠的碎片化 SST 文件合并成一个有序的文件，丢弃已删除的数据，同时显著提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/compaction.md:24:通常，在实时写入工作负载中，SST 文件的时间范围不会重叠。然而，由于数据删除和乱序写入等因素，SST 文件可能会有重叠的时间范围，这会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/compaction.md:51:有序组的数量往往能够反映 SST 文件的有序性。更多的有序组通常会导致查询性能变差，因为特定时间范围的查询往往会命中多个重叠的文件。压缩的主要目标是减少有序组的数量。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/compaction.md:65:TWCS 将要压缩的文件分配到不同的时间窗口。对于每个窗口，TWCS 会识别有序组。如当前出现了多于一个有序组，TWCS 会基于合并开销来计算一个文件合并策略，从而将有序组的数量减少到 1。如果有序组的数量没有超过 1（也就是任意两个文件的时间范围都不重叠），TWCS 会检查是否存在过多的文件碎片，并在必要时合并这些碎片文件，因为 SST 文件数量也会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/compaction.md:67:对于窗口分配，SST 文件可能跨越多个时间窗口。为了确保不受陈旧数据影响，TWCS 根据 SST 的最大时间戳来进行分配。在时间序列工作负载中，无序写入很少发生，即使发生了，最近数据的查询性能也比陈旧数据更为重要。\nversioned_docs/version-1.0/reference/http-endpoints.md:141:### Profiling Tools\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/region-failover.md:34:- Kafka 集群的读取吞吐性能\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/region-failover.md:39:在最佳实践中，[Kafka 集群所支持的 topics/partitions 数量是有限的](https://docs.aws.amazon.com/msk/latest/developerguide/bestpractices.html)（超过这个数量可能会导致 Kafka 集群性能下降）。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/table-sharding.md:9:这种做法通常用于提高数据库系统的性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-data/table-sharding.md:37:你需要考虑数据写入速率的要求、查询性能、存储系统上的数据分布。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/capacity-plan.md:2:keywords: [容量规划, CPU 需求, 内存需求, 存储需求, 数据保留策略, 硬件成本, 资源分配, 性能优化]\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/capacity-plan.md:68:这样的分配旨在优化性能，\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/capacity-plan.md:71:实际需求可能会根据特定的工作负载特征和性能期望而有所不同。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md:397:默认情况下，当查询时发生缓存未命中，GreptimeDB 会自动从对象存储下载文件填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高后续查询性能，使频繁访问的数据保留在写入缓存中。如果你想减少网络流量或存储成本，可以通过设置 `enable_refill_cache_on_read = false` 来禁用此行为。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md:399:更详细的信息请参阅[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md:481:此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md:509:| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md:553:| `sparse_primary_key_encoding` | 布尔值 | `true` | 是否使用稀疏主键编码。此优化通过仅编码非空主键列来提高写入和查询性能。 |\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/overview.md:33:- **监控：** 通过指标、Traces 和运行时信息[监控集群的健康状况和性能](./monitoring/overview.md)。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/overview.md:35:### 数据管理和性能\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/overview.md:37:- **数据管理：** 通过[管理数据策略](/user-guide/deployments-administration/manage-data/overview.md) 以防止数据丢失、降低成本并优化性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/overview.md:38:- **性能调优：** 查看[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)并学习如何[设计表结构](/user-guide/deployments-administration/performance-tuning/design-table.md)以提高性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-metadata/overview.md:29:- 建立全面的存储健康状态和性能指标监控\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/manage-metadata/manage-etcd.md:442:ETCD 使用多版本并发控制 (MVCC) 机制，用于存储多个版本的 KV。随着时间的推移，随着数据的更新和删除，后端数据库可能会变得碎片化，从而增加存储空间并降低性能。Defrag 是指压缩这些存储空间以回收空间并提高性能的过程。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:51:- 单个 AZ 不可用时性能相同\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:52:- 单个 DC 不可用时性能几乎相同\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:69:- 单个可用区不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:70:- 单个数据中心不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:72:如果无法容忍单个数据中心故障导致的性能下降，请考虑升级到五个数据中心和三个区域的解决方案。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:90:- 单一 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:91:- 单一 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:92:- 单一区域（城市）不可用时性能略有下降\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:111:- 单个 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:112:- 单个 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:113:- 单个区域（城市）不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:122:| 元数据跨两个区域，数据在同一区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能几乎不变 |\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:123:| 数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:124:| 元数据跨三个区域，数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能略有下降 |\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:125:| 数据跨三个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:131: - 在操作期间监控系统性能\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:141:## 性能提示\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:143:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:148:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:151:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:156:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/upgrade.md:47:**影响：** 默认配置变更，带来性能提升\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/upgrade.md:49:Metric Engine 现在默认启用**稀疏主键编码**，以提高指标场景的存储效率和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/upgrade.md:110:TSID（时间序列 ID）生成算法已通过将 `mur3::Hasher128` 替换为高性能的 `fxhash::FxHasher` 进行优化，包括针对没有 NULL 标签的序列的快速路径。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/upgrade.md:112:**性能提升：**\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/upgrade.md:203:缓存架构已重构以获得更好的性能：\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/deploy-on-kubernetes/_pre_kind_helm.mdx:11:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md:652: storageClassName: io2 # 使用 AWS ebs io2 存储以获得更好的性能\nversioned_docs/version-1.0/reference/sql/explain.md:72:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\nversioned_docs/version-1.0/reference/sql/explain.md:94:The `EXPLAIN ANALYZE VERBOSE` command provides the detail metrics about the execution of scan plans.\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/deploy-on-kubernetes/overview.md:43:- [使用 MySQL/PostgreSQL 作为元数据存储](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#配置-metasrv-后端存储)：集成 MySQL/PostgreSQL 数据库以提供强大的元数据存储功能，增强可靠性和性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/wal/local-wal.md:36:### 使用单独的高性能卷作为 WAL 目录\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/wal/local-wal.md:40:- 使用高性能磁盘——包括专用物理卷或自定义的高性能 `StorageClass`，以提升 WAL 的写入吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/wal/local-wal.md:41:- 隔离 WAL I/O 与缓存文件访问，降低 I/O 竞争，提升整体系统性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/maintenance/table-reconciliation.md:101:- 建议在业务低峰期执行修复操作，以减少对系统性能的影响\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/logs/use-custom-pipelines.md:202:这带来了高性能的全文搜索。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/logs/use-custom-pipelines.md:229:但这种方法限制了高性能分析能力。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/logs/use-custom-pipelines.md:309:- **性能**：基于列的查询通常比全文搜索更快\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/logs/manage-pipelines.md:353:但是，你可能希望预先手动创建表以添加自定义表选项，例如添加分区规则以获得更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/logs/overview.md:55:- **索引**：配置必要的索引以提升查询性能，例如全文索引、时间索引等\ni18n/zh/docusaurus-plugin-content-docs/current/user-guide/logs/overview.md:74:1. **选择合适的日志收集器**：根据你的基础设施要求、数据源和性能需求选择收集器\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:20:GreptimeDB 中针对写入密集型工作负载优化的表类型，数据仅插入而不更新或删除。这种设计显著提升写入和查询性能，特别适用于日志分析和时序数据场景。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:40:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:106:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:113:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:119:GreptimeDB 的默认存储引擎，基于日志结构合并树（LSM-Tree）架构，针对时序工作负载进行优化。Mito 具备预写日志（WAL）、内存表和时间窗口压缩策略（TWCS），能够处理高吞吐量写入同时保持出色的查询性能。原生集成对象存储解决方案（S3、GCS、Azure Blob）并实现分层缓存以优化存储成本和访问速度。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:126:GreptimeDB 存储引擎采用的数据结构，通过先将数据写入日志再定期合并为有序结构来优化写入性能。该设计特别适合高写入吞吐量的时序工作负载。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:140:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:162:GreptimeDB 企业版中的功能，通过创建额外的只读数据实例来提升查询性能和可扩展性。读副本将读取工作负载分布到多个实例上，减少主数据库的负载同时提供更快的查询响应。该功能支持数据访问点的地理分布，提升读取操作的高可用性，并在企业环境中实现读密集型工作负载的高效扩展。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:171:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:178:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:197:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:207:GreptimeDB 企业版中的监控和告警功能，支持对时序数据条件进行自动化评估。Trigger 在指定间隔内持续监控表中的数据，执行基于 SQL 的规则来检查预定义的阈值或条件，并在满足条件时通过 webhook 发送通知。该功能与 Alertmanager 等告警系统集成，支持自定义标签和注释，特别适用于实时系统监控、性能告警和自动化事件响应。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/glossary.md:234:GreptimeDB 查询引擎采用的高性能数据处理技术，通过批量操作数据向量（数组）来提升查询性能。支持 SIMD 指令加速，显著提升大规模时序数据的分析速度。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md:141:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/current/reference/command-lines/datanode.md:57:`objbench` 子命令是一个用于测量对象存储上特定文件读写性能的基准测试工具。这对于诊断性能问题和测试存储层性能非常有用。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/command-lines/datanode.md:66:| `--pprof-file ` | pprof 火焰图的输出文件路径（启用性能分析）。生成 SVG 格式的火焰图文件 |\ni18n/zh/docusaurus-plugin-content-docs/current/reference/command-lines/datanode.md:72:测量特定文件的读写性能：\ni18n/zh/docusaurus-plugin-content-docs/current/reference/command-lines/datanode.md:78:#### 带性能分析的基准测试\ni18n/zh/docusaurus-plugin-content-docs/current/reference/command-lines/datanode.md:80:测量性能并生成用于性能分析的火焰图：\ni18n/zh/docusaurus-plugin-content-docs/current/reference/command-lines/datanode.md:86:这将生成一个 SVG 格式的火焰图，可以在 Web 浏览器中打开进行性能分析。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/command-lines/datanode.md:162:#### warmup 后开始性能分析\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/select.md:89:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/alter.md:307:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/manage-data/data-index.md#全文索引)。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/information-schema/ssts-storage.md:97:| **性能** | 快速（从清单读取） | 较慢（扫描存储） |\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/create.md:411:更多关于索引配置、性能对比和使用指南的信息，请参考[索引](/user-guide/manage-data/data-index.md)章节。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/offset.md:22:虽然将 `OFFSET` 和 `LIMIT` 与 `ORDER BY` 子句结合使用可以实现分页，但这种方法效率不高。我们建议记录每页返回的最后一条记录的时间索引（时间戳），并使用该值来过滤和限制后续页面的数据。这种方法提供了更好的分页性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/functions/approximate.md:16:这里使用了 [HyperLogLog](https://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf) (HLL) 算法来计算一组值的近似去重计数。它在内存使用和速度方面提供了高效的性能。GreptimeDB 提供了三个函数来处理 HLL 算法，具体描述如下：\ni18n/zh/docusaurus-plugin-content-docs/current/reference/sql/comment.md:128:- 注释作为元数据存储，不会影响表、列或流的行为或性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/pipeline/pipeline-config.md:1127:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](/user-guide/logs/fulltext-search.md) 的性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/current/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/current/tutorials/k8s-metrics-monitor.md:15:它是检查容器化应用程序和基础设施的健康状况、性能和资源利用率的关键。\ni18n/zh/docusaurus-plugin-content-docs/current/tutorials/k8s-metrics-monitor.md:29:- 排查性能瓶颈\ni18n/zh/docusaurus-plugin-content-docs/current/tutorials/k8s-metrics-monitor.md:42:- **GreptimeDB**：Prometheus 指标的长期存储后端，具有高压缩率和查询性能\ni18n/zh/docusaurus-plugin-content-docs/current/tutorials/k8s-metrics-monitor.md:105:为了提高查询性能并降低存储成本，\ni18n/zh/docusaurus-plugin-content-docs/current/tutorials/k8s-metrics-monitor.md:108:你可以对表进行分区将数据分布到各个 datanode 节点上，以获得更好的可扩展性和性能。\ni18n/zh/docusaurus-plugin-content-docs/current/tutorials/k8s-metrics-monitor.md:133:有关 Prometheus 指标存储和查询性能优化的更多信息，\ni18n/zh/docusaurus-plugin-content-docs/current/faq-and-others/faq.md:11:- 性能基准测试 → [功能特性](/user-guide/concepts/features-that-you-concern.md#性能对比其他方案怎么样)\ni18n/zh/docusaurus-plugin-content-docs/current/faq-and-others/faq.md:23:### GreptimeDB 的性能表现如何？\ni18n/zh/docusaurus-plugin-content-docs/current/faq-and-others/faq.md:157:GreptimeDB 支持多种写入协议，吞吐性能差异很大。以下数据来自本地测试环境（100 万时间序列，batch size 1,000）——**请关注相对比例而非绝对数值**，实际吞吐取决于硬件和负载：\ni18n/zh/docusaurus-plugin-content-docs/current/faq-and-others/faq.md:170:- **通用场景**：gRPC SDK——简洁易用且性能好，支持无 Schema 写入。\ni18n/zh/docusaurus-plugin-content-docs/current/faq-and-others/faq.md:297:- 表和列的数量没有严格限制，性能主要取决于主键设计而非表数量。\ni18n/zh/docusaurus-plugin-content-docs/current/faq-and-others/faq.md:300:- 多层缓存（写入缓存 + LRU 读缓存）优化性能。\ni18n/zh/docusaurus-plugin-content-docs/current/faq-and-others/faq.md:375:- **GreptimeCloud**：全托管方案，为生产工作负载提供资源和性能保障、可预测的定价、SLA 保障。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日志（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/current/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/current.json:75: \"message\": \"性能调优\",\ni18n/zh/docusaurus-plugin-content-docs/version-1.0.json:71: \"message\": \"性能调优\",\ni18n/zh/docusaurus-plugin-content-docs/version-0.16.json:63: \"message\": \"性能调优\",\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/enterprise/read-replicas/overview.md:9:*读副本 (Read Replica)* 是 GreptimeDB 企业集群版中的一项重要功能，旨在提升系统的整体读写性能与可扩展性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/enterprise/read-replicas/manage-read-replicas.md:8:本文介绍如何在 GreptimeDB 企业版中管理读副本，包括在表与 Region 级别添加/移除读副本、使用 `SHOW REGION` 查看副本分布，以及放置约束与性能最佳实践建议。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/enterprise/read-replicas/manage-read-replicas.md:25:每个 Region 的 Follower 节点会基于 Datanode 的工作负载类型进行分配。**为获得最佳性能，强烈建议先[配置 Datanode 分组](/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md)，将读与写工作负载分别放置在不同的 Datanode 组中。**\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:16:To debug a slow query, run it with `EXPLAIN ANALYZE VERBOSE`:\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:19:EXPLAIN ANALYZE VERBOSE ;\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:26:If the cause is still unclear, include the full `EXPLAIN ANALYZE VERBOSE` output when creating an issue.\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:72:range_result_cache_size = \"512MB\"\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:74:prefilter_result_cache_size = \"128MB\"\ndocs/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:296:See [Profiling Tools](/reference/http-endpoints.md#profiling-tools) for the endpoint reference.\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/enterprise/overview.md:15:- **全托管的独立云**: Greptime 团队提供完全托管的专用云环境，确保最佳性能、增强的安全性和卓越的可靠性，以满足你的企业需求。\ndocs/user-guide/deployments-administration/configuration.md:520:| `range_result_cache_size` | String | `512MB` | Cache size for flat range scan results. Setting it to 0 to disable the cache.
If not set, it's default to 1/16 of OS memory with a max limitation of 512MB. |\ndocs/user-guide/deployments-administration/configuration.md:521:| `prefilter_result_cache_size` | String | `128MB` | Cache size for prefilter results. Setting it to 0 to disable the cache.
If not set, it's default to 1/32 of OS memory with a max limitation of 128MB. |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:35:虽然 `hybrid` 很方便，但在同一个 datanode 上同时进行读写操作可能会相互干扰，例如，一个大查询可能占用过多资源，从而影响在线写入。为了获得最佳性能，建议将读写工作负载分离到不同的 datanode 组中。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/enterprise/deployments-administration/deploy-on-kubernetes/configure-datanode-groups.md:102:- 为了获得最佳性能，建议[配置 frontend 组](/user-guide/deployments-administration/deploy-on-kubernetes/configure-frontend-groups.md)，这确保读写流量的完全分离，实现最大隔离。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/query-data/sql.md:94:为了节省带宽和提高查询性能，你可以使用 `LIMIT` 语句来限制 `SELECT` 语句返回的行数。\ndocs/user-guide/deployments-administration/troubleshooting.md:124:you can add `EXPLAIN ANALYZE` or `EXPLAIN ANALYZE VERBOSE` before the query and re-execute it.\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/migrate-to-greptimedb/migrate-from-postgresql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:29: 列。时间索引最好设置为数据生成时的自然时间戳，因为它提供了查询数据的最直观方式，以及最佳的查询性能。例如，在 IOT\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:36: - 您需要通过主键和时间索引来删除重复行（包括删除）。通常会被查询。标签列中的值是附加到收集源的标签，通常用于描述这些源的特定特征。标签列会被索引，从而使对它们的查询具有高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/migrate-to-greptimedb/migrate-from-mysql.md:38: 否则，设置主键是可选的，并且可能会损害性能。阅读[主键](/user-guide/deployments-administration/performance-tuning/design-table.md#主键)了解详情。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/features-that-you-concern.md:2:keywords: [特性, 日志, 事件, 链路追踪, 更新, 删除, TTL 策略, 压缩率, 高基数, 持续聚合, 云存储, 性能, 灾难恢复, 地理空间索引, JSON 支持]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/features-that-you-concern.md:3:description: 关于 GreptimeDB 特性的常见问题，包括如何处理 metrics、logs 和 traces，更新、删除、TTL、压缩、高基数、持续聚合、云存储、性能、灾难恢复等。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/features-that-you-concern.md:42:- **Flat Format（针对极端高基数）**：当 tag 是请求 ID、trace ID、用户 token 这类百万级唯一值时，传统时序数据库为每个序列分配独立 buffer，序列数一多就内存膨胀、性能下降。GreptimeDB 1.0+ 的 Flat Format 引入了 BulkMemtable 和多序列合并路径，消除 per-series 开销，高基数场景下**写入吞吐量提升 4 倍，查询快 10 倍**。详见 [Flat Format 详解](https://greptime.cn/blogs/2025-12-22-flat-format)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/features-that-you-concern.md:45:- **灵活索引**：支持按需手工创建索引。可以为 tag 列和 field 列创建多种索引类型（倒排、全文、跳数），而不是自动为每列建索引。按需创建索引既能优化查询性能，又能降低索引开销。详见[索引文档](/user-guide/manage-data/data-index.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/features-that-you-concern.md:60:## 性能对比其他方案怎么样？\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/features-that-you-concern.md:64:性能测试报告：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/features-that-you-concern.md:86:包括部署选项、迁移指南、性能对比、最佳实践等，请访问[常见问题页面](/faq-and-others/faq.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/key-concepts.md:31:表引擎（也称为存储引擎）决定了数据在数据库中的存储、管理和处理方式。每种引擎提供不同的功能特性、性能表现和权衡取舍。GreptimeDB 提供了 `mito` 和 `metric` 引擎，有关更多信息，请参阅[表引擎](/reference/about-greptimedb-engines.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/key-concepts.md:45:索引是一种性能调优方法，可以加快数据的更快地检索速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/why-greptimedb.md:2:keywords: [云原生, 可观测性数据库, 高性能, 成本效益, 统一设计]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/why-greptimedb.md:3:description: 解释使用 GreptimeDB 的动机和优势，包括统一处理 metrics、logs 和 traces 的设计、云原生架构、成本优势、高性能和易集成性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/why-greptimedb.md:43:## 高性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/concepts/why-greptimedb.md:49:[GreptimeDB 在 JSONBench 10 亿条记录冷查询中拿下第一！](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb) 更多[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:2:keywords: [索引, 倒排索引, 跳数索引, 全文索引, 查询性能]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:8:GreptimeDB 提供了多种索引机制来提升查询性能。作为数据库中的核心组件，索引通过建立高效的数据检索路径，显著优化了数据的查询操作。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:12:在 GreptimeDB 中，索引是在表创建时定义的，其设计目��是针对不同的数据类型和查询模式来优化查询性能。目前支持的索引类型包括：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:78:然而，跳数索引无法处理复杂的过滤条件，并且其过滤性能通常不如倒排索引或全文索引。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:110: - 注意：设置为 `true` 可能会略微提高区分大小写查询的性能，但会降低不区分大小写查询的性能。此设置不会影响 `matches_term` 查询的结果。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:133: - 在不同查询模式下性能稳定\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:144: - 对高选择性查询性能优异\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:147: - 对低选择性查询性能较慢\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:152:#### 性能对比\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:154:下表显示了不同查询方法之间的性能对比（以 Bloom 为基准）：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:163:- 对于高选择性查询（如唯一值），Tantivy 提供最佳性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:164:- 对于低选择性查询，Bloom 提供更稳定的性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:223:3. 在查询性能、写入性能和资源消耗之间寻找平衡\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:226:## 性能考虑\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:228:索引虽然能够显著提升查询性能，但也会带来一定开销：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:231:- 索引维护会影响数据刷新和压缩性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/data-index.md:234:建议根据具体应用场景和性能需求，合理规划索引策略。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/overview.md:19:尽管更新操作的性能与插入数据相同，过多的更新可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/overview.md:256:过多的删除可能会对查询性能产生负面影响。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/manage-data/overview.md:292:- 减少数据库在某些查询中需要扫描的行数，从而提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/integrations/coroot.md:10:预定义的仪表板具备指标、日志、链路追踪、持续性能分析\ndocs/reference/http-endpoints.md:141:### Profiling Tools\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/overview.md:64:倒排索引、跳数索引和全文索引等索引可以显著提升查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/protocols/grpc.md:3:GreptimeDB 提供了 [gRPC SDK](/user-guide/ingest-data/for-iot/grpc-sdks/overview.md)，用于高效和高性能的数据摄入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/protocols/http.md:141: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/protocols/http.md:567: - `null`: 简洁的纯文本输出，仅显示行数和执行时间，用于评估查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/flow-computation/overview.md:41:为了优化计算 `user_agent` 字段的性能，\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/flow-computation/manage-flow.md:45:- **Tag**：使用 `PRIMARY KEY` 指定 Tag，与 time index 一起作为行数据的唯一标识，并优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/overview.md:20:GreptimeDB 支持针对特定场景的各种数据写入方法，以确保最佳性能和集成灵活性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/opentelemetry.md:297:1. `greptime_trace_v1` 处理方式默认通过 `trace_id` 字段将数据切分成不同的分区以提升性能。**请确保 `trace_id` 的第一个字符是分布均匀的**。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/vector.md:14:Vector 是高性能的可观测数据管道。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/fluent-bit.md:8:[Fluent Bit](http://fluentbit.io/) 是一个快速且轻量级的遥测代理，用于 Linux、macOS、Windows 和 BSD 系列操作系统的日志、指标和跟踪。Fluent Bit 专注于性能，允许从不同来源收集和处理遥测数据而不增加复杂性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/overview.md:8:在可观测性场景中，实时监控和分析系统性能的能力至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/overview.md:9:GreptimeDB 与领先的可观测性工具无缝集成，为你提供系统健康和性能指标的全面视图。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/prometheus.md:84:然而，拥有大量的小表对于数据存储和查询性能来说是低效的。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/prometheus.md:294:## 性能优化\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/prometheus.md:297:为了优化性能，你可以选择创建一个具有自定义配置的物理表。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-observability/alloy.md:193:有关 `loki.write`、`otelcol.processor.batch` 和 `otelcol.exporter.otlphttp` 的最新组件行为和调优建议，请参考 Grafana Alloy 官方文档。\ndocs/reference/sql/explain.md:72:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ndocs/reference/sql/explain.md:94:The `EXPLAIN ANALYZE VERBOSE` command provides the detail metrics about the execution of scan plans.\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/overview.md:16:- [gRPC SDK](./grpc-sdks/overview.md)：提供高效、高性能的数据写入，特别适用于实时数据和复杂的物联网基础设施。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/go.md:69:- `auto_create_table`：默认值为 `True`。如果设置为 `False`，则表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/go.md:310:通过在客户端使用 Arrow IPC 编码将多个表或对象聚合，并在一次 gRPC 请求中发送，与常规 Write API 相比，可以显著减少网络开销并提升整体写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:2:keywords: [Java SDK, 数据写入, 安装 JDK, 连接数据库, 插入数据, 调试日志, 性能指标]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:12:GreptimeDB 提供的 Java ingester SDK 是一个轻量级、高性能的客户端，专为高效的时间序列数据写入而设计。它利用 gRPC 协议提供非阻塞、纯异步的 API，在保持与应用程序无缝集成的同时提供高吞吐数据写入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:14:该客户端提供针对各种性能要求和使用场景优化的多种写入方法。你可以选择最适合你特定需求的方法——无论你需要低延迟操作的简单一元写入，还是处理大量时间序列数据时最大效率的高吞吐量批量流式传输。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:126:// 以获得更好的性能和资源利用率。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:212:- `auto_create_table`：默认为 `True`。如果设置为 `False`，表示表已经存在且不需要自动创建，这可以提高写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:240:// 出于性能考虑，SDK 被设计为纯异步的。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:279:Bulk 写入 API 提供了一种高性能、内存高效的机制，用于将大量时间序列数据写入到 GreptimeDB 中。它利用堆外内存管理，在写入大批量数据时实现最佳吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:287:此 API 仅支持每个流写入一个表，并处理大数据量（每次写入可高达 200MB+），具有自适应流量控制。性能优势包括：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:296:- 具有苛刻性能要求的时间序列应用程序\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:334:可以使用多个选项配置 Bulk API 以优化性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:358:### 性能调优\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:371:了解不同写入方法的性能特征对于优化数据写入至关重要。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:388:此选项可以显著提高数据转换为底层格式的速度。为了获得最佳性能，我们建议将列缓冲区大小设置为 1024 或更大，具体取决于你的特定工作负载特征和可用内存。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/ingest-data/for-iot/grpc-sdks/java.md:392:Ingester 公开全面的指标，使你能够监控其性能、健康状况和操作状态。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:2:keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:3:description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:6:# 性能调优技巧\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:10:GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:20:以下指标可用于诊断查询性能问题：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:62:- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:70:GreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:77:一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:79:如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md:118:虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:8:表结构设计将极大影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:116:- 按**时间范围**和**主键前导列**过滤，是提升查询性能成本最低的方式。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:127:错误的主键或索引可能会显著降低性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:128:通常，你可以创建一个没有主键的仅追加表，因为对于许多场景来说，按时间戳排序数据已经有不错的性能了。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:129:这也可以作为性能基准。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:182:过长的主键将对插入性能产生负面影响并增加内存占用。主键最好不超过 5 个列。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:199:- 无需将所有低基数列设为 tag，因为这可能影响写入和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:277:去重需要更多的计算并限制了写入和查询的并行性，所以使用 append-only 表通常具有更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:282:索引是可选的；只有当某个过滤条件很常见且性能还不够好时，才需要添加索引，并且应根据列的特点选择索引类型（见[何时使用索引](#何时使用索引)中的对比）。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:357:跳数索引无法处理复杂的过滤条件，在低基数列上可能有较低的过滤性能。它只支持等于运算符。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:376:存储和查询结构化日志通常比带有全文索引的非结构化日志性能更好。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:389:如果查询性能已经可接受，就无需为表创建索引。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:430:- 当数据在逻辑上不同时，使用**多张表**：例如 schema 不同、列集合不同，或保留时间（TTL）要求不同。独立的表也可以拥有各自的主键、索引和合并模式，而一张宽表的所有列必须共享同一套配置。多表能保持 schema 清晰，并允许你独立调优和设置保留策略。代价是表数量更多：每张表都维护自己的文件，因此把数据拆成许多小表会产生许多小文件。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:453:分区表并不总是能提高性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:462:- 你需要更多 CPU 来提高查询性能或更多内存用于高开销的查询。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:470:估计分区总数时，可以考虑写入吞吐量并额外预留 50% 的 CPU 资源，以确保查询性能和稳定性。也可以根据需要调整此比例。例如，如果查询较多，那么可以预留更多 CPU 资源。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/performance-tuning/design-table.md:475:为获得最佳性能，建议选择满足以下条件的分区列：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/repartition.md:28:- 需要把某个分区进一步细分，以改善写入并发或查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/compaction.md:8:对于基于 LSM 树的数据库，压缩是极其关键的。它将重叠的碎片化 SST 文件合并成一个有序的文件，丢弃已删除的数据，同时显著提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/compaction.md:24:通常，在实时写入工作负载中，SST 文件的时间范围不会重叠。然而，由于数据删除和乱序写入等因素，SST 文件可能会有重叠的时间范围，这会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/compaction.md:51:有序组的数量往往能够反映 SST 文件的有序性。更多的有序组通常会导致查询性能变差，因为特定时间范围的查询往往会命中多个重叠的文件。压缩的主要目标是减少有序组的数量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/compaction.md:65:TWCS 将要压缩的文件分配到不同的时间窗口。对于每个窗口，TWCS 会识别有序组。如当前出现了多于一个有序组，TWCS 会基于合并开销来计算一个文件合并策略，从而将有序组的数量减少到 1。如果有序组的数量没有超过 1（也就是任意两个文件的时间范围都不重叠），TWCS 会检查是否存在过多的文件碎片，并在必要时合并这些碎片文件，因为 SST 文件数量也会影响查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/compaction.md:67:对于窗口分配，SST 文件可能跨越多个时间窗口。为了确保不受陈旧数据影响，TWCS 根据 SST 的最大时间戳来进行分配。在时间序列工作负载中，无序写入很少发生，即使发生了，最近数据的查询性能也比陈旧数据更为重要。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/region-failover.md:34:- Kafka 集群的读取吞吐性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/region-failover.md:39:在最佳实践中，[Kafka 集群所支持的 topics/partitions 数量是有限的](https://docs.aws.amazon.com/msk/latest/developerguide/bestpractices.html)（超过这个数量可能会导致 Kafka 集群性能下降）。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/table-sharding.md:9:这种做法通常用于提高数据库系统的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-data/table-sharding.md:37:你需要考虑数据写入速率的要求、查询性能、存储系统上的数据分布。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/capacity-plan.md:2:keywords: [容量规划, CPU 需求, 内存需求, 存储需求, 数据保留策略, 硬件成本, 资源分配, 性能优化]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/capacity-plan.md:68:这样的分配旨在优化性能，\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/capacity-plan.md:71:实际需求可能会根据特定的工作负载特征和性能期望而有所不同。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/configuration.md:360:默认情况下，当查询时发生缓存未命中，GreptimeDB 会自动从对象存储下载文件填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高后续查询性能，使频繁访问的数据保留在写入缓存中。如果你想减少网络流量或存储成本，可以通过设置 `enable_refill_cache_on_read = false` 来禁用此行为。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/configuration.md:362:更详细的信息请参阅[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/configuration.md:443:此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/configuration.md:471:| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/configuration.md:514:| `sparse_primary_key_encoding` | 布尔值 | `true` | 是否使用稀疏主键编码。此优化通过仅编码非空主键列来提高写入和查询性能。 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/overview.md:33:- **监控：** 通过指标、Traces 和运行时信息[监控集群的健康状况和性能](./monitoring/overview.md)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/overview.md:35:### 数据管理和性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/overview.md:37:- **数据管理：** 通过[管理数据策略](/user-guide/deployments-administration/manage-data/overview.md) 以防止数据丢失、降低成本并优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/overview.md:38:- **性能调优：** 查看[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)并学习如何[设计表结构](/user-guide/deployments-administration/performance-tuning/design-table.md)以提高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-metadata/overview.md:29:- 建立全面的存储健康状态和性能指标监控\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/manage-metadata/manage-etcd.md:442:ETCD 使用多版本并发控制 (MVCC) 机制，用于存储多个版本的 KV。随着时间的推移，随着数据的更新和删除，后端数据库可能会变得碎片化，从而增加存储空间并降低性能。Defrag 是指压缩这些存储空间以回收空间并提高性能的过程。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:51:- 单个 AZ 不可用时性能相同\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:52:- 单个 DC 不可用时性能几乎相同\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:69:- 单个可用区不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:70:- 单个数据中心不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:72:如果无法容忍单个数据中心故障导致的性能下降，请考虑升级到五个数据中心和三个区域的解决方案。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:90:- 单一 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:91:- 单一 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:92:- 单一区域（城市）不可用时性能略有下降\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:111:- 单个 AZ 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:112:- 单个 DC 不可用时性能不变\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:113:- 单个区域（城市）不可用时性能下降\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:122:| 元数据跨两个区域，数据在同一区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能几乎不变 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:123:| 数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 两个区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:124:| 元数据跨三个区域，数据跨两个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能略有下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/dr-solution-based-on-cross-region-deployment-in-single-cluster.md:125:| 数据跨三个区域 | - 同一区域内延迟 2 毫秒
- 相邻两个区域间延迟 7 毫秒
- 两个远距离的区域间延迟 30 毫秒 | - 单个 AZ 不可用时性能不变
- 单个 DC 不可用时性能不变
- 单一区域（城市）不可用时，性能下降 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:131: - 在操作期间监控系统性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:141:## 性能提示\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:143:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:148:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:151:1. **导出性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/disaster-recovery/back-up-&-restore-data.md:156:2. **导入性能**\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/upgrade.md:47:**影响：** 默认配置变更，带来性能提升\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/upgrade.md:49:Metric Engine 现在默认启用**稀疏主键编码**，以提高指标场景的存储效率和查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/upgrade.md:110:TSID（时间序列 ID）生成算法已通过将 `mur3::Hasher128` 替换为高性能的 `fxhash::FxHasher` 进行优化，包括针对没有 NULL 标签的序列的快速路径。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/upgrade.md:112:**性能提升：**\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/upgrade.md:203:缓存架构已重构以获得更好的性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/deploy-on-kubernetes/_pre_kind_helm.mdx:11:不建议在生产环境或性能测试中使用 `kind`。如有这类需求建议使用公有云托管的 Kubernetes 服务，如 [Amazon EKS](https://aws.amazon.com/eks/)、[Google GKE](https://cloud.google.com/kubernetes-engine/) 或 [Azure AKS](https://azure.microsoft.com/en-us/services/kubernetes-service/)，或者自行搭建生产级 Kubernetes 集群。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md:652: storageClassName: io2 # 使用 AWS ebs io2 存储以获得更好的性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/deploy-on-kubernetes/overview.md:43:- [使用 MySQL/PostgreSQL 作为元数据存储](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#配置-metasrv-后端存储)：集成 MySQL/PostgreSQL 数据库以提供强大的元数据存储功能，增强可靠性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/troubleshooting.md:2:keywords: [问题排查, 配置问题排查, 性能问题排查, 写入问题排查]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/troubleshooting.md:8:在遇到错误或者性能问题时，我们可以基于指标和日志了解 GreptimeDB 的状态。这些信息也可以帮助进一步排查问题的原因。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/troubleshooting.md:90:如果查询的耗时较高，可以通过在查询前面加上 `EXPLAIN ANALYZE` 或 `EXPLAIN ANALYZE VERBOSE` 重新执行。查询的结果会带上各个阶段执行的耗时用于协助排查。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/wal/local-wal.md:36:### 使用单独的高性能卷作为 WAL 目录\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/wal/local-wal.md:40:- 使用高性能磁盘——包括专用物理卷或自定义的高性能 `StorageClass`，以提升 WAL 的写入吞吐量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/wal/local-wal.md:41:- 隔离 WAL I/O 与缓存文件访问，降低 I/O 竞争，提升整体系统性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:20:GreptimeDB 中针对写入密集型工作负载优化的表类型，数据仅插入而不更新或删除。这种设计显著提升写入和查询性能，特别适用于日志分析和时序数据场景。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:40:将计算资源与存储资源解耦管理的架构设计。该架构支持独立扩展与资源优化，实现工作负载管理的灵活性与高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:106:涵盖日志采集、存储、分析与可视化的全生命周期管理方案，是保障系统性能与安全的重要基础。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:113:程序未能正确释放闲置内存导致的软件缺陷，长期运行可能引发系统性能下降或崩溃。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:119:GreptimeDB 的默认存储引擎，基于日志结构合并树（LSM-Tree）架构，针对时序工作负载进行优化。Mito 具备预写日志（WAL）、内存表和时间窗口压缩策略（TWCS），能够处理高吞吐量写入同时保持出色的查询性能。原生集成对象存储解决方案（S3、GCS、Azure Blob）并实现分层缓存以优化存储成本和访问速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:126:GreptimeDB 存储引擎采用的数据结构，通过先将数据写入日志再定期合并为有序结构来优化写入性能。该设计特别适合高写入吞吐量的时序工作负载。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:140:通过系统外部输出推断内部状态的能力。GreptimeDB 作为可观测性基础设施，可通过指标、日志与事件数据实现系统性能监控与深度洞察。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:162:GreptimeDB 企业版中的功能，通过创建额外的只读数据实例来提升查询性能和可扩展性。读副本将读取工作负载分布到多个实例上，减少主数据库的负载同时提供更快的查询响应。该功能支持数据访问点的地理分布，提升读取操作的高可用性，并在企业环境中实现读密集型工作负载的高效扩展。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:171:以前沿内存安全特性著称的系统级编程语言。GreptimeDB 采用 Rust 语言构建，为其高性能与高可靠性提供底层保障。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:178:通过垂直扩展（提升单节点性能）或水平扩展（增加集群节点）应对数据量与查询负载增长的能力。GreptimeDB 的弹性扩展特性确保系统在业务增长时持续保持高性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:197:专为时间戳索引数据设计的数据库类型。GreptimeDB 作为云原生时序数据库，深度优化了对指标、日志及事件的分析查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:207:GreptimeDB 企业版中的监控和告警功能，支持对时序数据条件进行自动化评估。Trigger 在指定间隔内持续监控表中的数据，执行基于 SQL 的规则来检查预定义的阈值或条件，并在满足条件时通过 webhook 发送通知。该功能与 Alertmanager 等告警系统集成，支持自定义标签和注释，特别适用于实时系统监控、性能告警和自动化事件响应。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/glossary.md:234:GreptimeDB 查询引擎采用的高性能数据处理技术，通过批量操作数据向量（数组）来提升查询性能。支持 SIMD 指令加速，显著提升大规模时序数据的分析速度。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-version.md:32:- 特点：专注于错误修复、安全更新或性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/http-endpoints.md:2:keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/http-endpoints.md:141:### 性能分析工具\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/deployments-administration/maintenance/table-reconciliation.md:101:- 建议在业务低峰期执行修复操作，以减少对系统性能的影响\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:57:`objbench` 子命令是一个用于测量对象存储上特定文件读写性能的基准测试工具。这对于诊断性能问题和测试存储层性能非常有用。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:66:| `--pprof-file ` | pprof 火焰图的输出文件路径（启用性能分析）。生成 SVG 格式的火焰图文件 |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:72:测量特定文件的读写性能：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:78:#### 带性能分析的基准测试\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:80:测量性能并生成用于性能分析的火焰图：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:86:这将生成一个 SVG 格式的火焰图，可以在 Web 浏览器中打开进行性能分析。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/command-lines/datanode.md:162:#### warmup 后开始性能分析\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/use-custom-pipelines.md:202:这带来了高性能的全文搜索。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/use-custom-pipelines.md:229:但这种方法限制了高性能分析能力。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/use-custom-pipelines.md:309:- **性能**：基于列的查询通常比全文搜索更快\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/manage-pipelines.md:353:但是，你可能希望预先手动创建表以添加自定义表选项，例如添加分区规则以获得更好的性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/overview.md:55:- **索引**：配置必要的索引以提升查询性能，例如全文索引、时间索引等\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/user-guide/logs/overview.md:74:1. **选择合适的日志收集器**：根据你的基础设施要求、数据源和性能需求选择收集器\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/select.md:89:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/limit.md:2:keywords: [SQL LIMIT 子句, 查询行数限制, SQL 性能优化, 数据库查询优化, SQL 示例]\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/limit.md:8:`LIMIT` 用于限制查询返回的行数。当处理大数据集时该子句特别有用，因为它通过减少需要处理的数据量来提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/alter.md:281:更多关于全文索引配置和性能对比的信息，请参考[全文索引配置指南](/user-guide/manage-data/data-index.md#全文索引)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/case.md:81:`Tag` 列拥有索引，可以在 `ORDER BY` 子句中使用以提高查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/information-schema/ssts-storage.md:97:| **性能** | 快速（从清单读取） | 较慢（扫描存储） |\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/functions/approximate.md:16:这里使用了 [HyperLogLog](https://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf) (HLL) 算法来计算一组值的近似去重计数。它在内存使用和速度方面提供了高效的性能。GreptimeDB 提供了三个函数来处理 HLL 算法，具体描述如下：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/comment.md:128:- 注释作为元数据存储，不会影响表、列或流的行为或性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/pipeline/pipeline-config.md:1035:通过 `index: fulltext` 指定在哪个列上建立全文索引，该索引可大大提升 [日志搜索](/user-guide/logs/fulltext-search.md) 的性能，写法请参考下方的 [Transform 示例](#transform-示例)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/create.md:411:更多关于索引配置、性能对比和使用指南的信息，请参考[索引](/user-guide/manage-data/data-index.md)章节。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/explain.md:73:EXPLAIN ANALYZE VERBOSE SELECT * FROM monitor where host='host1';\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/explain.md:95:`EXPLAIN ANALYZE VERBOSE` 语句会展示计划执行阶段更详细的指标信息。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:16:该引擎的架构包括预写日志（WAL）以确保持久性、Memtable 在内存中高效组织数据以及基于时间窗口压缩策略（TWCS）的高效压缩策略。这种设计使 Mito 能够处理高吞吐量的写入操作，同时保持出色的查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:34:该引擎支持数据分析工作流中常用的各种文件格式，实现与现有数据管道的无缝集成。通过将外部文件视为虚拟表，File 引擎提供了对基于文件的数据的 SQL 查询能力，同时保持了 GreptimeDB 查询引擎的性能优化。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:42:- **Mito 引擎**：作为默认存储引擎，Mito 适用于大多数通用时间序列工作负载。当你需要平衡写入吞吐量、查询性能和存储效率时，它是一个极佳的选择。对于需要持久存储并具有良好全面性能特性的应用程序，请使用 Mito。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/about-greptimedb-engines.md:44:- **Metric 引擎**：当处理涉及数千个具有相似列结构的小表的可观测性和指标监控场景时，选择 Metric 引擎。该引擎在云原生监控环境中表现出色，可以减少存储开销并提高查询性能，特别适合指标数据为主的场景。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/reference/sql/offset.md:22:虽然将 `OFFSET` 和 `LIMIT` 与 `ORDER BY` 子句结合使用可以实现分页，但这种方法效率不高。我们建议记录每页返回的最后一条记录的时间索引（时间戳），并使用该值来过滤和限制后续页面的数据。这种方法提供了更好的分页性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:15:它是检查容器化应用程序和基础设施的健康状况、性能和资源利用率的关键。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:29:- 排查性能瓶颈\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:42:- **GreptimeDB**：Prometheus 指标的长期存储后端，具有高压缩率和查询性能\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:105:为了提高查询性能并降低存储成本，\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:108:你可以对表进行分区将数据分布到各个 datanode 节点上，以获得更好的可扩展性和性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/tutorials/k8s-metrics-monitor.md:133:有关 Prometheus 指标存储和查询性能优化的更多信息，\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:11:- 性能基准测试 → [功能特性](/user-guide/concepts/features-that-you-concern.md#性能对比其他方案怎么样)\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:23:### GreptimeDB 的性能表现如何？\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:157:GreptimeDB 支持多种写入协议，吞吐性能差异很大。以下数据来自本地测试环境（100 万时间序列，batch size 1,000）——**请关注相对比例而非绝对数值**，实际吞吐取决于硬件和负载：\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:170:- **通用场景**：gRPC SDK——简洁易用且性能好，支持无 Schema 写入。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:297:- 表和列的数量没有严格限制，性能主要取决于主键设计而非表数量。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:300:- 多层缓存（写入缓存 + LRU 读缓存）优化性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/faq-and-others/faq.md:375:- **GreptimeCloud**：全托管方案，为生产工作负载提供资源和性能保障、可预测的定价、SLA 保障。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/metasrv/overview.md:85: // 2. 一些性能指标，例如负载、CPU 使用率等。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/metasrv/overview.md:159:DynamoDB 定义了 RCUs 和 WCUs（读取容量单位/写入容量单位），解释说 RCU 是一个 4KB 数据的读取请求，WCU 是一个 1KB 数据的写入请求。当使用 RCU 和 WCU 描述工作负载时，更容易实现性能可测量性并获得更有信息量的资源预分配，因为我们可以将不同的硬件能力抽象为 RCU 和 WCU 的组合。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/query-engine.md:18:优化阶段通过转换逻辑计划和物理计划来提高执行性能，现在全部基于规则。它也被称为“基于规则的优化”。一些规则是 DataFusion 原生的，其他一些是在 GreptimeDB 中自定义的。在未来，我们计划添加更多规则，并利用数据统计进行基于成本的优化 (CBO)。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/query-engine.md:26:GreptimeDB 使用 [Apache Arrow][2]作为内存中的数据表示格式。它是面向列的，以跨平台格式，也包含许多高性能的基础操作。这些特性使得在许多不同的环境中共享数据和实现计算逻辑变得容易。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:14:Parquet 具有层次结构，类似于“行组 - 列-数据页”。Parquet 文件中的数据被水平分区为行组（row group），在其中相同列的所有值一起存储以形成数据页（data pages）。数据页是最小的存储单元。这种结构极大地提高了性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:69:FST（Finite State Transducer）允许 GreptimeDB 以紧凑的格式存储列值到 Bitmap 位置的映射，并且提供了优秀的搜索性能和支持复杂搜索（例如正则表达式匹配）；Bitmap 则维护了数据段 ID 列表，每个位表示一个数据段。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:74:GreptimeDB 把一个 SST 文件分割成多个索引数据段，每个数据段包含相同行数的数据。这种分段的目的是通过只扫描符合查询条件的数据段来优化查询性能。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/data-persistence-indexing.md:78:数据段的行数由引擎选项 `index.inverted_index.segment_row_count` 控制，默认为 `1024`。较小的值意味着更精确的索引，往往会得到更好的查询性能，但会增加索引存储成本。通过调整该选项，可以在存储成本和查询性能之间进行权衡。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/wal.md:10:我们的存储引擎受到了日志结构合并树（Log-structured Merge Tree，LSMT）的启发。对数据的变更操作直接应用于 MemTable 而不是持久化到磁盘上的数据页，这显著提高了性能，但也带来了持久化相关的问题，特别是在 Datanode 意外崩溃时。与所有类似 LSMT 的存储引擎一样，GreptimeDB 使用预写日志（Write-Ahead Log，WAL）来确保数据被可靠地持久化，并且保证崩溃时的数据完整性。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/wal.md:24:默认情况下，WAL 的追加写是异步的，这意味着写入方不会等待操作日志被刷入到磁盘并持久化。这个默认设置提供了更高的性能，但在服务器意外关闭时可能会丢失数据。另一方面，同步刷新提供了更高的可靠性，但其代价是性能更低。\ni18n/zh/docusaurus-plugin-content-docs/version-1.0/contributor-guide/datanode/metric-engine.md:40:为了提升对大量表同时进行 DDL（Data Definition Language，数据操作语言）操作时性能，如 Prometheus Remote Write 冷启动时大量 metrics 带来的自动建表请求，以及前面提到的迁移物理 Region 时大量路由表的修改请求等，`Metric` 引擎引入了一些批量 DDL 操作。这些批量 DDL 操作能够将大量的 DDL 操作合并成一个请求，从而减少了元数据的查询及修改次数，提升了性能。\n","/bin/bash -lc 'git status --short && git log --oneline -5 && rg -n \"EXPLAIN ANALYZE VERBOSE|range_result_cache_size|prefilter_result_cache_size|Profiling Tools|性能|调优\" -S docs i18n versioned_docs 2>/dev/null'",[834],"30618",{"_490":835,"_93":589},"git status --short && git log --oneline -5 && rg -n \"EXPLAIN ANALYZE VERBOSE|range_result_cache_size|prefilter_result_cache_size|Profiling Tools|性能|调优\" -S docs i18n versioned_docs 2>/dev/null",{"_461":837,"_442":443,"_463":449},{"_513":838,"_481":826,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"git status --short && git log --oneline -5 && rg -n \\\"EXPLAIN ANALYZE VERBOSE|range_result_cache_size|prefilter_result_cache_size|Profiling Tools|性能|调优\\\" -S docs i18n versioned_docs 2>/dev/null\",\"workdir\":\"/workspace/docs\",\"yield_time_ms\":1000,\"max_output_tokens\":12000}",{"_461":840,"_442":443,"_463":449},{"_481":841,"_467":-5,"_483":842,"_93":485},"call_1DQnOsof6E4ocL5UWLzDXkRH","Chunk ID: 69ca62\nWall time: 0.0000 seconds\nProcess exited with code 0\nOriginal token count: 0\nOutput:\n",{"_461":844,"_442":443,"_463":449},{"_488":-5,"_490":845,"_492":846,"_494":495,"_447":32,"_496":32,"_42":841,"_497":847,"_499":500,"_454":114,"_93":501},"/bin/bash -lc 'find .. -name AGENTS.md -print'",[848],"10831",{"_490":849,"_169":850,"_851":852,"_93":853},"find .. -name AGENTS.md -print","..","query","AGENTS.md","search",{"_461":855,"_442":443,"_463":449},{"_513":856,"_481":841,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\":\"find .. -name AGENTS.md -print\",\"workdir\":\"/workspace/docs\"}",{"_461":858,"_442":443,"_463":449},{"_464":-5,"_539":859,"_42":-5,"_467":-5,"_541":860,"_93":543},"gAAAAABqOpagZOazTLG1bwgK6AKOw9vPJhfgDVy8cBdPPuJS-cR-uCYMRIaAfjRsD108ieNYLzrk4SlC2kgHm_LSlE_1hoO3yqvLzgMBeofoEJrMBhDDq6_oHVtY1tsUs05AR3EDeFh1w_rjb0F4GqjgPFflLLQ3i-_86PiJ_m2USJQ4MkWyQMRxeukTXpNFydwffG_Q5Ia5lC0g3xVTzX1--0SdGc_G5oaS9u8YVe-_gdzlKNVvriZg6hzJqOyucD5qAS--NxB2ya9VRPRGnPxWOckmqTf4-oksPGY0fNWj52stciX4DvlgAQwBkBzyu3o5KFPpAGQsLG0oA-8Z8ecUdRrHhsHDe6fRmvPClN2evT44HZn-hCxapRtxwFdR5WB2t9HF6pcHqdYs2l8l8CLItzLQ1yVdkLDhQiiwb4iiqik8NbRs3dSneEq4NxU1ss4k-lus5g4nmFxhNA6irMZeTZ8GdsCxDbudhMDdJaC6dhFV0OI7gm9Z0xKS8zOEfJL0uCj57BKRtcUuttoJmpWH5J4QSu1ajkR2U-eVddGVKTZ3QZu68f_zc1ermQKZCQ0uxDB53RK-Kp8G53FD3xmCqUbLLCTbKUmEqLnvJJQ7UvZZUEB6yhF0Mst_XzfulbDS6LZqM8rB0tAwJCuj9GI2BYNT81Q28QUlePhWKDOfXUFt9zbJnsrBh1NraU70ja7cMIxsdYzWCaYDN006clPHK37r28UnZd_tbw2EXlo0HjIFJp3Nt1aDlFT1S0i2Se44gm6oztmGBRXNWuA37Z1xY3E7JCSSTuEdq0mqhcXnUCKmHk14u3eqvIilKsV2U9CEKDVYEGZnq_d4A4ZyuKthZTS-tPWVvGe7B-YNL5VrJH0wsuaeC0pBC-hFoMR2zGrd3WVVi_EZ1p3-8y6qtS_0N769u6Nb5MYW9B899zJl-x74PpXSxF6y_A3lu7paiC8qGyV5Bbb1673EUZ2z4KGA0BcTCUdcXB61hf5O8uSyCWTrpJhlgAM=",[],{"_461":862,"_442":443,"_463":449},{"_464":863,"_42":864,"_541":865,"_93":543},[],"rs_04f0f4825f373d32016a3a96a0252081989715b704717edb26",[],{"_461":867,"_442":443,"_463":449},{"_481":868,"_467":-5,"_483":869,"_93":485},"call_NBwfF9nJVxXUfJhmQF71YQol","Chunk ID: 785a7f\nWall time: 0.0004 seconds\nProcess exited with code 1\nOriginal token count: 4\nOutput:\n/workspace/docs\n",{"_461":871,"_442":443,"_463":449},{"_488":872,"_490":873,"_492":874,"_494":495,"_447":32,"_496":875,"_42":868,"_497":876,"_499":500,"_454":877,"_93":501},"/workspace/docs\n","/bin/bash -lc \"pwd && rg --files -g 'AGENTS.md' -g '\"'!node_modules'\"' -g '\"'!build'\"' && git status --short && git log --oneline -5\"",[878],1,"76949","failed",{"_490":879,"_93":589},"pwd && rg --files -g 'AGENTS.md' -g '!node_modules' -g '!build' && git status --short && git log --oneline -5",{"_461":881,"_442":443,"_463":449},{"_513":882,"_481":868,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},"{\"cmd\": \"pwd && rg --files -g 'AGENTS.md' -g '!node_modules' -g '!build' && git status --short && git log --oneline -5\", \"workdir\": \"/workspace/docs\"}",{"_461":884,"_442":443,"_463":449},{"_464":-5,"_539":885,"_42":-5,"_467":-5,"_541":886,"_93":543},"gAAAAABqOpaeAVi8b3kbWmLa6s8wxb_0czNrweoRj4yxPjRYco4WXLS9vsk3ucs-v3TXQyBXgF1-xKQG8bR6HN0sKJf9k7dFTmW2imjHbBq853Ke-wvG5ODdTt2VBwJhnAXeOzCd54_S3FUB5ltJVIyQJrVh8375eyo4OzH2PB6RskKXkcDEGvFXqwAyIaQrNeAvGXJo1NKz9cSGb_ZXMU0EoOTIfTxjXnpJefxlaC6GSXoUN_lTDBkuq5IcC9sOWPuXpvPQGl8gVnnBSaz_6xECnCyzG1t2qjoYqDcY8E_CYLcjWi-d6s2YQ_DfjHF6EzjKBbsz0D80jMX8eyLqkXP0StjaqpBqpPgmG7Hsa9MV1AY4GE0b1k5ajj6wnINwRvrBR4DFmIafhrVYoSad1dWNCZgM2LHifEye5RTMqZp2IeMWn6zuejUyJieFdmM7TAWZHdeLieAOmgomCspyEY0txBEr51nZ2Fdk17z-53favaMKvOw19KZ5wxIthgkyXjGhwTk_FP1c3B01rvd30e97Mq_mpv-XFDn2kAVbT_vjZD2zxWsEMaYsPVZJ7qTCR5CL6P-lCx-F9Zewow2_TRc2xTZxWNOzn2cyxjxS8Ui8UNIor6WgiNBxnvr7qITolytaatUdQQXhU8bPW6cAw9T8Zik7MEvimHpUEL5mKKVy2RcIkqBllIxAchHK-B5NhQkG-WVVhw7uHk3mGelO4ShPeJzruVE6EOrTV0jsUR1NJPbcW85sGjJ7nziEToKjg4qwM23qfgGPwGsh_j_seefLEtEfBTNaS0mfQQ8xJXNRE8jk99A5pPbh_Cc4Tu7zr9FH6ViZm41GPqMXSS7-3ISxUClrRjiwF9DNrIp0C1a9bUJoLr5K-fh_54DYt0vjkrrzZrL3t5hcsipCZ7HNFpY2z7pgWIDJV3RRtCL-s1ss16Ljk8Yk61KPMSTrg48tz1R7abwsDm90LMj5AqUfkrOgDlvqnf2b08oCJDhJ0ourkF08WuGoWnI=",[],{"_461":888,"_442":443,"_463":449},{"_464":889,"_42":890,"_541":891,"_93":543},[],"rs_04f0f4825f373d32016a3a969bf3508198b6ad2062ebb40094",[],{"_461":893,"_442":443,"_463":449},{"_894":-5,"_464":895,"_42":896,"_93":897},"clientId",[898],"aac0d3a5-fe3b-40a3-894d-46e80084c51f","userMessage",{"_46":899,"_900":901,"_93":46},"\nYou are Codex, assisting with follow-up actions on a GitHub pull request.\n\nInput blocks\n------------\n… # The comment or event that invoked you\n… # PR metadata (title, branches, SHAs, status, etc.)\n… # Comments / Reviews for the PR\n\nPossible triggers\n• A user mentions you (@codex)\n• A reviewer requests changes\n• An automated or internal system asks you to review / update\n\nGuidelines\n1. Read the block first and treat it as the primary intent.\n2. Always consult and to interpret and validate the trigger; use only context that materially affects your decision and ignore the rest.\n3. If the trigger comes from a comment thread, the first block will be combined earlier comments from the same thread, clearly indicated with `Comments in the same thread`.\n4. Remaining blocks are in chronological order, oldest first, one block per comment.\n5. When the trigger relates to CI/build status (e.g., “help me fix CI”), incorporate CI/status details found in as supporting context.\n6. If code change is needed, generate a **new** PR with the requested changes. The PR title and message should summarize the changes **on top** of the original pull request.\n@codex update the zh part.{\"title\":\"docs: improve performance tuning and profiling guidance\",\"body\":\"## What's Changed in this PR\\n\\n- Expands the performance tuning tips page with `EXPLAIN ANALYZE VERBOSE` guidance for debugging slow queries, including common scan, filter, cache, and metadata findings.\\n- Updates cache tuning guidance with current cache metrics, cache type labels, index cache allocation, range result and prefilter result caches, and index cache sizing tips.\\n- Adds ingestion troubleshooting guidance for throughput, request latency, datanode write pressure, flush performance, write distribution, and write buffer sizing.\\n- Adds CPU and memory profiling collection guidance for nodes with high resource usage, including platform availability, node-local collection, flamegraph overhead, and issue reporting details.\\n- Refreshes the Profiling Tools HTTP endpoint reference with current CPU and memory profiling endpoints, output formats, heap profiling status and activation, gdump, and symbolication.\\n- Updates the region engine configuration reference with corrected cache default descriptions and the `range_result_cache_size` and `prefilter_result_cache_size` options.\\n\\n## Checklist\\n\\n- [x] Please confirm that all corresponding versions of the documents have been revised.\\n- [x] Please ensure that the content in `sidebars.ts` matches the current document structure when you changed the document structure.\\n- [ ] This change requires follow-up update in localized docs.\\n\",\"base_ref\":\"9131a47a61dbcd5fa436036b6eabbf25f03ea062\",\"head_ref\":\"1e1e117f3a8f3400f7bed463a6528657daab56b5\",\"merge_commit_sha\":null,\"type\":\"pull_request_info\"}{\"type\":\"pull_request_comment\",\"body\":\"En part LGTM\",\"path\":null,\"side\":null,\"line\":null}","text_elements",[],{"_461":903,"_442":443,"_463":449},{"_464":904,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":342,"_93":470},[905],{"_46":899,"_93":906},"input_text",{"_461":908,"_442":443,"_463":449},{"_464":909,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":342,"_93":470},[910],{"_46":911,"_93":906},"\n /workspace/docs\n bash\n 2026-06-23\n Etc/UTC\n",{"_461":913,"_442":443,"_463":449},{"_464":914,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":915,"_93":470},[916,917],"developer",{"_46":919,"_93":906},{"_46":918,"_93":906},"\n## Skills\nA skill is a set of local instructions to follow that is stored in a `SKILL.md` file. Below is the list of skills that can be used. Each entry includes a name, description, and file path so you can open the source for full instructions when using a specific skill.\n### Available skills\n- imagegen: Generate or edit raster images when the task benefits from AI-created bitmap visuals such as photos, illustrations, textures, sprites, mockups, or transparent-background cutouts. Use when Codex should create a brand-new image, transform an existing image, or derive visual variants from references, and the output should be a bitmap asset rather than repo-native code or vector. Do not use when the task is better handled by editing existing SVG/vector/code-native assets, extending an established icon or logo system, or building the visual directly in HTML/CSS/canvas. (file: /opt/codex/skills/.system/imagegen/SKILL.md)\n- openai-docs: Use when the user asks how to build with OpenAI products or APIs and needs up-to-date official documentation with citations, help choosing the latest model for a use case, or model upgrade and prompt-upgrade guidance; prioritize OpenAI docs MCP tools, use bundled references only as helper context, and restrict any fallback browsing to official OpenAI domains. (file: /opt/codex/skills/.system/openai-docs/SKILL.md)\n- plugin-creator: Create and scaffold plugin directories for Codex with a required `.codex-plugin/plugin.json`, optional plugin folders/files, and baseline placeholders you can edit before publishing or testing. Use when Codex needs to create a new local plugin, add optional plugin structure, or generate or update repo-root `.agents/plugins/marketplace.json` entries for plugin ordering and availability metadata. (file: /opt/codex/skills/.system/plugin-creator/SKILL.md)\n- skill-creator: Guide for creating effective skills. This skill should be used when users want to create a new skill (or update an existing skill) that extends Codex's capabilities with specialized knowledge, workflows, or tool integrations. (file: /opt/codex/skills/.system/skill-creator/SKILL.md)\n- skill-installer: Install Codex skills into $CODEX_HOME/skills from a curated list or a GitHub repo path. Use when a user asks to list installable skills, install a curated skill, or install a skill from another repo (including private repos). (file: /opt/codex/skills/.system/skill-installer/SKILL.md)\n### How to use skills\n- Discovery: The list above is the skills available in this session (name + description + file path). Skill bodies live on disk at the listed paths.\n- Trigger rules: If the user names a skill (with `$SkillName` or plain text) OR the task clearly matches a skill's description shown above, you must use that skill for that turn. Multiple mentions mean use them all. Do not carry skills across turns unless re-mentioned.\n- Missing/blocked: If a named skill isn't in the list or the path can't be read, say so briefly and continue with the best fallback.\n- How to use a skill (progressive disclosure):\n 1) After deciding to use a skill, open its `SKILL.md`. Read only enough to follow the workflow.\n 2) When `SKILL.md` references relative paths (e.g., `scripts/foo.py`), resolve them relative to the skill directory listed above first, and only consider other paths if needed.\n 3) If `SKILL.md` points to extra folders such as `references/`, load only the specific files needed for the request; don't bulk-load everything.\n 4) If `scripts/` exist, prefer running or patching them instead of retyping large code blocks.\n 5) If `assets/` or templates exist, reuse them instead of recreating from scratch.\n- Coordination and sequencing:\n - If multiple skills apply, choose the minimal set that covers the request and state the order you'll use them.\n - Announce which skill(s) you're using and why (one short line). If you skip an obvious skill, say why.\n- Context hygiene:\n - Keep context small: summarize long sections instead of pasting them; only load extra files when needed.\n - Avoid deep reference-chasing: prefer opening only files directly linked from `SKILL.md` unless you're blocked.\n - When variants exist (frameworks, providers, domains), pick only the relevant reference file(s) and note that choice.\n- Safety and fallback: If a skill can't be applied cleanly (missing files, unclear instructions), state the issue, pick the next-best approach, and continue.\n","\nFilesystem sandboxing defines which files can be read or written. `sandbox_mode` is `danger-full-access`: No filesystem sandboxing - all commands are permitted. Network access is enabled.\nApproval policy is currently never. Do not provide the `sandbox_permissions` for any reason, commands will be rejected.\n","turn/started",{"_442":443,"_88":922},{"_104":-5,"_42":449,"_450":923,"_452":453,"_454":924},[],"inProgress",{"_454":926,"_442":443},{"_927":928,"_93":929},"activeFlags",[],"active","thread/started",{"_932":933},"thread",{"_934":-5,"_935":-5,"_936":937,"_938":453,"_494":495,"_939":15,"_940":-5,"_941":-5,"_42":443,"_942":943,"_202":-5,"_944":-5,"_169":945,"_946":216,"_499":947,"_454":948,"_949":-5,"_78":950,"_951":453},"agentNickname","agentRole","cliVersion","0.128.0","createdAt","ephemeral","forkedFromId","gitInfo","modelProvider","openai","parentThreadId","/opt/codex/sessions/2026/06/23/rollout-2026-06-23T14-22-16-019ef4dc-424f-7e80-8dda-693433c7b645.jsonl","preview","vscode",{"_93":458},"threadSource",[],"updatedAt",[],"messages",[955],{"_42":956,"_957":958,"_959":960,"_961":960,"_464":962,"_454":963,"_466":-5,"_964":32,"_467":965,"_966":967,"_968":-5},"34e1531f-2e19-45f1-ab1a-ab9fac8164a7","author",{"_97":342,"_202":-5,"_467":977},"create_time",1782224535.605762,"update_time",{"_973":46,"_974":975},"finished_successfully","weight",{"_969":970},"recipient","all","channel","l1239dk1",{"_971":972},"inline_comments",[],"content_type","parts",[976],"@codex update the zh part.\ndocs: improve performance tuning and profiling guidance\n\n## What's Changed in this PR\n\n- Expands the performance tuning tips page with `EXPLAIN ANALYZE VERBOSE` guidance for debugging slow queries, including common scan, filter, cache, and metadata findings.\n- Updates cache tuning guidance with current cache metrics, cache type labels, index cache allocation, range result and prefilter result caches, and index cache sizing tips.\n- Adds ingestion troubleshooting guidance for throughput, request latency, datanode write pressure, flush performance, write distribution, and write buffer sizing.\n- Adds CPU and memory profiling collection guidance for nodes with high resource usage, including platform availability, node-local collection, flamegraph overhead, and issue reporting details.\n- Refreshes the Profiling Tools HTTP endpoint reference with current CPU and memory profiling endpoints, output formats, heap profiling status and activation, gdump, and symbolication.\n- Updates the region engine configuration reference with corrected cache default descriptions and the `range_result_cache_size` and `prefilter_result_cache_size` options.\n\n## Checklist\n\n- [x] Please confirm that all corresponding versions of the documents have been revised.\n- [x] Please ensure that the content in `sidebars.ts` matches the current document structure when you changed the document structure.\n- [ ] This change requires follow-up update in localized docs.\n\nEn part LGTM",{},"created",1782224751.3307815,"Completing the task","event_type","info",{"_93":470,"_97":94,"_464":1980},{"_93":1010,"_1011":1012},{"_93":986,"_987":988,"_989":990,"_991":992,"_993":-5},"pr","pr_title","docs(i18n/zh): update performance tuning, cache and profiling guidance (zh)","pr_message","### Motivation\n\n- Align the Chinese (zh) documentation with recent English updates for query analysis, cache tuning, ingestion troubleshooting, and profiling collection.\n- Provide concrete, localized operational guidance for profiling endpoints and example `curl` usage to help operators collect CPU and memory profiles.\n- Clarify Mito region-engine cache option semantics and add missing result-cache options to reduce confusion when sizing caches.\n\n### Description\n\n- Updated `i18n/zh/.../performance-tuning/performance-tuning-tips.md` to add `EXPLAIN ANALYZE VERBOSE` guidance, cache metric interpretation, cache configuration examples, ingestion troubleshooting (throughput, latency, datanode write pressure, flush checks, write distribution), write-buffer tuning, and node-local profiling collection instructions.\n- Updated `i18n/zh/.../reference/http-endpoints.md` to expand the `/debug/prof/` section with detailed CPU and memory endpoint tables and `curl` examples for `cpu`, `mem`, `mem/status`, `mem/activate`, `mem/deactivate`, `mem/gdump`, and `mem/symbol`.\n- Updated `i18n/zh/.../deployments-administration/configuration.md` to clarify defaults and behaviors for `selector_result_cache_size`, add `range_result_cache_size` and `prefilter_result_cache_size`, and document default memory-derived limits for index caches (`index.metadata_cache_size`, `index.content_cache_size`, `index.result_cache_size`).\n- Changes applied to three Chinese files under `i18n/zh/docusaurus-plugin-content-docs/current/` and committed as the follow-up PR.\n\n### Testing\n\n- Ran `git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md` which completed with no whitespace or formatting errors.\n- Verified the three modified `i18n/zh` files are staged and committed; no automated build or CI failures were reported by the local checks performed.","output_diff",{"_93":991,"_994":213,"_129":130,"_995":-5,"_341":996,"_997":998,"_999":347,"_1000":1001,"_1002":1003,"_1004":569,"_1005":1006},"pre_apply_patch","repo_id","preapply_patch_base_commit_sha","diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md b/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\nindex a0dd46952550d5aff6bfaf4baa2d7a8050d5058d..846c5482f6d81ea25c7ee586e44abb32567ede72 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md\n@@ -119,58 +119,85 @@ is_strict_mode = false\n \n - **路径**: `/debug/enable_trace`\n - **方法**: `POST`\n - **描述**: 在运行时动态启用或禁用分布式链路追踪。\n - **用法**: 发送 `true` 启用链路追踪，或发送 `false` 禁用链路追踪。\n \n 启用链路追踪示例：\n \n ```bash\n curl --data \"true\" http://127.0.0.1:4000/debug/enable_trace\n # 输出: trace enabled\n ```\n \n 禁用链路追踪示例：\n \n ```bash\n curl --data \"false\" http://127.0.0.1:4000/debug/enable_trace\n # 输出: trace disabled\n ```\n \n 有关链路追踪配置的更多信息，请参阅[链路追踪文档](/user-guide/deployments-administration/monitoring/tracing.md)。\n \n ### 性能分析工具\n \n - **基础路径**: `/debug/prof/`\n-- **端点**:\n- - `cpu`\n- - `mem`\n-- **方法**: `POST` 用于分析数据库节点。\n-- **描述**: 运行时 CPU 或内存使用情况分析。\n-- **用法**:\n- - 有关 CPU 分析的详细指南，请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md)。\n- - 有关内存分析的详细指南，请参阅 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n+- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。\n+\n+CPU 性能分析：\n+\n+| 路径 | 方法 | 描述 |\n+| --- | --- | --- |\n+| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |\n+\n+示例：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+内存性能分析：\n+\n+| 路径 | 方法 | 描述 |\n+| --- | --- | --- |\n+| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |\n+| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |\n+| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |\n+| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |\n+| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |\n+| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |\n+| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |\n+\n+示例：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+curl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'\n+curl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'\n+```\n+\n+运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。\n \n ## 查询端点\n \n 用于向 GreptimeDB 发送查询的各种查询 API。\n \n ### SQL API\n \n - **路径**: `/v1/sql`\n - **方法**: `GET`, `POST`\n - **描述**: 执行 SQL 查询。\n - **用法**: 在请求体中发送 SQL 语句。\n \n 有关 SQL API 的更多信息，请参阅用户指南中的 [HTTP API 文档](/user-guide/protocols/http.md#post-sql-statements)。\n \n ### PromQL API\n \n - **路径**: `/v1/promql`\n - **方法**: `GET`, `POST`\n - **描述**: 执行 PromQL 查询以获取 Prometheus 兼容的指标，并以 GreptimeDB 的 JSON 格式返回数据。\n - **用法**: 在请求体中发送 PromQL 语句。\n \n 有关 PromQL API 的更多信息，请参阅 [PromQL 文档](/user-guide/query-data/promql.md)。\n \n ## 协议端点\n \ndiff --git a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\nindex a61d2dcb79ec25ec7e4fef5f13077c044f87982d..a66e7827482d1f96604ee502afcaf4c0db60219d 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md\n@@ -488,68 +488,70 @@ data_freeze_threshold = 32768\n fork_dictionary_bytes = \"1GiB\"\n ```\n \n 以下是可供使用的选项\n \n | 键 | 类型 | 默认值 | 描述 |\n | ---------------------------------------- | ------ | ------------- | ---------------------------------------------------------------------------------------------------------------------- |\n | `num_workers` | 整数 | `8` | 写入线程数量 |\n | `manifest_checkpoint_distance` | 整数 | `10` | 每写入 `manifest_checkpoint_distance` 个 manifest 文件创建一次 checkpoint |\n | `compress_manifest` | 布尔值 | `false` | 是否使用 gzip 压缩 manifest 和 checkpoint 文件。 |\n | `max_background_flushes` | 整数 | 自动 | 后台 flush 任务数（默认：1/2 CPU 核心数）。 |\n | `max_background_compactions` | 整数 | 自动 | 后台 compaction 任务数（默认：1/4 CPU 核心数）。 |\n | `max_background_purges` | 整数 | 自动 | 后台 purge 任务数（默认：CPU 核心数）。 |\n | `auto_flush_interval` | 字符串 | `1h` | 自动 flush 超过 `auto_flush_interval` 没 flush 的 region |\n | `global_write_buffer_size` | 字符串 | `1GB` | 写入缓冲区大小，默认值为内存总量的 1/8，但不会超过 1GB |\n | `global_write_buffer_reject_size` | 字符串 | `2GB` | 写入缓冲区内数据的大小超过 `global_write_buffer_reject_size` 后拒绝写入请求，默认为 `global_write_buffer_size` 的 2 倍 |\n | `sst_meta_cache_size` | 字符串 | `128MB` | SST 元数据缓存大小。设为 0 可关闭该缓存
默认为内存的 1/32，不超过 128MB |\n | `vector_cache_size` | 字符串 | `512MB` | 内存向量和 arrow array 的缓存大小。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n | `page_cache_size` | 字符串 | `512MB` | SST 数据页的缓存。设为 0 可关闭该缓存
默认为内存的 1/8 |\n | `write_cache_size` | 字符串 | `5GiB` | 写入缓存容量。如果磁盘空间充足，建议设置更大的值。 |\n | `write_cache_ttl` | 字符串 | `8h` | 写入缓存的 TTL。默认为 8 小时。 |\n | `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |\n | `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |\n | `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |\n | `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |\n-| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |\n+| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |\n+| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |\n+| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |\n | `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |\n | `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |\n | `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |\n | `scan_memory_limit` | 字符串 | `unlimited` | 所有查询的表扫描内存限制。支持绝对大小（如 \"2GB\"）或系统内存百分比（如 \"20%\"）。设为 0 或 \"unlimited\" 可禁用限制。 |\n | `scan_memory_on_exhausted` | 字符串 | `fail` | 扫描内存耗尽时的行为。选项：`fail`（快速失败），`wait` 或 `wait()`（等待内存）。 |\n | `min_compaction_interval` | 字符串 | `0m` | 两次 compaction 之间的最小时间间隔。设为 \"0m\"（默认）允许 compactions 立即运行，无限制。 |\n | `schedule_compaction_after_edit` | 布尔值 | `true` | 是否允许在成功的 region edit 之后调度 compaction。
设为 `true` 是在 region edit 后调度 compaction 的必要但不充分条件，`min_compaction_interval` 等其他约束仍可能阻止 compaction 被调度。
设为 `false` 则保证 region edit 后不会调度 compaction。 |\n | `default_flat_format` | 布尔值 | `true` | 是否启用 Flat 格式作为默认 SST 格式。 |\n | `scan_parallelism` | 整数 | `0` | （已弃用，请使用 `max_concurrent_scan_files`）旧版扫描并发度选项。 |\n | `index` | -- | -- | Mito 引擎中索引的选项。 |\n | `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |\n | `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |\n | `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |\n-| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。 |\n-| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。 |\n+| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |\n+| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n | `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |\n-| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。 |\n+| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |\n | `inverted_index.create_on_flush` | 字符串 | `auto` | 是否在 flush 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n | `inverted_index.create_on_compaction` | 字符串 | `auto` | 是否在 compaction 时构建索引
- `auto`: 自动
- `disable`: 从不 |\n | `inverted_index.apply_on_query` | 字符串 | `auto` | 是否在查询时使用索引
- `auto`: 自动
- `disable`: 从不 |\n | `inverted_index.mem_threshold_on_create` | 字符串 | `64M` | 创建索引时如果超过该内存阈值则改为使用外部排序
设置为空会关闭外排，在内存中完成所有排序 |\n | `inverted_index.intermediate_path` | 字符串 | `\"\"` | 存放外排临时文件的路径 (默认 `{data_home}/index_intermediate`). |\n | `memtable.type` | 字符串 | `time_series` | Memtable type.
- `time_series`: time-series memtable
- `partition_tree`: partition tree memtable (实验性功能) |\n | `memtable.index_max_keys_per_shard` | 整数 | `8192` | 一个 shard 内的主键数
只对 `partition_tree` memtable 生效 |\n | `memtable.data_freeze_threshold` | 整数 | `32768` | 一个 shard 内写缓存可容纳的最大行数
只对 `partition_tree` memtable 生效 |\n | `memtable.fork_dictionary_bytes` | 字符串 | `1GiB` | 主键字典的大小
只对 `partition_tree` memtable 生效 |\n \n `metric` 引擎针对包含大量小表的 metrics 数据进行了优化：\n \n ```toml\n [[region_engine]]\n [region_engine.metric]\n sparse_primary_key_encoding = true\n ```\n \n 可用选项：\n \n | 键 | 类型 | 默认值 | 描述 |\n | --------------------------------- | ------ | ------- | ----------------------------------------------------------------------------------------------------------------- |\n | `sparse_primary_key_encoding` | 布尔值 | `true` | 是否使用稀疏主键编码。此优化通过仅编码非空主键列来提高写入和查询性能。 |\n \n ### 设定 meta client\ndiff --git a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\nindex 49a69d45e60272f02a58dbcff2a8d1ab5d423b31..91af6f46249051f242a58b55dfaa033a34668c36 100644\n--- a/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n+++ b/i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md\n@@ -1,168 +1,302 @@\n ---\n keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]\n description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。\n ---\n \n # 性能调优技巧\n \n GreptimeDB 实例的默认配置可能不适合所有场景。因此根据场景调整数据库配置和使用方式相当重要。\n \n GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。\n \n ## 查询\n \n-### ANALYZE QUERY\n+### 分析查询性能\n \n-GreptimeDB 支持查询分析功能，通过 `EXPLAIN ANALYZE [VERBOSE] ` 语句可以看到逐步的查询耗时。\n+要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：\n+\n+```sql\n+EXPLAIN ANALYZE VERBOSE ;\n+```\n+\n+`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。\n+\n+比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。\n+\n+如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。\n+\n+常见发现：\n+\n+- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。\n+- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。\n+- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。\n+- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。\n+- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。\n \n ### 指标\n \n 以下指标可用于诊断查询性能问题：\n+\n | 指标 | 类型 | 描述 |\n |---|---|---|\n | greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |\n-| greptime_mito_cache_bytes | gauge | 缓存内容的大小 |\n-| greptime_mito_cache_hit | counter | 缓存命中总数 |\n-| greptime_mito_cache_miss | counter | 缓存未命中总数 |\n-\n+| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |\n+| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |\n \n ### 增大缓存大小\n \n-可以监控 `greptime_mito_cache_bytes` 和 `greptime_mito_cache_miss` 指标来确定是否需要增加缓存大小。这些指标中的 `type` 标签表示缓存的类型。\n-\n-如果 `greptime_mito_cache_miss` 指标一直很高并不断增加，或者 `greptime_mito_cache_bytes` 指标达到缓存容量，可能需要调整存储引擎的缓存大小配置。\n-\n-以下是一个例子：\n+将 `greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。\n \n+以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。\n \n ```toml\n [[region_engine]]\n [region_engine.mito]\n-# 写入缓存的缓存大小。此缓存的 `type` 标签值为 `file`。\n+# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。\n write_cache_size = \"10G\"\n-# 在写入缓存未命中时从对象存储下载文件填充缓存\n-enable_refill_cache_on_read = true\n+# 分配给索引（puffin）文件的写入缓存容量百分比。\n+# 此缓存的 `type` 标签值为 `index`。\n+index_cache_percent = 20\n # SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。\n sst_meta_cache_size = \"128MB\"\n-# 向量和箭头数组的缓存大小。此缓存的 `type` 标签值为 `vector`。\n+# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。\n vector_cache_size = \"512MB\"\n # SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。\n page_cache_size = \"512MB\"\n-# 时间序列查询结果（例如 `last_value()`）的缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n+# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。\n selector_result_cache_size = \"512MB\"\n+# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。\n+range_result_cache_size = \"512MB\"\n+# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。\n+prefilter_result_cache_size = \"128MB\"\n+# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。\n+manifest_cache_size = \"256MB\"\n \n [region_engine.mito.index]\n-## 索引暂存目录的最大容量。\n-staging_size = \"10GB\"\n+# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。\n+metadata_cache_size = \"64MiB\"\n+# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。\n+content_cache_size = \"128MiB\"\n+# 索引内容缓存的页大小。\n+content_cache_page_size = \"64KiB\"\n+# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。\n+result_cache_size = \"128MiB\"\n+# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。\n+staging_size = \"2GB\"\n ```\n \n-\n 一些建议：\n-- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n-- 使用对象存储时，GreptimeDB 默认在缓存未命中时自动下载文件以填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高查询性能，但会增加网络流量。如果你想减少网络使用或存储成本，可以考虑禁用此选项。\n-- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4\n-- 如果缓存命中率低于 50%，则可以将缓存大小翻倍\n-- 如果使用全文索引，至少将 `staging_size` 设置为磁盘空间的 1/10\n \n+- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。\n+- 写入缓存通过 `index_cache_percent` 在数据文件和索引（puffin）文件之间拆分。如果 `greptime_mito_cache_bytes{type=\"index\"}` 已满，而 `greptime_mito_cache_bytes{type=\"file\"}` 未满，可以考虑增大 `index_cache_percent`。\n+- 如果某个缓存相比其配置容量长期较小，可以减小该缓存，并把资源分配给压力更高的缓存。\n+- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4。\n+- 如果缓存命中率低于 50%，则可以将缓存大小翻倍。\n+- 只有当索引搜索工作负载中 `greptime_mito_cache_bytes{type=\"index_staging\"}` 接近容量，或暂存目录未命中和淘汰显示存在压力时，才需要调大 `index.staging_size`。并非每个部署都需要增大该设置。\n \n ### SST 格式\n \n GreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。\n \n 唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。\n \n-\n ### 尽可能使用 append-only 表\n \n 一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。\n \n 如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。\n \n ### 禁用预写式日志(WAL)\n \n 如果您是从 Kafka 等可以重放的数据源消费并写入到 GreptimeDB，可以通过禁用 WAL 来进一步提升写入吞吐量。\n \n 请注意，当 WAL 被禁用后，未刷新到磁盘或对象存储的数据将无法恢复，需要从原始数据源重新恢复，比如重新从 Kafka 读取或重新抓取日志。\n \n 通过设置表选项 `skip_wal='true'` 来禁用 WAL：\n \n ```sql\n CREATE TABLE logs(\n message STRING,\n ts TIMESTAMP TIME INDEX\n ) WITH (skip_wal = 'true');\n ```\n \n ## 写入\n \n+### 批量写入行\n+\n+批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n+\n+### 按时间窗口写入\n+\n+虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\n+\n+通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并[指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\n+\n ### 指标\n \n-以下指标有助于诊断写入问题：\n+以下指标有助于诊断写入问题。大多数指标可在官方 Grafana dashboard 中找到。需要自定义 PromQL 或深入排查时，可以使用下列指标名。\n \n | 指标 | 类型 | 描述 |\n |---|---|---|\n-| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时 |\n-| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算） |\n-| greptime_mito_write_rows_total | counter | 写入存储引擎的行数 |\n-| greptime_mito_write_stall_total | gauge | 当前由于内存压力过高而被阻塞的行数 |\n-| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的行数 |\n-| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时 |\n-| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时 |\n+| greptime_table_operator_ingest_rows | counter | table operator 摄入的行数。可使用该指标的 rate 追踪总写入负载。 |\n+| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP 请求延迟。可使用 `path`、`method` 和 `code` 等标签定位写入相关延迟。 |\n+| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC 请求延迟。可使用 `path` 和 `code` 等标签定位写入相关延迟。 |\n+| greptime_mito_handle_request_elapsed_bucket | histogram | Datanode 上处理存储引擎请求的耗时。 |\n+| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时。 |\n+| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算）。 |\n+| greptime_mito_write_rows_total | counter | 写入存储引擎的行数。可用于比较不同 datanode 的写入负载。 |\n+| greptime_mito_write_stalling_count | gauge | 每个 worker 中当前被阻塞的写入请求数。 |\n+| greptime_mito_write_stall_total | counter | 由于高内存压力或临时 region 状态而被阻塞的写入请求总数。 |\n+| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的写入请求数。 |\n+| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时。 |\n+| greptime_mito_flush_requests_total | counter | 已调度的 flush 请求数。 |\n+| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时。 |\n+| greptime_mito_flush_bytes_total | counter | flush 到 SST 文件的字节数。 |\n+| greptime_mito_flush_file_total | counter | flush job 生成的 SST 文件数。 |\n \n+### 检查写入吞吐和请求延迟\n \n-### 批量写入行\n+使用 `rate(greptime_table_operator_ingest_rows[$__rate_interval])` 观察总摄入速率。协议层延迟请检查 `greptime_servers_http_requests_elapsed_bucket` 和 `greptime_servers_grpc_requests_elapsed_bucket`。可按 `path`、`method` 和 `code` 等标签过滤，将写入请求与健康检查、指标抓取和查询请求区分开。\n \n-批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。\n+如果 frontend 协议延迟较高，请将它与 datanode 侧指标对比，例如 `greptime_mito_handle_request_elapsed_bucket` 和 `greptime_mito_write_stage_elapsed_bucket`。这有助于判断瓶颈是在进入存储引擎之前的请求处理阶段，还是在 datanode 写入路径内部。\n \n-### 按时间窗口写入\n-虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。\n+### 诊断 datanode 写入压力\n+\n+当 datanode 写入变慢或摄入延迟较高时，首先检查写入缓冲区是否存在压力：\n+\n+- `greptime_mito_write_buffer_bytes`\n+- `greptime_mito_write_stall_total`\n+- `greptime_mito_write_stalling_count`\n+- `greptime_mito_write_reject_total`\n+\n+写入阻塞表示 GreptimeDB 正在施加背压，而不是立即接受写入。当全局写入缓冲区达到 `global_write_buffer_size`，或 region 在内部状态变化期间暂时不可写时，可能出现阻塞。如果客户端收到类似 `Engine write buffer is full, rejecting write requests` 的错误，表示 datanode 已达到由 `global_write_buffer_reject_size` 控制的拒绝阈值。\n+\n+当 datanode 存在写入压力时，在调大写入缓冲区之前，请先检查 flush 性能和写入分布。增大写入缓冲区只会给 datanode 更多内存余量，并不能修复缓慢的 flush，也不能修复把大部分写入发送到单个 region 的不均衡表。\n+\n+### 检查 flush 性能\n+\n+如果写入缓冲区持续增长或写入频繁阻塞，请检查 flush 是否是瓶颈。使用 `greptime_mito_flush_elapsed` 查看 flush 延迟，并使用 `greptime_mito_flush_requests_total`、`greptime_mito_flush_bytes_total` 和 `greptime_mito_flush_file_total` 了解 flush 频率和吞吐。\n \n-通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并 [指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。\n+Datanode 日志也有助于识别慢 flush 和热点 region。搜索 `Successfully flush memtables`。该日志行包含 region、flush 原因、SST 文件、`total_rows`、`total_bytes`、`cost`、编码 part 数以及 flush metrics。可以用 `total_rows` 或 `total_bytes` 除以 `cost` 来估算 flush 吞吐。\n \n+如果 flush 耗时较高，例如达到 30 秒或更久，或者 flush 吞吐低于摄入速度，增大写入缓冲区通常只会延后阻塞或拒绝。在这种情况下，请检查表分区和 region 分布，让 flush 工作可以分散到更多 region 和 datanode。\n+\n+如果 flush job 很快，通常几秒内完成，但 flush 请求速率较高且写入缓冲区压力经常出现，增大写入缓冲区可以帮助降低 flush 频率。\n+\n+### 检查写入分布\n+\n+对于分区表，请检查写入是否均匀分布在 datanode 和 region 之间。使用 `greptime_mito_write_rows_total` 比较 datanode 级别的写入行数，并使用 `greptime_mito_handle_request_elapsed_bucket` 比较 datanode 请求延迟。\n+\n+也可以查询 [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md)，查看 `written_bytes_since_open` 和 `memtable_size` 等 region 级统计信息。如果某个 datanode 或某个 region 接收了大部分写入负载，请先调整表分区，让负载分散到更多 region 和 datanode，再考虑增大写入缓冲区。\n+\n+### 调整写入缓冲区大小\n+\n+如果阻塞或拒绝是由写入缓冲区压力导致的，并且 flush 性能和写入分布都正常，可以考虑增大 `region_engine.mito.global_write_buffer_size`。这对日志或链路追踪等大行工作负载最有用。默认情况下，`global_write_buffer_size` 会自动设置为操作系统内存的 1/8，最大 1GB。请逐步增大，例如调为 2 到 4 倍，并观察 datanode 内存使用情况。\n+\n+多数情况下，请保持 `region_engine.mito.global_write_buffer_reject_size` 未设置，让 GreptimeDB 使用默认的拒绝阈值，即 `global_write_buffer_size` 的 2 倍。如果希望在内存压力下更早失败，可以根据可用 datanode 内存以及希望多早拒绝请求，手动设置一个有意保留的边界，通常为 `global_write_buffer_size` 的 1.5 到 2 倍。该值必须大于 `global_write_buffer_size`；否则 GreptimeDB 会将其修正回 2 倍。\n+\n+示例：\n+\n+```toml\n+[[region_engine]]\n+[region_engine.mito]\n+global_write_buffer_size = \"2GB\"\n+# 可选。除非需要自定义拒绝边界，否则保持未设置。\n+global_write_buffer_reject_size = \"3GB\"\n+```\n \n ## 表结构\n \n ### 使用多值\n \n 在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。\n \n-\n 例如，以下三个表收集了 CPU 的使用率指标。\n \n ```sql\n CREATE TABLE IF NOT EXISTS cpu_usage_user (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n );\n CREATE TABLE IF NOT EXISTS cpu_usage_system (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n );\n CREATE TABLE IF NOT EXISTS cpu_usage_idle (\n hostname STRING NULL,\n usage_value BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n );\n ```\n \n 我们可以将它们合并为一个具有三个字段的表。\n \n ```sql\n CREATE TABLE IF NOT EXISTS cpu (\n hostname STRING NULL,\n usage_user BIGINT NULL,\n usage_system BIGINT NULL,\n usage_idle BIGINT NULL,\n ts TIMESTAMP(9) NOT NULL,\n TIME INDEX (ts),\n PRIMARY KEY (hostname)\n );\n ```\n+\n+## 采集性能分析数据\n+\n+当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。\n+\n+性能分析与平台相关，在某些平台或构建中可能不可用。CPU profiling 在大多数 Unix 平台上可用。Memory profiling 在 Linux 上可用，但在 macOS 或 Windows 上不可用。生成火焰图会消耗额外内存，因为 GreptimeDB 需要在进程内解析 profile 并符号化栈信息。从接近内存限制的节点采集火焰图时请格外谨慎。\n+\n+性能分析是节点本地的。请将以下示例中的 `127.0.0.1:4000` 替换为 CPU 或内存使用率较高的 GreptimeDB 节点的 HTTP 地址。\n+\n+### CPU profiling\n+\n+在 CPU 使用率较高时采集 10 秒 CPU 火焰图：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg\n+```\n+\n+### Memory profiling\n+\n+Memory profiling 需要启用 heap profiling。官方 Docker 镜像默认启用 heap profiling。对于自行构建或非 Docker 部署，建议默认以启用 heap profiling 的方式启动 GreptimeDB：\n+\n+```bash\n+MALLOC_CONF=prof:true ./greptime standalone start\n+```\n+\n+当内存使用率较高时采集内存火焰图，尤其是在内存仍在增长或达到新峰值时：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg\n+```\n+\n+也可以在不同时间采集两份内存 profile 并进行对比，以识别新增分配：\n+\n+```bash\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof\n+curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof\n+```\n+\n+端点参考请参阅[性能分析工具](/reference/http-endpoints.md#性能分析工具)。\n+\n+报告问题时，请包含：\n+\n+- GreptimeDB 版本和部署模式。\n+- 受影响的组件或节点。\n+- CPU 火焰图或内存火焰图/profile 文件。\n+- 问题发生的大致时间范围和工作负载。\n+- 可用的相关指标和日志。\n","external_storage_diff",{"_1007":1008,"_1009":-5},"files_modified","lines_added",214,"lines_removed",51,"commit_message","additional_parent_commit_shas",[],"file_id","file_00000000a360722fbff2bb621891110a","ttl","partial_repo_snapshot","files",[1013,1014,1015],{"_169":1818,"_1017":-5,"_1018":1819,"_1020":-5},{"_169":1639,"_1017":-5,"_1018":1640,"_1020":-5},{"_169":1016,"_1017":-5,"_1018":1019,"_1020":-5},"i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md","contents","line_range_contents",[1021],"missing_reason",{"_1022":875,"_1023":1024,"_464":1025,"_1026":59},"line_range_start","line_range_end",868,[1027,1028,1029,1030,1027,216,1031,216,1032,216,1033,1034,1035,1036,216,1037,1038,216,1039,216,1040,216,1041,1042,216,1043,1044,1045,216,1046,216,1047,216,1048,1049,216,1050,1051,1052,1053,1045,216,1054,216,1055,1056,1045,216,1057,216,1058,1059,1045,216,1060,216,1061,1062,216,1063,1064,1065,1066,1067,216,1068,216,1069,1070,216,1071,216,216,1072,216,1073,1074,216,1050,1075,1051,1076,1075,1045,216,1077,216,1045,1078,1045,216,1079,216,1080,216,1081,1082,1083,1084,216,1085,216,1086,216,1045,1087,1045,216,1088,216,1089,216,1090,216,1091,1092,216,1050,1093,1094,1095,216,1096,1097,1098,1045,216,1099,1100,1101,1102,216,1103,216,1104,1105,1106,216,1107,216,1050,1108,1109,1110,216,1111,1112,1045,216,1113,1114,1115,1116,216,1117,216,1118,216,1119,1120,1121,216,1122,1123,1124,1125,216,1050,1126,1127,1128,1129,216,1130,1131,1132,216,1133,1134,1135,1136,216,1137,1138,1139,1140,216,1141,1134,1142,1136,216,1143,1138,1139,1140,216,1144,1134,216,1145,1134,1146,1147,1148,216,1149,1134,1150,1151,1152,1153,1154,1155,1045,216,1156,216,1157,1158,1159,1160,1161,1162,1163,1164,1165,1166,1167,1168,1169,1170,1171,1172,1173,1174,1175,1176,1177,1178,1179,1180,1181,1182,1183,1184,1185,1186,1187,1188,1172,216,1189,216,1190,1191,1192,1193,1194,1195,1196,216,1197,216,1198,216,1199,216,1200,1201,1202,216,1203,216,1050,1204,1205,1045,216,1206,216,1207,216,1208,216,1209,1210,1211,1212,1213,1214,1215,1216,1217,1218,1219,1220,1221,1222,1223,1224,1225,1226,1227,1228,1229,1230,1231,1232,1233,1234,1235,1236,1237,1238,1239,1240,1241,1242,1243,1244,1245,216,1246,216,1050,1051,1052,1053,1045,216,1247,216,1050,1051,1248,1249,1250,1251,1252,1045,216,1253,216,1254,216,1255,216,1256,1257,1258,1259,1260,1261,216,1262,216,1263,216,1050,1264,1265,1266,1248,1249,1250,1251,1252,216,1265,1267,1268,1249,1250,1269,1045,216,1270,216,1271,216,1272,216,1273,216,1274,216,1050,1275,1276,216,1277,1278,1279,1045,216,1280,216,1281,216,216,1282,216,1283,216,216,1284,216,1285,216,1050,1286,1287,1288,1289,1290,1291,1292,1293,1045,216,1294,1295,1296,1297,1298,1299,216,1300,216,1301,216,1302,216,1303,216,1050,1275,1276,1304,1305,1306,1307,1308,1309,1310,1311,1312,1313,1314,1315,1316,1317,1318,1319,1320,1321,1322,1323,216,1324,1325,1326,1327,1328,1329,1330,1331,216,1332,1333,1334,1335,1336,1337,216,1338,1339,1045,216,1340,216,1050,1338,1341,1342,1343,1344,1045,216,1345,216,1346,1347,1348,1349,1350,1351,1352,1353,1354,1355,1356,1357,1358,1359,1360,1361,1362,1363,1364,1365,1366,1367,1368,1369,1370,1371,1372,1373,1374,1375,1376,1377,1378,1379,1380,1381,1382,1383,1384,1385,1386,1387,1388,1389,1390,1391,1392,1393,1394,216,1395,216,1050,1275,1396,1397,1045,216,1398,216,1399,1400,1401,216,1402,216,1403,216,1050,1404,1405,1406,1407,1408,1409,1045,216,1410,216,1411,1412,1413,1414,1415,216,1416,216,1417,216,1050,1418,216,1419,1420,1045,216,1421,1422,1423,1424,216,1425,216,1426,1427,1428,216,1050,1429,1045,216,1430,1431,216,1432,216,1050,1433,1434,1435,1436,1437,1438,1439,1440,1441,1442,1443,1444,1445,1446,1447,1448,1449,1450,1451,1452,1453,1454,1455,1456,1457,1458,1459,1460,1461,1462,1463,1464,1465,1466,1467,1468,1469,1470,1471,1472,1473,1474,1475,1476,1477,1478,216,1479,1480,216,1481,1482,1483,1484,1485,1486,1487,1488,1489,216,1490,1130,1491,1492,1132,1493,1494,1495,1496,216,1497,1498,216,1499,1500,216,1501,1502,216,1503,1504,1505,1506,216,216,1507,1508,1509,216,1510,1511,1512,216,1513,1514,1515,216,1516,1517,1518,216,1519,1520,216,1521,1522,216,1523,1524,216,1525,1526,216,1527,1409,216,1528,1529,1530,1531,1532,216,1533,216,1534,1535,216,1536,1537,1538,1539,216,1540,1541,216,1542,1543,1544,1545,216,1546,1547,216,1548,1549,216,1550,1551,216,1552,1553,1489,216,1554,1553,1406,1045,216,1555,1556,1557,1558,1559,1560,1561,1562,1563,1564,1565,1566,1567,1568,1569,1570,1571,1572,1573,1574,1575,1576,1577,1578,1579,1580,1581,1582,1583,1584,1585,1586,1587,1588,1589,1590,1591,1592,1593,1594,1595,1596,1597,1598,1599,1600,1601,1602,1603,1604,1605,1606,1607,1608,1609,1610,1611,1612,1613,1614,1615,1616,216,1617,216,1050,1618,1130,1619,1620,1132,216,1621,1622,1623,1045,216,1624,1625,1626,1627,1628,1629,1630,1631,216,1632,216,1050,1520,1522,1407,1409,1045,216,1633,1634,1635,1636,1637,1638],"contains_end_of_file","---","title: \"GreptimeDB 部署配置\"","keywords: [配置指南, 命令行选项, 配置文件, 环境变量, 协议选项, 存储选项, WAL 选项, 日志选项]","description: GreptimeDB 的配置指南，介绍了命令行选项、配置文件、环境变量、协议选项、存储选项、WAL 选项、日志选项等详细配置方法。","# 配置 GreptimeDB","GreptimeDB 提供了层次化的配置能力，按照下列优先顺序来生效配置（每个项目都会覆盖下面的项目）：","- Greptime 命令行选项","- 配置文件选项","- 环境变量","- 默认值","你只需要设置所需的配置项。","GreptimeDB 将为未配置的任何设置分配默认值。","## 如何设置配置项","### Greptime 命令行选项","你可以使用命令行参数指定多个配置项。","例如，以配置的 HTTP 地址启动 GreptimeDB 的独立模式：","```shell","greptime standalone start --http-addr 127.0.0.1:4000","```","有关 Greptime 命令行支持的所有选项，请参阅 [GreptimeDB 命令行界面](/reference/command-lines/overview.md)。","### 配置文件选项","你可以在 TOML 文件中指定配置项。","例如，创建一个名为 `standalone.example.toml` 的配置文件，如下所示：","```toml","[storage]","type = \"File\"","data_home = \"./greptimedb_data/\"","然后使用命令行参数 `-c [file_path]` 指定配置文件。","```sh","greptime [standalone | frontend | datanode | metasrv] start -c config/standalone.example.toml","例如以 standalone 模式启动 GreptimeDB：","```bash","greptime standalone start -c standalone.example.toml","#### 示例文件","以下是每个 GreptimeDB 组件的示例配置文件，包括所有可用配置项。","在实际场景中，你只需要配置所需的选项，不需要像示例文件中那样配置所有选项。","- [独立模式](https://github.com/GreptimeTeam/greptimedb/blob/VAR::greptimedbVersion/config/standalone.example.toml)","- [前端](https://github.com/GreptimeTeam/greptimedb/blob/VAR::greptimedbVersion/config/frontend.example.toml)","- [数据节点](https://github.com/GreptimeTeam/greptimedb/blob/VAR::greptimedbVersion/config/datanode.example.toml)","- [流节点](https://github.com/GreptimeTeam/greptimedb/blob/VAR::greptimedbVersion/config/flownode.example.toml)","- [元服务](https://github.com/GreptimeTeam/greptimedb/blob/VAR::greptimedbVersion/config/metasrv.example.toml)","### Helm 配置","当使用 Helm 在 Kubernetes 上部署 GreptimeDB 时，你可以直接在 Helm `values.yaml` 文件中做相应的设置。","请参阅 [Helm 配置项文档](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md)了解所有 Helm 支持的配置项。","对于仅在本篇文档中[可用的配置项](#配置项)，你可以通过[注入 TOML 配置文件](/user-guide/deployments-administration/deploy-on-kubernetes/common-helm-chart-configurations.md#注入配置文件)来设置配置。","### 环境变量","配置文件中的每个项目都可以映射到环境变量。","例如，使用环境变量设置数据节点的 `data_home` 配置项：","# ...","data_home = \"/data/greptimedb\"","使用以下 shell 命令以以下格式设置环境变量：","export GREPTIMEDB_DATANODE__STORAGE__DATA_HOME=/data/greptimedb","#### 环境变量规则","- 每个环境变量应具有组件前缀，例如："," - `GREPTIMEDB_FRONTEND`"," - `GREPTIMEDB_METASRV`"," - `GREPTIMEDB_DATANODE`"," - `GREPTIMEDB_STANDALONE`","- 使用**双下划线 `__`**作为分隔符。例如，数据结构 `storage.data_home` 转换为 `STORAGE__DATA_HOME`。","环境变量还接受以逗号 `,` 分隔的列表，例如：","GREPTIMEDB_METASRV__META_CLIENT__METASRV_ADDRS=127.0.0.1:3001,127.0.0.1:3002,127.0.0.1:3003","## 配置项","本节将介绍主要的配置项，请前往 GitHub 查看[所有配置项](https://github.com/GreptimeTeam/greptimedb/blob/VAR::greptimedbVersion/config/config.md)。","### 写入内存限制选项","内存限制选项控制所有协议（HTTP、gRPC 和 Arrow Flight）并发写入请求使用的总内存。","这些选项适用于 `frontend` 和 `standalone` 子命令。","# 所有并发写入请求体和消息的最大总内存","# 设置为 0 表示禁用限制（默认为无限制）","max_in_flight_write_bytes = \"1GB\"","# 写入字节配额耗尽时的策略","# 可选值：`\"wait\"`（默认，10 秒超时）、`\"wait()\"`（例如 `\"wait(30s)\"`）、`\"fail\"`","write_bytes_exhausted_policy = \"wait\"","| 配置项 | 类型 | 默认值 | 描述 |","| ------------------------------- | ------ | --------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |","| `max_in_flight_write_bytes` | 字符串 | `\"0\"` | 所有并发写入请求体和消息（HTTP、gRPC、Flight）的最大总内存。设置为 `\"0\"` 表示禁用限制（无限制）。支持的单位：`B`、`KB`、`MB`、`GB` 等。示例：`\"1GB\"` 将并发写入总量限制为 1GB。 |","| `write_bytes_exhausted_policy` | 字符串 | `\"wait\"` | 写入字节配额耗尽时的策略。可选值：`\"wait\"`（默认，等待最多 10 秒）、`\"wait()\"`（自定义超时时间，例如 `\"wait(30s)\"`）、`\"fail\"`（立即拒绝请求）。 |","### Datanode 查询并发限制","这些选项用于限制单个 datanode 上可同时运行的读取查询数量。","查询会一直计入并发限制，直到查询完成或客户端关闭结果流。","如果达到并发限制，新查询最多等待 `concurrent_query_limiter_timeout` 配置的时间；如果仍然没有可用名额，查询将失败。","这些选项适用于 `datanode` 子命令。","# Datanode 上允许同时运行的最大读取查询数量。","# 设置为 0 表示禁用限制（默认为无限制）。","max_concurrent_queries = 0","# 当达到 max_concurrent_queries 时，查询等待可用名额的最长时间。","concurrent_query_limiter_timeout = \"100ms\"","| 配置项 | 类型 | 默认值 | 描述 |","| ---------------------------------- | ------ | --------- | --------------------------------------------------------------------------------------------------------------- |","| `max_concurrent_queries` | 整数 | `0` | Datanode 上允许同时运行的最大读取查询数量。设置为 `0` 表示禁用限制。 |","| `concurrent_query_limiter_timeout` | 字符串 | `\"100ms\"` | 当达到 `max_concurrent_queries` 后，查询等待可用名额的最长时间。如果超时后仍然没有可用名额，查询将失败。 |","### 协议选项","协议选项适用于 `frontend` 和 `standalone` 子命令，它指定了协议服务器地址和其他协议相关的选项。",":::tip 提示","HTTP 协议配置适用于所有 GreptimeDB 组件：`frontend`、`datanode`、`flownode` 和 `metasrv`。",":::","下面的示例配置包含了所有协议选项的默认值。","你可以在配置文件中更改这些值或禁用某些协议。","例如禁用 OpenTSDB 协议支持，可以将 `enable` 参数设置为 `false`。","请注意，为了保障数据库的正常工作，无法禁用 HTTP 和 gRPC 协议。","[http]","addr = \"127.0.0.1:4000\"","timeout = \"0s\"","body_limit = \"64MB\"","[grpc]","bind_addr = \"127.0.0.1:4001\"","runtime_size = 8","[mysql]","enable = true","addr = \"127.0.0.1:4002\"","runtime_size = 2","[mysql.tls]","mode = \"disable\"","cert_path = \"\"","key_path = \"\"","[postgres]","addr = \"127.0.0.1:4003\"","[postgres.tls]","[opentsdb]","[influxdb]","# InfluxDB 协议自动创建表时使用的默认 merge 模式。","# 可选值：\"last_non_null\"、\"last_row\"。","default_merge_mode = \"last_non_null\"","[prom_store]","with_metric_engine = true","pending_rows_flush_interval = \"0s\"","max_batch_rows = 100000","max_concurrent_flushes = 256","worker_channel_capacity = 65526","max_inflight_requests = 3000","下表描述了每个选项的详细信息：","| 选项 | 键 | 类型 | 描述 |","| ---------- | ------------------ | ------ | ------------------------------------------------------------ |","| http | | | HTTP 服务器选项 |","| | addr | 字符串 | 服务器地址，默认为 \"127.0.0.1:4000\" |","| | timeout | 字符串 | HTTP 请求超时时间。设为 \"0s\" 可禁用超时（默认值为 \"0s\"）。 |","| | body_limit | 字符串 | HTTP 最大体积大小，默认为 \"64MB\" |","| | prom_validation_mode | 字符串 | 在 Prometheus Remote Write 协议中是否检查字符串是否为有效的 UTF-8 字符串。可用选项：`strict`（拒绝任何包含无效 UTF-8 字符串的请求），`lossy`（用 [UTF-8 REPLACEMENT CHARACTER](https://www.unicode.org/versions/Unicode16.0.0/core-spec/chapter-23/#G24272)（即 `�` ）替换无效字符），`unchecked`（不验证字符串有效性）。 |","| grpc | | | gRPC 服务器选项 |","| | bind_addr | 字符串 | gRPC 服务绑定地址，默认为 \"127.0.0.1:4001\" |","| | runtime_size | 整数 | 服务器工作线程数量，默认为 8 |","| | max_connection_age | 字符串 | gRPC 连接在服务端保持的最长时间。参见 [\"MAX_CONNECTION_AGE\"](https://grpc.io/docs/guides/keepalive/)。默认不设置。示例：\"1h\" 表示 1 小时，\"30m\" 表示 30 分钟 |","| | flight_compression | 字符串 | Frontend 的 Arrow IPC 服务的压缩模式。可用选项：`none`：禁用所有压缩，`transport`：仅启用 gRPC 传输压缩（zstd），`arrow_ipc`：仅启用 Arrow IPC 压缩（lz4），`all`：启用所有压缩。默认值为 `none`。|","| mysql | | | MySQL 服务器选项 |","| | enable | 布尔值 | 是否启用 MySQL 协议，默认为 true |","| | addr | 字符串 | 服务器地址，默认为 \"127.0.0.1:4002\" |","| | runtime_size | 整数 | 服务器工作线程数量，默认为 2 |","| influxdb | | | InfluxDB 协议选项 |","| | enable | 布尔值 | 是否在 HTTP API 中启用 InfluxDB 协议，默认为 true |","| | default_merge_mode | 字符串 | InfluxDB 协议自动创建表时使用的默认 merge 模式。可选值：`last_non_null`、`last_row`。默认值：`last_non_null` |","| opentsdb | | | OpenTSDB 协议选项 |","| | enable | 布尔值 | 是否启用 OpenTSDB 协议，默认为 true |","| prom_store | | | Prometheus 远程存储选项 |","| | enable | 布尔值 | 是否在 HTTP API 中启用 Prometheus 远程读写，默认为 true |","| | with_metric_engine | 布尔值 | 是否在 Prometheus 远程写入中使用 Metric Engine，默认为 true |","| | pending_rows_flush_interval | 字符串 | Prometheus Remote Write 批量刷写的时间间隔。设为非零值（如 `\"500ms\"`）以启用[批量写入模式](/user-guide/ingest-data/for-observability/prometheus.md#批量写入模式)，默认为 `\"0s\"`（禁用） |","| | max_batch_rows | 整数 | 触发刷写的最大批量行数，默认为 100000 |","| | max_concurrent_flushes | 整数 | 同时执行的最大刷写操作数量，默认为 256 |","| | worker_channel_capacity | 整数 | 内部接收行数据的 worker 通道容量，默认为 65526 |","| | max_inflight_requests | 整数 | 等待批量完成的最大请求数，默认为 3000 |","| postgres | | | PostgresSQL 服务器选项 |","| | enable | 布尔值 | 是否启用 PostgresSQL 协议，默认为 true |","| | addr | 字符串 | 服务器地址，默认为 \"127.0.0.1:4003\" |","对 MySQL，Postgres 和 gRPC 接口，我们支持 TLS 配置","| Option | Key | Type | Description |","|------------------------------------------|-------------|---------|--------------------------------------------------|","| `mysql.tls`，`postgres.tls` 或 `grpc.tls` | | | MySQL 或 Postgres 的 TLS 配置 |","| | `mode` | String | TLS 模式，支持 `disable`, `prefer` and `require` |","| | `cert_path` | String | TLS 证书文件路径 |","| | `key_path` | String | TLS 私钥文件路径 |","| | `watch` | Boolean | 监控文件变化，自动重新加载证书或私钥 |","### 查询选项","`查询`选项在 standalone、datanode 和 frontend 模式下有效，用于控制查询引擎的行为。","下表详细描述了这些选项：","| 选项 | 键 | 类型 | 描述 |","| ----------- | ------------------ | ------ | -------------------------------------------------------------------- |","| parallelism | 整数 | `0` | 查询引擎的并行度。默认为 0，表示 CPU 核心数。 |","示例配置：","[query]","parallelism = 0","### 存储选项","`存储`选项在 `datanode` 和 `standalone` 模式下有效，它指定了数据库数据目录和其他存储相关的选项。","GreptimeDB 支持将数据保存在本地文件系统，AWS S3 以及其兼容服务（比如 MinIO、digitalocean space、腾讯 COS、百度对象存储（BOS）等），Azure Blob Storage 和阿里云 OSS。","| 选项 | 键 | 类型 | 描述 |","| ------- | ----------------- | ------ | --------------------------------------------------- |","| storage | | | 存储选项 |","| | type | 字符串 | 存储类型，支持 \"File\"，\"S3\" 和 \"Oss\" 等。 |","| File | | | 本地文件存储选项，当 type=\"File\" 时有效 |","| | data_home | 字符串 | 数据库存储根目录，默认为 \"./greptimedb_data\" |","| S3 | | | AWS S3 存储选项，当 type=\"S3\" 时有效 |","| | name | 字符串 | 存储提供商名字，默认为 `S3` |","| | bucket | 字符串 | S3 桶名称 |","| | root | 字符串 | S3 桶中的根路径 |","| | endpoint | 字符串 | S3 的 API 端点 |","| | region | 字符串 | S3 区域 |","| | access_key_id | 字符串 | S3 访问密钥 id |","| | secret_access_key | 字符串 | S3 秘密访问密钥 |","| | enable_virtual_host_style | 布尔值 | 使用 virtual-host-style 域名而不是 path-style 域名调用 API，默认为 false |","| Oss | | | 阿里云 OSS 存储选项，当 type=\"Oss\" 时有效 |","| | name | 字符串 | 存储提供商名字，默认为 `Oss` |","| | bucket | 字符串 | OSS 桶名称 |","| | root | 字符串 | OSS 桶中的根路径 |","| | endpoint | 字符串 | OSS 的 API 端点 |","| | access_key_id | 字符串 | OSS 访问密钥 id |","| | access_key_secret | 字符串 | OSS 秘密访问密钥 |","| Azblob | | | Azure Blob 存储选项，当 type=\"Azblob\" 时有效 |","| | name | 字符串 | 存储提供商名字，默认为 `Azblob` |","| | container | 字符串 | 容器名称 |","| | root | 字符串 | 容器中的根路径 |","| | endpoint | 字符串 | Azure Blob 存储的 API 端点 |","| | account_name | 字符串 | Azure Blob 存储的账户名 |","| | account_key | 字符串 | 访问密钥 |","| | sas_token | 字符串 | 共享访问签名 |","| Gsc | | | Google Cloud Storage 存储选项，当 type=\"Gsc\" 时有效 |","| | name | 字符串 | 存储提供商名字，默认为 `Gsc` |","| | root | 字符串 | Gsc 桶中的根路径 |","| | bucket | 字符串 | Gsc 桶名称 |","| | scope | 字符串 | Gsc 权限 |","| | credential_path | 字符串 | Gsc 访问证书 |","| | endpoint | 字符串 | GSC 的 API 端点 |","文件存储配置范例：","s3 配置范例：","type = \"S3\"","bucket = \"test_greptimedb\"","root = \"/greptimedb\"","access_key_id = \"\"","secret_access_key = \"\"","### 存储服务的 http 客户端","`[storage.http_client]` 设置了向存储服务发送请求的 http 客户端的各种配置。","仅当存储服务类型是“S3”，“Oss”，“Azblob”或“Gcs”时生效。","| Key | 类型 | 默认值 | 含义 |","|--------------------------|-----|------------|-------------------------------------------------------------|","| `pool_max_idle_per_host` | 数字 | 1024 | http 连接池中对每个 host 的最大空闲连接数。 |","| `connect_timeout` | 字符串 | “30s”（30 秒） | http 客户端在进行连接时的超时 |","| `timeout` | 字符串 | “30s”（30 秒） | 总的 http 请求超时，包括了从建立连接到接收完返回值为止的时间。也可视为一个请求从开始到结束的一个完整的截止时间。 |","| `pool_idle_timeout` | 字符串 | “90s”（90 秒） | 对空闲连接进行保活（ \"keep-alive\" ）的超时。 |","### 存储引擎提供商","`[[storage.providers]]` 用来设置存储引擎的提供商列表。基于这个配置，你可以为每张表指定不同的存储引擎，具体请参考 [create table](/reference/sql/create.md#create-table):","# Allows using multiple storages","[[storage.providers]]","name = \"S3\"","name = \"Gcs\"","type = \"Gcs\"","credential_path = \"\"","所有配置的这些存储引擎提供商的 `name` 都可以在创建表时用作 `storage` 选项。","对于同样提供商的存储，比如你希望使用不同 S3 bucket 来作为不同表的存储引擎，你就可以设置不同的 `name`，并在创建表的时候指定 `storage` 选项。","### 对象存储缓存","在使用 AWS S3、阿里云 OSS 或 Azure Blob Storage 等远程存储服务时，查询过程中获取数据通常会很耗时，尤其在公有云环境。为了解决这个问题，GreptimeDB 提供了写入缓存机制来加速重复数据的访问。","你可以通过修改 mito 的配置调整缓存的大小和行为。","[[region_engine]]","[region_engine.mito]","write_cache_size = \"10GiB\"","# 在写入缓存未命中时从对象存储下载文件填充缓存","enable_refill_cache_on_read = true","默认情况下，当查询时发生缓存未命中，GreptimeDB 会自动从对象存储下载文件填充写入缓存（`enable_refill_cache_on_read = true`）。这可以提高后续查询性能，使频繁访问的数据保留在写入缓存中。如果你想减少网络流量或存储成本，可以通过设置 `enable_refill_cache_on_read = false` 来禁用此行为。","更详细的信息请参阅[性能调优技巧](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md)。","### WAL 选项","GreptimeDB 支持三种 WAL 存储方式：本地 WAL、Remote WAL 和 Noop WAL。关于它们的对比，请参见 [WAL 概述](/user-guide/deployments-administration/wal/overview.md)。具体配置可参考 [本地 WAL](/user-guide/deployments-administration/wal/local-wal.md)、[Remote WAL](/user-guide/deployments-administration/wal/remote-wal/configuration.md) 和 [Noop WAL](/user-guide/deployments-administration/wal/noop-wal.md) 文档。","### Logging 选项","`frontend`、`metasrv`、`datanode` 和 `standalone` 都可以在 `[logging]` 部分配置 log、tracing 相关参数：","[logging]","dir = \"./greptimedb_data/logs\"","level = \"info\"","enable_otlp_tracing = false","otlp_endpoint = \"localhost:4317\"","append_stdout = true","[logging.tracing_sample_ratio]","default_ratio = 1.0","- `dir`: log 输出目录。","- `level`: log 输出的日志等级，日志等级有 `info`, `debug`, `error`, `warn`，默认等级为 `info`。","- `enable_otlp_tracing`：是否打开分布式追踪，默认不开启。","- `otlp_endpoint`：使用基于 gRPC 的 OTLP 协议导出 tracing 的目标端点，默认值为 `localhost:4317`。","- `append_stdout`：是否将日志打印到 stdout。默认是`true`。","- `tracing_sample_ratio`：该字段可以配置 tracing 的采样率，如何使用 `tracing_sample_ratio`，请参考 [如何配置 tracing 采样率](/user-guide/deployments-administration/monitoring/tracing.md#指南如何配置-tracing-采样率)。","如何使用分布式追踪，请参考 [Tracing](/user-guide/deployments-administration/monitoring/tracing.md#教程使用-jaeger-追踪-greptimedb-调用链路)","### Region 引擎选项","datanode 和 standalone 在 `[region_engine]` 部分可以配置不同存储引擎的对应参数。目前可以配置 `mito` 和 `metric` 存储引擎的选项。","部分常用的选项如下","num_workers = 8","manifest_checkpoint_distance = 10","max_background_flushes = 4","max_background_compactions = 2","max_background_purges = 4","auto_flush_interval = \"1h\"","global_write_buffer_size = \"1GB\"","global_write_buffer_reject_size = \"2GB\"","sst_meta_cache_size = \"128MB\"","vector_cache_size = \"512MB\"","page_cache_size = \"512MB\"","write_cache_size = \"5GB\"","write_cache_ttl = \"8h\"","scan_memory_limit = \"unlimited\"","scan_memory_on_exhausted = \"fail\"","min_compaction_interval = \"0m\"","schedule_compaction_after_edit = true","default_flat_format = true","sst_write_buffer_size = \"8MB\"","max_concurrent_scan_files = 384","[region_engine.mito.index]","aux_path = \"\"","staging_size = \"2GB\"","staging_ttl = \"7d\"","metadata_cache_size = \"64MiB\"","content_cache_size = \"128MiB\"","content_cache_page_size = \"64KiB\"","result_cache_size = \"128MiB\"","[region_engine.mito.inverted_index]","create_on_flush = \"auto\"","create_on_compaction = \"auto\"","apply_on_query = \"auto\"","mem_threshold_on_create = \"64M\"","intermediate_path = \"\"","[region_engine.mito.memtable]","type = \"time_series\"","此外，`mito` 也提供了一个实验性质的 memtable。该 memtable 主要优化大量时间序列下的写入性能和内存占用。其查询性能可能会不如默认的 `time_series` memtable。","type = \"partition_tree\"","index_max_keys_per_shard = 8192","data_freeze_threshold = 32768","fork_dictionary_bytes = \"1GiB\"","以下是可供使用的选项","| 键 | 类型 | 默认值 | 描述 |","| ---------------------------------------- | ------ | ------------- | ---------------------------------------------------------------------------------------------------------------------- |","| `num_workers` | 整数 | `8` | 写入线程数量 |","| `manifest_checkpoint_distance` | 整数 | `10` | 每写入 `manifest_checkpoint_distance` 个 manifest 文件创建一次 checkpoint |","| `compress_manifest` | 布尔值 | `false` | 是否使用 gzip 压缩 manifest 和 checkpoint 文件。 |","| `max_background_flushes` | 整数 | 自动 | 后台 flush 任务数（默认：1/2 CPU 核心数）。 |","| `max_background_compactions` | 整数 | 自动 | 后台 compaction 任务数（默认：1/4 CPU 核心数）。 |","| `max_background_purges` | 整数 | 自动 | 后台 purge 任务数（默认：CPU 核心数）。 |","| `auto_flush_interval` | 字符串 | `1h` | 自动 flush 超过 `auto_flush_interval` 没 flush 的 region |","| `global_write_buffer_size` | 字符串 | `1GB` | 写入缓冲区大小，默认值为内存总量的 1/8，但不会超过 1GB |","| `global_write_buffer_reject_size` | 字符串 | `2GB` | 写入缓冲区内数据的大小超过 `global_write_buffer_reject_size` 后拒绝写入请求，默认为 `global_write_buffer_size` 的 2 倍 |","| `sst_meta_cache_size` | 字符串 | `128MB` | SST 元数据缓存大小。设为 0 可关闭该缓存
默认为内存的 1/32，不超过 128MB |","| `vector_cache_size` | 字符串 | `512MB` | 内存向量和 arrow array 的缓存大小。设为 0 可关闭该缓存
默认为内存的 1/16，不超过 512MB |","| `page_cache_size` | 字符串 | `512MB` | SST 数据页的缓存。设为 0 可关闭该缓存
默认为内存的 1/8 |","| `write_cache_size` | 字符串 | `5GiB` | 写入缓存容量。如果磁盘空间充足，建议设置更大的值。 |","| `write_cache_ttl` | 字符串 | `8h` | 写入缓存的 TTL。默认为 8 小时。 |","| `preload_index_cache` | 布尔值 | `true` | 在 region 打开时预加载索引（puffin）文件到缓存（默认：true）。
启用时，索引文件会在 region 初始化期间加载到写入缓存中，
这可以提高查询性能，但会延长启动时间。 |","| `index_cache_percent` | 整数 | `20` | 为索引（puffin）文件分配的写入缓存容量百分比（默认：20）。
剩余容量用于数据（parquet）文件。
必须在 0 到 100 之间（不包括边界）。例如，对于 5GiB 的写入缓存和 20% 的分配，
1GiB 保留给索引文件，4GiB 用于数据文件。 |","| `enable_refill_cache_on_read` | 布尔值 | `true` | 启用读取操作时的缓存回填（默认：true）。
禁用时，不会在读取时回填缓存。 |","| `manifest_cache_size` | 字符串 | `256MB` | Manifest 缓存容量（默认：256MB）。 |","| `selector_result_cache_size` | 字符串 | `512MB` | `last_value()` 等时间线检索结果的缓存。设为 0 可关闭该缓存
未设置时默认为内存的 1/16，不超过 512MB。 |","| `range_result_cache_size` | 字符串 | `512MB` | Flat range scan 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/16，不超过 512MB。 |","| `prefilter_result_cache_size` | 字符串 | `128MB` | Prefilter 结果的缓存大小。设为 0 可关闭该缓存。
未设置时默认为内存的 1/32，不超过 128MB。 |","| `sst_write_buffer_size` | 字符串 | `8MB` | SST 的写缓存大小 |","| `max_concurrent_scan_files` | 整数 | `384` | 最大并发扫描的 SST 文件数量。 |","| `allow_stale_entries` | 布尔值 | `false` | 是否允许 replay 时读取陈旧的 WAL 条目。 |","| `scan_memory_limit` | 字符串 | `unlimited` | 所有查询的表扫描内存限制。支持绝对大小（如 \"2GB\"）或系统内存百分比（如 \"20%\"）。设为 0 或 \"unlimited\" 可禁用限制。 |","| `scan_memory_on_exhausted` | 字符串 | `fail` | 扫描内存耗尽时的行为。选项：`fail`（快速失败），`wait` 或 `wait()`（等待内存）。 |","| `min_compaction_interval` | 字符串 | `0m` | 两次 compaction 之间的最小时间间隔。设为 \"0m\"（默认）允许 compactions 立即运行，无限制。 |","| `schedule_compaction_after_edit` | 布尔值 | `true` | 是否允许在成功的 region edit 之后调度 compaction。
设为 `true` 是在 region edit 后调度 compaction 的必要但不充分条件，`min_compaction_interval` 等其他约束仍可能阻止 compaction 被调度。
设为 `false` 则保证 region edit 后不会调度 compaction。 |","| `default_flat_format` | 布尔值 | `true` | 是否启用 Flat 格式作为默认 SST 格式。 |","| `scan_parallelism` | 整数 | `0` | （已弃用，请使用 `max_concurrent_scan_files`）旧版扫描并发度选项。 |","| `index` | -- | -- | Mito 引擎中索引的选项。 |","| `index.aux_path` | 字符串 | `\"\"` | 文件系统中索引的辅助目录路径，用于存储创建索引的中间文件和搜索索引的暂存文件，默认为 `{data_home}/index_intermediate`。为了向后兼容，该目录的默认名称为 `index_intermediate`。此路径包含两个子目录：- `__intm`: 用于存储创建索引时使用的中间文件。- `staging`: 用于存储搜索索引时使用的暂存文件。 |","| `index.staging_size` | 字符串 | `2GB` | 暂存目录的最大容量。 |","| `index.staging_ttl` | 字符串 | `7d` | 暂存目录的 TTL。默认为 7 天。设为 \"0s\" 可禁用 TTL。 |","| `index.metadata_cache_size` | 字符串 | `64MiB` | 索引元数据的缓存大小。
未设置时默认为内存的 1/32，不超过 64MiB。 |","| `index.content_cache_size` | 字符串 | `128MiB` | 索引内容的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |","| `index.content_cache_page_size` | 字符串 | `64KiB` | 倒排索引内容缓存的页大小。 |","| `index.result_cache_size` | 字符串 | `128MiB` | 索引查询结果的缓存大小。
未设置时默认为内存的 1/16，不超过 128MiB。 |","| `inverted_index.create_on_flush` | 字符串 | `auto` | 是否在 flush 时构建索引
- `auto`: 自动
- `disable`: 从不 |","| `inverted_index.create_on_compaction` | 字符串 | `auto` | 是否在 compaction 时构建索引
- `auto`: 自动
- `disable`: 从不 |","| `inverted_index.apply_on_query` | 字符串 | `auto` | 是否在查询时使用索引
- `auto`: 自动
- `disable`: 从不 |","| `inverted_index.mem_threshold_on_create` | 字符串 | `64M` | 创建索引时如果超过该内存阈值则改为使用外部排序
设置为空会关闭外排，在内存中完成所有排序 |","| `inverted_index.intermediate_path` | 字符串 | `\"\"` | 存放外排临时文件的路径 (默认 `{data_home}/index_intermediate`). |","| `memtable.type` | 字符串 | `time_series` | Memtable type.
- `time_series`: time-series memtable
- `partition_tree`: partition tree memtable (实验性功能) |","| `memtable.index_max_keys_per_shard` | 整数 | `8192` | 一个 shard 内的主键数
只对 `partition_tree` memtable 生效 |","| `memtable.data_freeze_threshold` | 整数 | `32768` | 一个 shard 内写缓存可容纳的最大行数
只对 `partition_tree` memtable 生效 |","| `memtable.fork_dictionary_bytes` | 字符串 | `1GiB` | 主键字典的大小
只对 `partition_tree` memtable 生效 |","`metric` 引擎针对包含大量小表的 metrics 数据进行了优化：","[region_engine.metric]","sparse_primary_key_encoding = true","可用选项：","| 键 | 类型 | 默认值 | 描述 |","| --------------------------------- | ------ | ------- | ----------------------------------------------------------------------------------------------------------------- |","| `sparse_primary_key_encoding` | 布尔值 | `true` | 是否使用稀疏主键编码。此优化通过仅编码非空主键列来提高写入和查询性能。 |","### 设定 meta client","`meta_client` 选项适用于 `datanode` 和 `frontend` 模块，用于指定 Metasrv 的相关信息。","[meta_client]","metasrv_addrs = [\"127.0.0.1:3002\"]","timeout = \"3s\"","connect_timeout = \"1s\"","ddl_timeout = \"10s\"","tcp_nodelay = true","通过 `meta_client` 配置 metasrv 客户端，包括：","- `metasrv_addrs`，Metasrv 地址列表，对应 Metasrv 启动配置的 server address。","- `timeout`，操作超时时长，默认为 3 秒。","- `connect_timeout`，连接服务器超时时长，默认为 1 秒。","- `ddl_timeout`，DDL 执行的超时时间，默认 10 秒。","- `tcp_nodelay`，接受连接时的 `TCP_NODELAY` 选项，默认为 true。","### 心跳配置","在分布式模式下，心跳间隔由 Metasrv 的 `heartbeat_interval` 选项统一控制。","heartbeat_interval = \"3s\"","# 顶层配置项：上报心跳扩展信息时读取的环境变量","heartbeat_env_vars = [\"AZ\", \"REGION\"]","| 键 | 类型 | 默认值 | 描述 |","|------------------------|--------|--------|------|","| `heartbeat_interval` | 字符串 | `3s` | Metasrv 的基础心跳间隔。Frontend 的心跳间隔为该值的 6 倍，Datanode/Flownode 的心跳间隔与该值相同。心跳间隔会在握手阶段由 Metasrv 协商下发，节点本地配置不会覆盖该值。 |","| `heartbeat_env_vars` | 数组 | `[]` | 顶层配置项。启动时读取并通过心跳消息上报给 Metasrv 的环境变量键名列表。所列环境变量的值将作为心跳扩展信息发送，并存储在 Metasrv 的节点信息中。例如，`heartbeat_env_vars = [\"AZ\", \"REGION\"]` 将收集 `AZ` 和 `REGION` 环境变量。**请勿包含敏感变量**（如密钥或凭据），因为其值会被传输并存储在 Metasrv 中。 |","### 默认时区配置","`default_timezone` 选项适用于 `frontend` 模块和 `standalone` 模式，默认值为 `UTC`。","它指定了与 GreptimeDB 交互时的客户端默认时区。","如果在客户端中[指定了时区](/user-guide/timezone.md#在客户端中指定时区)，此选项将在该客户端会话中被覆盖。","default_timezone = \"UTC\"","`default_timezone` 的值可以是任何时区名称，例如 `Europe/Berlin` 或 `Asia/Shanghai`。","有关客户端时区如何影响数据的写入和查询，请参阅[时区](/user-guide/timezone.md#时区对-sql-语句的影响)文档。","### 仅限于 Metasrv 的配置","# 工作主目录。","data_home = \"./greptimedb_data\"","# metasrv 存储后端服务器地址，默认为 etcd 实现。","# 对于 postgres 存储后端，格式为：","# \"password=password dbname=postgres user=postgres host=localhost port=5432\"","# 对于 mysql 存储后端，格式为：","# \"mysql://user:password@ip:port/dbname\"","# 对于 etcd 存储后端，格式为：","# \"127.0.0.1:2379\"","store_addrs = [\"127.0.0.1:2379\"]","# 如果不为空，metasrv 将使用此键前缀存储所有数据。","store_key_prefix = \"\"","# metasrv 的存储后端类型。","# 可选项：","# - `etcd_store`（默认值）","# - `memory_store`","# - `postgres_store`","# - `mysql_store`","backend = \"etcd_store\"","# 在 RDS 中存储元数据的表名。仅在使用 RDS kvbackend 时生效。","# **仅当后端为 RDS kvbackend 时使用。**","meta_table_name = \"greptime_metakv\"","## PostgreSQL 选举的咨询锁 ID。仅在使用 PostgreSQL 作为 kvbackend 时生效。","## 仅当后端为 `postgres_store` 时使用。","meta_election_lock_id = 1","# Datanode 选择器类型。","# - \"lease_based\" (默认值)","# - `lease_based`","# - \"load_based\"","# 详情请参阅 \"https://docs.greptime.com/contributor-guide/meta/selector\"","selector = \"lease_based\"","# 将数据存储在内存中，默认值为 false。","use_memory_store = false","# 是否启用 region failover。","# 该功能仅适用于以集群模式运行并使用共享存储（例如 s3）的 GreptimeDB，并且 WAL 需要满足以下条件之一：","# - Remote WAL","# - Local WAL 且设置 `allow_region_failover_on_local_wal = true`（故障转移期间可能导致数据丢失）","enable_region_failover = false","## 设置启动 region 故障检测的延迟时间。","## 该延迟有助于避免在所有 Datanode 尚未完全启动时，Metasrv 过早启动 region 故障检测，从而导致不必要的 region failover。","## 尤其适用于未通过 GreptimeDB Operator 部署的集群，此时可能未正确启用集群维护模式，提前检测可能会引发误判。","region_failure_detector_initialization_delay = \"10m\"","# 是否允许在本地 WAL 上进行 region failover。","# **此选项不建议设置为 true，","# 因为这可能会在故障转移期间导致数据丢失。**","allow_region_failover_on_local_wal = false","## 从 metasrv 内存中删除节点信息前允许的最大空闲时间。","node_max_idle_time = \"24hours\"","## 后端客户端选项。","## 目前仅适用于使用 etcd 作为元数据存储时。","[backend_client]","## 后端客户端的保持连接超时时间。","keep_alive_timeout = \"3s\"","## 后端客户端的保持连接间隔。","keep_alive_interval = \"10s\"","## 后端客户端的连接超时时间。","connect_timeout = \"3s\"","## gRPC 服务器选项。","bind_addr = \"127.0.0.1:3002\"","server_addr = \"127.0.0.1:3002\"","## 服务器端 HTTP/2 保持连接间隔","http2_keep_alive_interval = \"10s\"","## 服务器端 HTTP/2 保持连接超时时间。","http2_keep_alive_timeout = \"3s\"","## Procedure 选项","[procedure]","## 最大重试次数","max_retry_times = 12","## 程序的初始重试延迟","retry_delay = \"500ms\"","## 最大运行程序数。","## 同一时间可以运行的程序最大数量。","## 如果运行的程序数量超过此限制，程序将被拒绝。","max_running_procedures = 128","# Failure detector 选项","# GreptimeDB 使用 Phi 累积故障检测器算法来检测数据节点故障。","[failure_detector]","## 判定节点故障前可接受的最大 φ 值。","## 较低的值反应更快但会产生更多误报。","threshold = 8.0","## 心跳间隔的最小标准差。","## 防止微小变化导致 φ 值激增。在心跳间隔变化很小时防止过度敏感。","min_std_deviation = \"100ms\"","## 心跳之间可接受的暂停时长。","## 在 φ 值上升前为学习到的平均间隔提供额外的宽限期，吸收临时网络故障或GC暂停。","acceptable_heartbeat_pause = \"10000ms\"","## Datanode 选项。","[datanode]","## Datanode 客户端配置。","[datanode.client]","## 操作超时时间","timeout = \"10s\"","## 连接服务器超时时间。","connect_timeout = \"10s\"","## 接受连接时的 `TCP_NODELAY` 选项，默认为 true。","[wal]","# 可用的 WAL 提供者：","# - `raft_engine`（默认）：由于 metasrv 目前仅涉及远程 WAL，因此没有 raft-engine WAL 配置。","# - `kafka`：在 datanode 中使用 kafka WAL 提供者时，metasrv **必须** 配置 kafka WAL 配置。","provider = \"raft_engine\"","# Kafka WAL 配置。","## Kafka 集群的代理端点。","broker_endpoints = [\"127.0.0.1:9092\"]","## 自动为 WAL 创建 topics","## 设置为 `true` 则自动为 WAL 创建 topics","## 否则，使用名为 `topic_name_prefix_[0..num_topics)` 的 topics","auto_create_topics = true","## Topic 数量。","num_topics = 64","## Topic selector 类型。","## 可用的 selector 类型：","## - `round_robin`（默认）","selector_type = \"round_robin\"","## Kafka topic 通过连接 `topic_name_prefix` 和 `topic_id` 构建。","topic_name_prefix = \"greptimedb_wal_topic\"","## 每个分区的预期副本数。","replication_factor = 1","## 超过此时间创建 topic 的操作将被取消。","create_topic_timeout = \"30s\"","## kafka 客户端的连接超时时间。","## **仅在 provider 为 `kafka` 时使用。**","## kafka 客户端的超时时间。","| 键 | 类型 | 默认值 | 描述 |","| --------------------------------------------- | ------- | -------------------- | ------------------------------------------------------------------------------------------------------------------------------------ |","| `data_home` | String | `./greptimedb_data/metasrv/` | 工作目录。 |","| `bind_addr` | String | `127.0.0.1:3002` | Metasrv 的绑定地址。 |","| `server_addr` | String | `127.0.0.1:3002` | frontend 和 datanode 连接到 Metasrv 的通信服务器地址，默认为本地主机的 `127.0.0.1:3002`。 |","| `store_addrs` | Array | `[\"127.0.0.1:2379\"]` | 元数据服务地址，默认值为 `[\"127.0.0.1:2379\"]`。支持配置多个服务地址，格式为 `[\"ip1:port1\",\"ip2:port2\",...]`。默认使用 Etcd 作为元数据后端。
根据你的存储服务器类型配置地址，例如：
- 使用 `\"127.0.0.1:2379\"` 连接到 etcd
- 使用 `\"password=password dbname=postgres user=postgres host=localhost port=5432\"` 连接到 postgres
- 使用 `\"mysql://user:password@ip:port/dbname\"` 连接到 mysql |","| `selector` | String | `lease_based` | 创建新表时选择 datanode 的负载均衡策略，详见 [选择器](/contributor-guide/metasrv/selector.md)。 |","| `use_memory_store` | Boolean | `false` | 仅用于在没有 etcd 集群时的测试，将数据存储在内存中，默认值为 `false`。 |","| `enable_region_failover` | Bool | `false` | 是否启用 region failover。
该功能仅适用于以集群模式运行并使用共享存储（如 s3）的 GreptimeDB，并且 WAL 需要满足以下条件之一：
- Remote WAL
- Local WAL 且设置 `allow_region_failover_on_local_wal = true`（故障转移期间可能导致数据丢失）。 |","| `region_failure_detector_initialization_delay` | String | `10m` | 设置启动 region 故障检测的延迟时间。该延迟有助于避免在所有 Datanode 尚未完全启动时，Metasrv 过早启动 region 故障检测，从而导致不必要的 region failover。尤其适用于未通过 GreptimeDB Operator 部署的集群，此时可能未正确启用集群维护模式，提前检测可能会引发误判。 |","| `allow_region_failover_on_local_wal` | Bool | false | 是否允许在本地 WAL 上进行 region failover。
**此选项不建议设置为 true，因为这可能会在故障转移期间导致数据丢失。** |","| `node_max_idle_time` | String | `24hours` | 从 metasrv 内存中删除节点信息前允许的最大空闲时间。超过该时间未发送心跳的节点将被视为不活跃并被删除。 |","| `backend_client` | -- | -- | 后端客户端选项。
目前仅适用于使用 etcd 作为元数据存储时。 |","| `backend_client.keep_alive_timeout` | String | `3s` | 后端客户端的保持连接超时时间。 |","| `backend_client.keep_alive_interval` | String | `10s` | 后端客户端的保持连接间隔。 |","| `backend_client.connect_timeout` | String | `3s` | 后端客户端的连接超时时间。 |","| `grpc` | -- | -- | gRPC 服务器选项。 |","| `grpc.bind_addr` | String | `127.0.0.1:3002` | gRPC 服务器的绑定地址。 |","| `grpc.server_addr` | String | `127.0.0.1:3002` | frontend 和 datanode 连接到 metasrv 的通信服务器地址。 |","| `grpc.runtime_size` | Integer | `8` | 服务器工作线程数。 |","| `grpc.http2_keep_alive_interval` | String | `10s` | 服务器端 HTTP/2 保持连接间隔。 |","| `grpc.http2_keep_alive_timeout` | String | `3s` | 服务器端 HTTP/2 保持连接超时时间。 |","| `backend` | String | `etcd_store` | 元数据存储类型。
- `etcd_store` (默认)
- `memory_store` (纯内存存储 - 仅用于测试)
- `postgres_store`
- `mysql_store` |","| `meta_table_name` | String | `greptime_metakv` | 使用 RDS 存储元数据时的表名。**仅在 backend 为 postgre_store 和 mysql_store 时有效。** |","| `meta_schema_name` | String | -- | 可选的 PostgreSQL schema，用于元数据表和选举表名称限定。当 PostgreSQL public schema 不可写入时（例如 PostgreSQL 15+ 限制 public schema），可设置此参数为可写入的 schema。GreptimeDB 将使用 `meta_schema_name.meta_table_name`。
**仅在 backend 为 postgres_store 时有效。** |","| `auto_create_schema` | Bool | `true` | 如果 PostgreSQL schema 不存在则自动创建。启用后，系统会在创建元数据表之前执行 `CREATE SCHEMA IF NOT EXISTS `。这在生产环境中可能受限于手动创建 schema 的情况下非常有用。注意：PostgreSQL 用户必须具有 CREATE SCHEMA 权限才能使此功能生效。
**仅在 backend 为 postgres_store 时有效。** |","| `meta_election_lock_id` | Integer | `1` | 用于领导选举的 PostgreSQL 咨询锁 id。**仅在 backend 为 postgre_store 时有效。** |","| `procedure` | -- | -- | |","| `procedure.max_retry_times` | 整数 | `12` | Procedure 的最大重试次数。 |","| `procedure.retry_delay` | 字符串 | `500ms` | Procedure 初始重试延迟，延迟会指数增长。 |","| `procedure.max_running_procedures` | Integer | `128` | 同一时间可以运行的程序最大数量。如果运行的程序数量超过此限制，程序将被拒绝。 |","| `failure_detector` | -- | -- | 故障检测选项。 |","| `failure_detector.threshold` | 浮点数 | `8.0` | 判定节点故障前可接受的最大 φ 值。
较低的值反应更快但会产生更多误报。 |","| `failure_detector.min_std_deviation` | 字符串 | `100ms` | 心跳间隔的最小标准差。
防止微小变化导致 φ 值激增。在心跳间隔变化很小时防止过度敏感。 |","| `failure_detector.acceptable_heartbeat_pause` | 字符串 | `10000ms` | 心跳之间可接受的暂停时长。
在 φ 值上升前为学习到的平均间隔提供额外的宽限期，吸收临时网络故障或GC暂停。 |","| `datanode` | -- | -- | |","| `datanode.client` | -- | -- | Datanode 客户端选项。 |","| `datanode.client.timeout` | 字符串 | `10s` | 操作超时。 |","| `datanode.client.connect_timeout` | 字符串 | `10s` | 连接服务器超时。 |","| `datanode.client.tcp_nodelay` | 布尔值 | `true` | 接受连接的 `TCP_NODELAY` 选项。 |","| wal | -- | -- | -- |","| wal.provider | String | raft_engine | -- |","| wal.broker_endpoints | Array | -- | Kafka 集群的端点 |","| `wal.auto_create_topics` | Bool | `true` | 自动为 WAL 创建 topics
设置为 `true` 则自动为 WAL 创建 topics
否则，使用名为 `topic_name_prefix_[0..num_topics)` 的 topics |","| `wal.auto_prune_interval` | String | `0s` | 定期自动裁剪远程 WAL 的时间间隔
设置为 `0s` 表示禁止自动裁剪 |","| `wal.trigger_flush_threshold` | Integer | `0` | 自动 WAL 裁剪中触发 region flush 操作的阈值
当满足以下条件时，metasrv 会对 region 发送 flush 请求：
`trigger_flush_threshold` + `prunable_entry_id` < `max_prunable_entry_id`
其中：
- `prunable_entry_id` 是该 region 可裁剪的最大日志条目 ID，在该 ID 之前的日志都不被该 region 使用
- `max_prunable_entry_id` 是使用与该 region 同一 kafka topic 的所有 region 可裁剪的最大日志条目 ID，在该 ID 之前的日志都不再被任一 region 使用
设置为 `0` 以禁止在自动 WAL 裁剪中触发 region flush 操作 |","| `wal.auto_prune_parallelism` | Integer | `10` | 自动 WAL 裁剪的最大并行任务限制，其中每个任务负责一个 kafka topic 的 WAL 裁剪 |","| `wal.num_topics` | Integer | `64` | Topic 数量 |","| wal.selector_type | String | round_robin | topic selector 类型
可用 selector 类型：
- round_robin（默认） |","| wal.topic_name_prefix | String | greptimedb_wal_topic | 一个 Kafka topic 是通过连接 topic_name_prefix 和 topic_id 构建的 |","| wal.replication_factor | Integer | 1 | 每个分区的副本数 |","| wal.create_topic_timeout | String | 30s | 超过该时间后，topic 创建操作将被取消 |","| `wal.connect_timeout` | String | `3s` | kafka 客户端的连接超时时间。
**仅在 provider 为 `kafka` 时使用。** |","| `wal.timeout` | String | `3s` | kafka 客户端的超时时间。
**仅在 provider 为 `kafka` 时使用。** |","| `wal.sasl` | String | -- | Kafka 客户端 SASL 配置 |","| `wal.sasl.type` | String | -- | SASL 机制，可选值：`PLAIN`, `SCRAM-SHA-256`, `SCRAM-SHA-512` |","| `wal.sasl.username` | String | -- | SASL 鉴权用户名 |","| `wal.sasl.password` | String | -- | SASL 鉴权密码 |","| `wal.tls` | String | -- | Kafka 客户端 TLS 配置 |","| `wal.tls.server_ca_cert_path` | String | -- | 服务器 CA 证书地址 |","| `wal.tls.client_cert_path` | String | -- | 客户端证书地址（用于启用 mTLS） |","| `wal.tls.client_key_path` | String | -- | 客户端密钥地址（用于启用 mTLS） |","### 仅限于 `Datanode` 的配置","node_id = 42","bind_addr = \"127.0.0.1:3001\"","server_addr = \"127.0.0.1:3001\"","[runtime]","query_rt_size = 7","ingest_rt_size = 8","| Key | Type | Description |","| ---------------- | ------ | ------------------------------------------- |","| node_id | 整数 | 该 `datanode` 的唯一标识符。 |","| grpc.bind_addr | 字符串 | gRPC 服务绑定地址，默认为`\"127.0.0.1:3001\"`。 |","| grpc.server_addr | 字符串 | 该地址用于来自主机外部的连接和通信。如果留空或未设置，服务器将自动使用主机上第一个网络接口的 IP 地址，其端口号与 `grpc.bind_addr` 中指定的相同。 |","| grpc.runtime_size | 整数 | gRPC 服务器工作线程数，默认为 8。 |","| runtime.query_rt_size | 整数 | 执行 datanode 查询操作的运行时线程数。默认值为 `max(num_cpus - 1, 1)`。 |","| runtime.ingest_rt_size | 整数 | 执行 datanode 写入操作的运行时线程数。默认值为 CPU 核心数。 |","### 仅限于 `Frontend` 的配置","| Key | Type | Default | Description |","|-----------------------------------|------|---------|-------------------------|","| `datanode` | -- | -- | |","| `datanode.client` | -- | -- | Datanode 客户端选项。 |","| `datanode.client.connect_timeout` | 字符串 | `1s` | 连接服务器超时。 |","| `datanode.client.tcp_nodelay` | 布尔值 | `true` | 接受连接的 `TCP_NODELAY` 选项。 |","i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md",[1641],{"_1022":875,"_1023":1642,"_464":1643,"_1026":59},290,[1027,1644,1645,1027,216,1646,216,1647,216,1648,216,1649,216,1650,216,1651,1652,1653,1654,216,1655,216,1656,216,1657,1658,1659,1660,216,1661,216,1662,216,1663,1658,1664,1665,216,1666,216,1058,1667,1045,216,1668,216,1669,1670,1671,1672,1673,1674,1675,1676,1677,1678,1679,1680,1681,1682,1683,1684,1685,1686,1687,1688,1689,1045,216,1690,216,1691,1658,1692,1693,216,1666,216,1043,1694,1045,216,1695,216,1050,1696,1697,1698,1699,216,1126,1127,1700,1701,1702,216,1075,1045,216,1703,216,1704,1652,1705,1706,216,1707,216,1708,216,1709,1710,1711,1712,216,1713,216,1714,216,1715,1710,1716,1717,216,1718,216,1058,1719,1720,1045,216,1721,216,1058,1722,1723,1045,216,1724,216,1725,216,1726,1727,216,1728,216,1729,1730,1731,216,1732,216,1058,1733,1045,216,1734,216,1729,1730,1735,1736,1737,1738,1739,1740,1741,216,1732,216,1058,1742,1743,1744,1045,216,1745,216,1746,216,1747,216,1748,216,1749,1652,1750,1751,216,1752,216,1753,216,1754,1652,1755,1756,216,1757,216,1758,216,1759,216,1760,216,1761,1762,1763,1764,1765,1766,1767,1768,1769,1770,1771,1772,216,1773,216,1774,216,1761,1775,1776,1710,1777,1770,1778,1779,216,1780,216,1781,1782,1783,1784,1785,1786,1787,1788,1789,1790,1652,1791,1792,216,1793,216,1794,216,1761,1795,1796,1797,1710,1798,1799,216,1800,216,1801,1710,1802,1803,216,1804,216,1805,1710,1806,1807,216,1808,216,1761,1809,1810,1811,1766,1812,1813,1814,1770,1815,1816,216,1817],"keywords: [HTTP API, 管理 API, 健康检查, 状态, 指标, 配置, 仪表盘, 日志级别, 性能分析]","description: 介绍 GreptimeDB 中各种 HTTP 路径及其用法的完整列表。","# HTTP API 端点列表","以下是 GreptimeDB 中各种 HTTP 路径及其用法的完整列表：","## 管理 API","未版本化的端点（不在 `/v1` 下）。用于健康检查、状态、指标等管理用途。","### 健康检查","- **路径**: `/health`","- **方法**: `GET`, `POST`","- **描述**: 提供一个健康检查端点以验证服务器是否正在运行。","- **用法**: 访问此端点以检查服务器的健康状态。","请参考[检查 GreptimeDB 健康状态文档](/enterprise/deployments-administration/monitoring/check-db-status.md#查看-greptimedb-是否正常运行)获取示例。","### 状态","- **路径**: `/status`","- **方法**: `GET`","- **描述**: 检索服务器的当前状态。","- **用法**: 使用此端点获取服务器状态信息。","请参考[检查 GreptimeDB 状态文档](/enterprise/deployments-administration/monitoring/check-db-status.md#查看-greptimedb-的部署状态)获取示例。","### 指标","- **路径**: `/metrics`","- **描述**: 暴露 Prometheus 指标以进行监控。","- **用法**: Prometheus 可以抓取此端点以收集指标数据。","示例如下：","curl -X GET http://127.0.0.1:4000/metrics","输出：","```text","# HELP greptime_app_version app version","# TYPE greptime_app_version gauge","greptime_app_version{app=\"greptime-edge\",short_version=\"main-b4bd34c5\",version=\"0.12.0\"} 1","# HELP greptime_catalog_catalog_count catalog catalog count","# TYPE greptime_catalog_catalog_count gauge","greptime_catalog_catalog_count 1","# HELP greptime_catalog_schema_count catalog schema count","# TYPE greptime_catalog_schema_count gauge","greptime_catalog_schema_count 3","# HELP greptime_flow_run_interval_ms flow run interval in ms","# TYPE greptime_flow_run_interval_ms gauge","greptime_flow_run_interval_ms 1000","# HELP greptime_meta_create_catalog meta create catalog","# TYPE greptime_meta_create_catalog histogram","greptime_meta_create_catalog_bucket{le=\"0.005\"} 1","greptime_meta_create_catalog_bucket{le=\"0.01\"} 1","greptime_meta_create_catalog_bucket{le=\"0.025\"} 1","greptime_meta_create_catalog_bucket{le=\"0.05\"} 1","greptime_meta_create_catalog_bucket{le=\"0.1\"} 1","...","### 配置","- **路径**: `/config`","- **描述**: 检索服务器的配置选项。","- **用法**: 访问此端点以获取配置详细信息。","curl http://localhost:4000/config","输出包含 GreptimeDB 服务器的配置信息。","enable_telemetry = true","user_provider = \"static_user_provider:file:user\"","init_regions_in_background = false","init_regions_parallelism = 16","timeout = \"30s\"","body_limit = \"64MiB\"","is_strict_mode = false","### 仪表盘","- **路径**: `/dashboard`","- **描述**: 提供对服务器仪表盘界面的访问。","- **用法**: 访问这些端点以与基于 Web 的仪表盘进行交互。","此仪表盘与 GreptimeDB 服务器一起打包，并提供一个用户友好的界面与服务器进行交互。构建 GreptimeDB 时需要启用相应的编译标志。仪表盘的原始源代码在 https://github.com/GreptimeTeam/dashboard。","### 日志级别","- **路径**: `/debug/log_level`","- **方法**: `POST`","- **描述**: 动态调整服务器的日志级别。","- **用法**: 发送日志级别更改请求到此端点。","有关更多信息，请参阅[如何文档](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-change-log-level-on-the-fly.md)。","### 启用/禁用链路追踪","- **路径**: `/debug/enable_trace`","- **描述**: 在运行时动态启用或禁用分布式链路追踪。","- **用法**: 发送 `true` 启用链路追踪，或发送 `false` 禁用链路追踪。","启用链路追踪示例：","curl --data \"true\" http://127.0.0.1:4000/debug/enable_trace","# 输出: trace enabled","禁用链路追踪示例：","curl --data \"false\" http://127.0.0.1:4000/debug/enable_trace","# 输出: trace disabled","有关链路追踪配置的更多信息，请参阅[链路追踪文档](/user-guide/deployments-administration/monitoring/tracing.md)。","### 性能分析工具","- **基础路径**: `/debug/prof/`","- **描述**: 数据库节点运行时 CPU 或内存使用情况分析。","CPU 性能分析：","| 路径 | 方法 | 描述 |","| --- | --- | --- |","| `/debug/prof/cpu` | `POST` | 采集 CPU profile。查询参数包括 `seconds`、`frequency` 和 `output`。支持的输出格式为 `proto`、`text` 和 `flamegraph`。 |","示例：","curl -X POST -s 'http://127.0.0.1:4000/debug/prof/cpu?seconds=10&output=flamegraph' > greptime-cpu.svg","内存性能分析：","| `/debug/prof/mem` | `POST` | 导出内存 profile 数据。查询参数 `output` 支持 `text`、`proto` 和 `flamegraph`。 |","| `/debug/prof/mem/status` | `GET` | 检查堆分析是否处于启用状态。 |","| `/debug/prof/mem/activate` | `POST` | 启用堆分析。 |","| `/debug/prof/mem/deactivate` | `POST` | 停用堆分析。 |","| `/debug/prof/mem/gdump` | `GET` | 检查 jemalloc gdump 是否处于启用状态。 |","| `/debug/prof/mem/gdump` | `POST` | 启用或停用 jemalloc gdump。使用表单字段 `activate=true` 或 `activate=false`。 |","| `/debug/prof/mem/symbol` | `POST` | 上传 jemalloc heap dump 文件并返回符号化后的火焰图。 |","curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=flamegraph' > greptime-mem.svg","curl -X GET 'http://127.0.0.1:4000/debug/prof/mem/status'","curl -X POST 'http://127.0.0.1:4000/debug/prof/mem/gdump' -d 'activate=true'","运维指导请参阅[采集性能分析数据](/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md#采集性能分析数据)。高级用法请参阅 [CPU 分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-cpu.md) 和 [内存分析](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/how-to/how-to-profile-memory.md)。","## 查询端点","用于向 GreptimeDB 发送查询的各种查询 API。","### SQL API","- **路径**: `/v1/sql`","- **描述**: 执行 SQL 查询。","- **用法**: 在请求体中发送 SQL 语句。","有关 SQL API 的更多信息，请参阅用户指南中的 [HTTP API 文档](/user-guide/protocols/http.md#post-sql-statements)。","### PromQL API","- **路径**: `/v1/promql`","- **描述**: 执行 PromQL 查询以获取 Prometheus 兼容的指标，并以 GreptimeDB 的 JSON 格式返回数据。","- **用法**: 在请求体中发送 PromQL 语句。","有关 PromQL API 的更多信息，请参阅 [PromQL 文档](/user-guide/query-data/promql.md)。","## 协议端点","与 GreptimeDB 兼容的各种协议的端点。如 InfluxDB、Prometheus、OpenTelemetry 等。","### InfluxDB 兼容性","- **路径**:"," - `/v1/influxdb/write`"," - `/v1/influxdb/api/v2/write`"," - `/v1/influxdb/ping`"," - `/v1/influxdb/health`","- **方法**:"," - `POST` 用于写入端点。"," - `GET` 用于 ping 和健康检查端点。","- **描述**: 提供与 InfluxDB 兼容的数据写入和健康检查端点。","- **用法**:"," - 使用 InfluxDB 行协议写入数据。"," - 使用 ping 和健康检查端点检查服务器状态。","有关 InfluxDB 协议的详细文档，请参阅[这里](/user-guide/protocols/influxdb-line-protocol.md)。","### Prometheus 远程写入/读取"," - `/v1/prometheus/write`"," - `/v1/prometheus/read`","- **描述**: 支持 Prometheus 远程写入和读取 API。"," - 使用 Prometheus 远程写入协议发送指标数据。"," - 使用 Prometheus 远程读取协议读取指标数据。","### Prometheus HTTP API","- **基础路径**: `/v1/prometheus/api/v1`","- **端点**:"," - `/format_query`"," - `/status/buildinfo`"," - `/query`"," - `/query_range`"," - `/labels`"," - `/series`"," - `/parse_query`"," - `/label/{label_name}/values`","- **描述**: 提供 Prometheus HTTP API 端点以查询和检索指标数据。","- **用法**: 使用这些端点以标准 Prometheus HTTP API 进行指标交互。","有关 Prometheus HTTP API 的更多信息，请参阅原始 Prometheus 文档 [Prometheus HTTP API](https://prometheus.io/docs/prometheus/latest/querying/api/)。","### OpenTelemetry 协议 (OTLP)"," - `/v1/otlp/v1/metrics`"," - `/v1/otlp/v1/traces`"," - `/v1/otlp/v1/logs`","- **描述**: 支持 OpenTelemetry 协议以写入 Metrics、Traces 和 Logs。","- **用法**: 将 OpenTelemetry 格式的数据发送到这些端点。","### Loki 兼容性","- **路径**: `/v1/loki/api/v1/push`","- **描述**: 以兼容 Loki 的 API 写入日志。","- **用法**: 将日志数据以 Loki 的格式发送到此端点。","### OpenTSDB 协议","- **路径**: `/v1/opentsdb/api/put`","- **描述**: 支持使用 OpenTSDB 协议写入数据。","- **用法**: 使用 OpenTSDB 的 JSON 格式写入时间序列数据。","## 日志写入端点"," - `/v1/ingest`"," - `/v1/pipelines/{pipeline_name}`"," - `/v1/pipelines/_dryrun`"," - `POST` 写入日志和添加 Pipeline。"," - `DELETE` 用于删除 Pipeline。","- **描述**: 提供日志写入和 Pipeline 管理的端点。"," - 通过 `/logs` 端点写入日志。"," - 使用 `/pipelines` 端点管理日志 Pipeline。","有关日志写入和 Pipeline 管理的更多信息，请参阅[日志概述](/user-guide/logs/overview.md)。","i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md",[1820],{"_1022":875,"_1023":1821,"_464":1822,"_1026":59},302,[1027,1823,1824,1027,216,1825,216,1826,216,1827,216,1828,216,1829,216,1830,216,1831,1832,1045,216,1833,216,1834,216,1835,216,1836,216,1837,1838,1839,1840,1841,216,1662,216,1842,216,1843,1844,1845,1846,1847,1848,1849,216,1850,216,1851,216,1852,216,1050,1275,1276,1853,1854,1855,1856,1857,1858,1312,1859,1313,1860,1314,1861,1862,1863,1864,1865,1866,1867,1868,216,1324,1869,1328,1870,1329,1871,1330,1872,1331,1873,1326,1045,216,1874,216,1875,1876,1877,1878,1879,1880,216,1881,216,1882,216,1883,216,1884,216,1885,216,1886,216,1887,216,1888,216,1889,216,1890,216,1831,1891,1892,1893,1894,1045,216,1895,216,1896,216,1897,216,1898,216,1899,216,1900,216,1662,216,1901,216,1843,1844,1902,1903,1904,1905,1906,1907,1908,1909,1910,1911,1912,1913,1914,1915,1916,216,1917,216,1918,216,1919,216,1920,216,1921,216,1922,1923,1924,1925,216,1926,216,1927,216,1928,216,1929,216,1930,216,1931,216,1932,216,1933,216,1934,216,1935,216,1936,216,1937,216,1938,216,1732,216,1050,1275,1276,1939,1940,1941,1045,216,1942,216,1943,216,1944,216,1945,216,1831,1946,1947,1948,1949,1950,1951,1952,1953,1947,1948,1949,1950,1951,1952,1954,1947,1948,1949,1950,1951,1952,1045,216,1955,216,1831,1956,1947,1957,1958,1959,1949,1950,1951,1952,1045,216,1960,216,1961,216,1962,216,1963,216,1964,216,1965,216,1058,1733,1045,216,1966,216,1967,216,1058,1968,1045,216,1969,216,1058,1742,1045,216,1970,216,1058,1971,1972,1045,216,1973,216,1974,216,1975,1976,1977,1978,1979],"keywords: [性能调优, 查询性能, 缓存配置, 写入优化, 表结构设计, 指标监控, 对象存储, 批量写入, append-only 表]","description: 提供 GreptimeDB 性能调优的技巧，包括查询性能指标、缓存配置、写入优化和表结构设计建议。","# 性能调优技巧","GreptimeDB 实例的默认配置可能不适合所有场景。因此根据场景调整数据库配置和使用方式相当重要。","GreptimeDB 提供了各种指标来帮助监控和排查性能问题。官方仓库里提供了用于独立模式和集群模式的 [Grafana dashboard 模版](https://github.com/GreptimeTeam/greptimedb/tree/main/grafana)。","## 查询","### 分析查询性能","要排查慢查询，请使用 `EXPLAIN ANALYZE VERBOSE` 重新运行查询：","```sql","EXPLAIN ANALYZE VERBOSE ;","`EXPLAIN ANALYZE` 会执行查询并采集各执行阶段的运行时指标。`VERBOSE` 选项会增加 scan 级别的指标，有助于判断查询变慢的原因以及可以如何优化。输出中各项指标的含义请参阅 [EXPLAIN](/reference/sql/explain.md)。","比较多次运行结果时，请注意缓存状态可能影响第二次运行的耗时和结果。如果想避免测量完全命中缓存的重复查询，可以在保持查询形态等价的前提下稍微修改查询条件，例如平移时间范围。","如果仍无法判断原因，请在创建 issue 时附上完整的 `EXPLAIN ANALYZE VERBOSE` 输出。","常见发现：","- **需要搜索大量小文件**：`num_file_ranges` 较高，尤其是许多文件不足一个完整 row group 时，通常表示扫描需要打开大量小 SST 文件。这往往来自对大量不同时间窗口的回填，或 compaction 压力较高。可以考虑调整 `compaction.twcs.time_window`，检查写入或回填模式，让行更自然地填满时间窗口，并检查 compaction 状态。如果文件数量不多，小文件不一定会影响性能。","- **扫描后过滤了大量行**：如果 `scan_cost` 较高且 `rows_precise_filtered` 也较高，说明扫描读取了大量候选行，然后又通过精确过滤移除了它们。可以考虑为选择性较高的过滤列添加合适的[索引](/user-guide/manage-data/data-index.md)。索引变更会作用于新 flush 的数据，不会立即重写所有已有 SST 文件。","- **数据读取时本地缓存未命中**：如果 `fetch_metrics.cache_miss`、`fetch_metrics.pages_to_fetch_store` 或 `fetch_metrics.store_fetch_elapsed` 较高，说明 GreptimeDB 正在从对象存储读取 page 数据，而不是从本地缓存读取。请检查下文的缓存指标，并考虑增大 `write_cache_size` 或 `page_cache_size`。","- **扫描准备成本较高**：`build_parts_cost` 或 `build_reader_cost` 较高，表示 GreptimeDB 花了较多时间构建扫描范围或 reader。请结合 `num_file_ranges`、元数据缓存未命中以及缓存压力一起分析。","- **元数据加载时间较高**：如果 `metadata_cache_metrics.metadata_load_cost` 或 `metadata_cache_metrics.cache_miss` 较高，可能是 SST 元数据缓存过小。请检查 `greptime_mito_cache_bytes{type=\"sst_meta\"}`，并考虑增大 `sst_meta_cache_size`。","以下指标可用于诊断查询性能问题：","| 指标 | 类型 | 描述 |","|---|---|---|","| greptime_mito_read_stage_elapsed_bucket | histogram | 存储引擎中查询不同阶段的耗时。 |","| greptime_mito_cache_bytes | gauge | 缓存内容的大小。`type` 标签表示缓存类型。 |","| greptime_mito_cache_hit | counter | 缓存命中总数。`type` 标签表示缓存类型。 |","| greptime_mito_cache_miss | counter | 缓存未命中总数。`type` 标签表示缓存类型。 |","| greptime_mito_cache_eviction | counter | 缓存淘汰总数。`type` 标签表示缓存类型。 |","### 增大缓存大小","将 `greptime_mito_cache_bytes{type=\"...\"}` 作为判断缓存压力的主要信号。如果该指标经常接近对应缓存的配置容量，可以考虑增大该缓存。如果该指标长期远低于容量，可以考虑减小该缓存，为其他缓存释放内存或磁盘空间。使用 `greptime_mito_cache_hit`、`greptime_mito_cache_miss` 和 `greptime_mito_cache_eviction` 作为辅助信号，判断调整某个缓存是否有价值。","以下示例列出了主要的缓存大小配置。部分缓存的默认大小会根据系统内存自动调整。各选项的默认值请参阅[配置](/user-guide/deployments-administration/configuration.md#region-engine-options)。","# 写入缓存的大小。数据文件对应的 `type` 标签值为 `file`。","write_cache_size = \"10G\"","# 分配给索引（puffin）文件的写入缓存容量百分比。","# 此缓存的 `type` 标签值为 `index`。","index_cache_percent = 20","# SST 元数据的缓存大小。此缓存的 `type` 标签值为 `sst_meta`。","# 向量和 Arrow array 的缓存大小。此缓存的 `type` 标签值为 `vector`。","# SST 行组页面的缓存大小。此缓存的 `type` 标签值为 `page`。","# 时间序列 selector（例如 `last_value()`）结果缓存大小。此缓存的 `type` 标签值为 `selector_result`。","selector_result_cache_size = \"512MB\"","# Flat range scan 结果缓存大小。此缓存的 `type` 标签值为 `range_result`。","range_result_cache_size = \"512MB\"","# Prefilter 结果缓存大小。此缓存的 `type` 标签值为 `prefilter_result`。","prefilter_result_cache_size = \"128MB\"","# Manifest 文件缓存大小。此缓存的 `type` 标签值为 `manifest`。","manifest_cache_size = \"256MB\"","# 索引元数据缓存大小。此缓存的 `type` 标签值为 `index_metadata`。","# 索引内容缓存大小。此缓存的 `type` 标签值为 `index_content`。","# 索引内容缓存的页大小。","# 索引查询结果缓存大小。此缓存的 `type` 标签值为 `index_result`。","# 索引暂存目录的最大容量。此缓存的 `type` 标签值为 `index_staging`。","一些建议：","- 至少将写入缓存设置为磁盘空间的 1/10。使用对象存储时，建议使用较大的写入缓存。","- 写入缓存通过 `index_cache_percent` 在数据文件和索引（puffin）文件之间拆分。如果 `greptime_mito_cache_bytes{type=\"index\"}` 已满，而 `greptime_mito_cache_bytes{type=\"file\"}` 未满，可以考虑增大 `index_cache_percent`。","- 如果某个缓存相比其配置容量长期较小，可以减小该缓存，并把资源分配给压力更高的缓存。","- 如果数据库内存使用率低于 20%，则可以至少将 `page_cache_size` 设置为总内存大小的 1/4。","- 如果缓存命中率低于 50%，则可以将缓存大小翻倍。","- 只有当索引搜索工作负载中 `greptime_mito_cache_bytes{type=\"index_staging\"}` 接近容量，或暂存目录未命中和淘汰显示存在压力时，才需要调大 `index.staging_size`。并非每个部署都需要增大该设置。","### SST 格式","GreptimeDB 默认使用 `flat` 格式将数据存储在 SST 文件中。它适用于所有主键基数，包括 `trace_id` 或 `uuid` 等高基数主键，因此通常不需要手动设置 `sst_format` 选项。对于具有高基数主键的表，还可以考虑使用 [append-only](/reference/sql/create.md#创建-append-only-表) 表来进一步提升性能。","唯一需要设置 `sst_format` 的场景是从默认使用遗留 `primary_key` 格式的旧版本 GreptimeDB 升级。在这种情况下，可以将这些表切换为 `flat`。如何修改已有表的格式，请参考 [SST 格式](/user-guide/deployments-administration/performance-tuning/design-table.md#sst-格式)指南；参考信息请见 [SST 格式](/reference/sql/create.md#创建指定-sst-格式的表)。","### 尽可能使用 append-only 表","一般来说，append-only 表具有更高的扫描性能，因为存储引擎可以跳过合并和去重操作。此外，如果表是 append-only 表，查询引擎可以使用统计信息来加速某些查询。","如果表不需要去重或性能优先于去重，我们建议为表启用 [append_mode](/reference/sql/create.md#创建-append-only-表)。例如，日志表应该是 append-only 表，因为日志消息可能具有相同的时间戳。","### 禁用预写式日志(WAL)","如果您是从 Kafka 等可以重放的数据源消费并写入到 GreptimeDB，可以通过禁用 WAL 来进一步提升写入吞吐量。","请注意，当 WAL 被禁用后，未刷新到磁盘或对象存储的数据将无法恢复，需要从原始数据源重新恢复，比如重新从 Kafka 读取或重新抓取日志。","通过设置表选项 `skip_wal='true'` 来禁用 WAL：","CREATE TABLE logs("," message STRING,"," ts TIMESTAMP TIME INDEX",") WITH (skip_wal = 'true');","## 写入","### 批量写入行","批量写入是指通过同一个请求将多行数据发送到数据库。这可以显著提高写入吞吐量。建议的起始值是每批 1000 行。如果延迟和资源使用仍然可以接受，可以扩大攒批大小。","### 按时间窗口写入","虽然 GreptimeDB 可以处理乱序数据，但乱序数据仍然会影响性能。GreptimeDB 从写入的数据中推断出时间窗口的大小，并根据时间戳将数据划分为多个时间窗口。如果写入的行不在同一个时间窗口内，GreptimeDB 需要将它们拆分，这会影响写入性能。","通常，实时数据不会出现上述问题，因为它们始终使用最新的时间戳。如果需要将具有较长时间范围的数据导入数据库，我们建议提前创建表并[指定 compaction.twcs.time_window 选项](/reference/sql/create.md#创建自定义-compaction-参数的表)。","以下指标有助于诊断写入问题。大多数指标可在官方 Grafana dashboard 中找到。需要自定义 PromQL 或深入排查时，可以使用下列指标名。","| greptime_table_operator_ingest_rows | counter | table operator 摄入的行数。可使用该指标的 rate 追踪总写入负载。 |","| greptime_servers_http_requests_elapsed_bucket | histogram | HTTP 请求延迟。可使用 `path`、`method` 和 `code` 等标签定位写入相关延迟。 |","| greptime_servers_grpc_requests_elapsed_bucket | histogram | gRPC 请求延迟。可使用 `path` 和 `code` 等标签定位写入相关延迟。 |","| greptime_mito_handle_request_elapsed_bucket | histogram | Datanode 上处理存储引擎请求的耗时。 |","| greptime_mito_write_stage_elapsed_bucket | histogram | 存储引擎中处理写入请求的不同阶段的耗时。 |","| greptime_mito_write_buffer_bytes | gauge | 当前为写入缓冲区（memtables）分配的字节数（估算）。 |","| greptime_mito_write_rows_total | counter | 写入存储引擎的行数。可用于比较不同 datanode 的写入负载。 |","| greptime_mito_write_stalling_count | gauge | 每个 worker 中当前被阻塞的写入请求数。 |","| greptime_mito_write_stall_total | counter | 由于高内存压力或临时 region 状态而被阻塞的写入请求总数。 |","| greptime_mito_write_reject_total | counter | 由于内存压力过高而被拒绝的写入请求数。 |","| raft_engine_sync_log_duration_seconds_bucket | histogram | 将 WAL 刷入磁盘的耗时。 |","| greptime_mito_flush_requests_total | counter | 已调度的 flush 请求数。 |","| greptime_mito_flush_elapsed | histogram | 刷入 SST 文件的耗时。 |","| greptime_mito_flush_bytes_total | counter | flush 到 SST 文件的字节数。 |","| greptime_mito_flush_file_total | counter | flush job 生成的 SST 文件数。 |","### 检查写入吞吐和请求延迟","使用 `rate(greptime_table_operator_ingest_rows[$__rate_interval])` 观察总摄入速率。协议层延迟请检查 `greptime_servers_http_requests_elapsed_bucket` 和 `greptime_servers_grpc_requests_elapsed_bucket`。可按 `path`、`method` 和 `code` 等标签过滤，将写入请求与健康检查、指标抓取和查询请求区分开。","如果 frontend 协议延迟较高，请将它与 datanode 侧指标对比，例如 `greptime_mito_handle_request_elapsed_bucket` 和 `greptime_mito_write_stage_elapsed_bucket`。这有助于判断瓶颈是在进入存储引擎之前的请求处理阶段，还是在 datanode 写入路径内部。","### 诊断 datanode 写入压力","当 datanode 写入变慢或摄入延迟较高时，首先检查写入缓冲区是否存在压力：","- `greptime_mito_write_buffer_bytes`","- `greptime_mito_write_stall_total`","- `greptime_mito_write_stalling_count`","- `greptime_mito_write_reject_total`","写入阻塞表示 GreptimeDB 正在施加背压，而不是立即接受写入。当全局写入缓冲区达到 `global_write_buffer_size`，或 region 在内部状态变化期间暂时不可写时，可能出现阻塞。如果客户端收到类似 `Engine write buffer is full, rejecting write requests` 的错误，表示 datanode 已达到由 `global_write_buffer_reject_size` 控制的拒绝阈值。","当 datanode 存在写入压力时，在调大写入缓冲区之前，请先检查 flush 性能和写入分布。增大写入缓冲区只会给 datanode 更多内存余量，并不能修复缓慢的 flush，也不能修复把大部分写入发送到单个 region 的不均衡表。","### 检查 flush 性能","如果写入缓冲区持续增长或写入频繁阻塞，请检查 flush 是否是瓶颈。使用 `greptime_mito_flush_elapsed` 查看 flush 延迟，并使用 `greptime_mito_flush_requests_total`、`greptime_mito_flush_bytes_total` 和 `greptime_mito_flush_file_total` 了解 flush 频率和吞吐。","Datanode 日志也有助于识别慢 flush 和热点 region。搜索 `Successfully flush memtables`。该日志行包含 region、flush 原因、SST 文件、`total_rows`、`total_bytes`、`cost`、编码 part 数以及 flush metrics。可以用 `total_rows` 或 `total_bytes` 除以 `cost` 来估算 flush 吞吐。","如果 flush 耗时较高，例如达到 30 秒或更久，或者 flush 吞吐低于摄入速度，增大写入缓冲区通常只会延后阻塞或拒绝。在这种情况下，请检查表分区和 region 分布，让 flush 工作可以分散到更多 region 和 datanode。","如果 flush job 很快，通常几秒内完成，但 flush 请求速率较高且写入缓冲区压力经常出现，增大写入缓冲区可以帮助降低 flush 频率。","### 检查写入分布","对于分区表，请检查写入是否均匀分布在 datanode 和 region 之间。使用 `greptime_mito_write_rows_total` 比较 datanode 级别的写入行数，并使用 `greptime_mito_handle_request_elapsed_bucket` 比较 datanode 请求延迟。","也可以查询 [`REGION_STATISTICS`](/reference/sql/information-schema/region-statistics.md)，查看 `written_bytes_since_open` 和 `memtable_size` 等 region 级统计信息。如果某个 datanode 或某个 region 接收了大部分写入负载，请先调整表分区，让负载分散到更多 region 和 datanode，再考虑增大写入缓冲区。","### 调整写入缓冲区大小","如果阻塞或拒绝是由写入缓冲区压力导致的，并且 flush 性能和写入分布都正常，可以考虑增大 `region_engine.mito.global_write_buffer_size`。这对日志或链路追踪等大行工作负载最有用。默认情况下，`global_write_buffer_size` 会自动设置为操作系统内存的 1/8，最大 1GB。请逐步增大，例如调为 2 到 4 倍，并观察 datanode 内存使用情况。","多数情况下，请保持 `region_engine.mito.global_write_buffer_reject_size` 未设置，让 GreptimeDB 使用默认的拒绝阈值，即 `global_write_buffer_size` 的 2 倍。如果希望在内存压力下更早失败，可以根据可用 datanode 内存以及希望多早拒绝请求，手动设置一个有意保留的边界，通常为 `global_write_buffer_size` 的 1.5 到 2 倍。该值必须大于 `global_write_buffer_size`；否则 GreptimeDB 会将其修正回 2 倍。","global_write_buffer_size = \"2GB\"","# 可选。除非需要自定义拒绝边界，否则保持未设置。","global_write_buffer_reject_size = \"3GB\"","## 表结构","### 使用多值","在设计架构时，我们建议将可以一起收集的相关指标放在同一个表中。这也可以提高写入吞吐量和压缩率。","例如，以下三个表收集了 CPU 的使用率指标。","CREATE TABLE IF NOT EXISTS cpu_usage_user ("," hostname STRING NULL,"," usage_value BIGINT NULL,"," ts TIMESTAMP(9) NOT NULL,"," TIME INDEX (ts),"," PRIMARY KEY (hostname)",");","CREATE TABLE IF NOT EXISTS cpu_usage_system (","CREATE TABLE IF NOT EXISTS cpu_usage_idle (","我们可以将它们合并为一个具有三个字段的表。","CREATE TABLE IF NOT EXISTS cpu ("," usage_user BIGINT NULL,"," usage_system BIGINT NULL,"," usage_idle BIGINT NULL,","## 采集性能分析数据","当 GreptimeDB CPU 或内存使用率较高且原因不明时，请从受影响节点采集性能分析数据，并提供给开发者进一步分析。","性能分析与平台相关，在某些平台或构建中可能不可用。CPU profiling 在大多数 Unix 平台上可用。Memory profiling 在 Linux 上可用，但在 macOS 或 Windows 上不可用。生成火焰图会消耗额外内存，因为 GreptimeDB 需要在进程内解析 profile 并符号化栈信息。从接近内存限制的节点采集火焰图时请格外谨慎。","性能分析是节点本地的。请将以下示例中的 `127.0.0.1:4000` 替换为 CPU 或内存使用率较高的 GreptimeDB 节点的 HTTP 地址。","### CPU profiling","在 CPU 使用率较高时采集 10 秒 CPU 火焰图：","### Memory profiling","Memory profiling 需要启用 heap profiling。官方 Docker 镜像默认启用 heap profiling。对于自行构建或非 Docker 部署，建议默认以启用 heap profiling 的方式启动 GreptimeDB：","MALLOC_CONF=prof:true ./greptime standalone start","当内存使用率较高时采集内存火焰图，尤其是在内存仍在增长或达到新峰值时：","也可以在不同时间采集两份内存 profile 并进行对比，以识别新增分配：","curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-before.pprof","curl -X POST -s 'http://127.0.0.1:4000/debug/prof/mem?output=proto' > greptime-mem-after.pprof","端点参考请参阅[性能分析工具](/reference/http-endpoints.md#性能分析工具)。","报告问题时，请包含：","- GreptimeDB 版本和部署模式。","- 受影响的组件或节点。","- CPU 火焰图或内存火焰图/profile 文件。","- 问题发生的大致时间范围和工作负载。","- 可用的相关指标和日志。",[1981,1982,1983,1984,1985,1986,1987,1988,1989,1990],{"_973":46,"_46":2006},{"_973":1992,"_169":1818,"_1022":2004,"_1023":2005},{"_973":1992,"_169":1818,"_1022":2002,"_1023":2003},{"_973":1992,"_169":1818,"_1022":2001,"_1023":1821},{"_973":46,"_46":2000},{"_973":1992,"_169":1639,"_1022":1998,"_1023":1999},{"_973":46,"_46":1997},{"_973":1992,"_169":1016,"_1022":1995,"_1023":1996},{"_973":1992,"_169":1016,"_1022":1993,"_1023":1994},{"_973":46,"_46":1991},"\n* Committed the changes with commit `a71a9ef` and created the follow-up PR.\n\n**Testing**\n* ✅ `git diff --check -- i18n/zh/docusaurus-plugin-content-docs/current/reference/http-endpoints.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/configuration.md i18n/zh/docusaurus-plugin-content-docs/current/user-guide/deployments-administration/performance-tuning/performance-tuning-tips.md`","repo_file_citation",529,532,513,515,"\n* Updated the Chinese region engine configuration reference with the new result cache options and refreshed index cache default descriptions. ",141,178,"\n* Updated the Chinese HTTP endpoint reference with detailed CPU and memory profiling endpoint tables and curl examples. ",257,138,209,14,90,"### Summary\n* Updated the Chinese performance tuning guide with translated slow-query analysis guidance, cache metrics, cache sizing options, ingestion troubleshooting, write-buffer tuning, and profiling collection instructions. ",{"_93":342,"_42":85,"_97":342,"_2009":2010,"_2011":2012,"_2013":2014,"_133":-5,"_120":2015},[84],"input_items",[2032,2033,2034],"external_post_config",{"_2016":2017,"_280":213,"_2018":322,"_291":-5,"_994":274,"_2019":-5,"_2020":2021,"_2022":2023,"_2024":-5,"_2025":-5,"_2026":2027,"_2028":15,"_2029":59,"_2030":54,"_2031":15},"user_model_slug","slug",1782224456.223865,"installation_id",99793971,"pr_number","review_trigger","comment_id",4780216397,"comment_type","issue","pr_write_guard_token","pending_pr_reaction_id","pending_comment_reaction_id",373675381,"comment_if_no_findings","comment_on_error","share_url","is_parallel_review",{"_93":470,"_97":342,"_464":2042},{"_329":330,"_331":332,"_2039":336,"_2040":130,"_338":-5,"_93":2041},{"_93":2035,"_331":2036,"_169":-5,"_2037":-5,"_2038":-5},"pull_request_comment","En part LGTM","side","line","base_ref","head_ref","pull_request_info",[2043],{"_973":46,"_46":2044},"@codex update the zh part.",[2439,2440,2441],[],{"_978":979,"_46":980,"_981":982},{"_953":2430},{"_356":2429},{"_356":2087},{"_321":322,"_312":323,"_324":325,"_326":15,"_327":59,"_328":59,"_329":330,"_331":332,"_333":284,"_334":128,"_335":336,"_337":130,"_338":339,"_340":-5,"_341":-5,"_342":2086,"_344":345,"_346":347,"_348":349,"_350":351},{"_42":124,"_210":211,"_212":213,"_214":15,"_215":216,"_217":218,"_219":2073,"_221":-5,"_222":-5,"_223":2074,"_225":2075,"_227":2076,"_229":2077,"_231":2078,"_233":2079,"_235":-5,"_236":237,"_238":239,"_240":241,"_242":2080,"_55":-5,"_120":244,"_245":2081,"_247":2082,"_249":250,"_251":15,"_252":15},{"_134":2068},[2055,2056,2057,2058,2059,2060,2061,2062,2063,2064,2065,2066,2067],{"_156":193,"_158":159,"_160":161,"_162":171,"_164":194,"_166":167,"_168":32,"_169":-5},{"_156":190,"_158":184,"_160":191,"_162":171,"_164":192,"_166":167,"_168":32,"_169":-5},{"_156":189,"_158":159,"_160":161,"_162":163,"_164":187,"_166":167,"_168":32,"_169":-5},{"_156":183,"_158":184,"_160":185,"_162":186,"_164":187,"_166":167,"_168":188,"_169":-5},{"_156":182,"_158":159,"_160":161,"_162":171,"_164":179,"_166":167,"_168":32,"_169":-5},{"_156":181,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":180,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":178,"_158":159,"_160":161,"_162":171,"_164":179,"_166":167,"_168":32,"_169":-5},{"_156":176,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":174,"_158":159,"_160":161,"_162":171,"_164":175,"_166":167,"_168":32,"_169":-5},{"_156":172,"_158":159,"_160":161,"_162":163,"_164":173,"_166":167,"_168":32,"_169":-5},{"_156":170,"_158":159,"_160":161,"_162":171,"_164":165,"_166":167,"_168":32,"_169":-5},{"_156":157,"_158":159,"_160":161,"_162":163,"_164":165,"_166":167,"_168":32,"_169":-5},[2069,2070],{"_198":2072,"_200":207},{"_198":2071,"_200":201},{"_202":203,"_93":204,"_120":205},{"_202":208,"_93":204,"_120":209},{"_314":315,"_316":69,"_317":-5,"_318":-5,"_319":-5,"_320":59},[274],[216],[216],{"_274":2083},{"_256":257,"_258":259,"_260":261,"_262":263,"_264":265,"_266":267,"_268":269,"_270":271,"_272":273},{},[],{"_255":59},{"_253":59,"_254":216},{"_42":276,"_202":277,"_278":2084,"_280":213,"_281":282,"_283":284,"_285":286,"_287":288,"_289":290,"_291":64,"_292":15,"_293":-5,"_294":-5,"_295":-5,"_296":-5,"_297":-5,"_298":-5,"_168":299,"_300":-5,"_55":2085},{"_306":307,"_42":308,"_93":309,"_310":311,"_312":313},{"_302":15,"_303":15,"_304":15,"_305":15},{"_306":352,"_202":352,"_353":-5,"_310":354,"_42":355},[2088,2089,2090,2091,2092,2093,2094,2095,2096,2097,2098,2099,2100,2101,2102,2103,2104,2105,2106,2107,2108,2109,2110,2111,2112,2113,2114,2115,2116,2117,2118,2119,2120,2121,2122,2123,2124,2125,2126,2127,2128,2129,2130,2131,2132,2133,2134,2135,2136,2137,2138,2139,2140,2141,2142,2143,2144,2145,2146,2147,2148,2149,2150,2151,2152,2153,2154,2155,2156,2157,2158,2159,2160,2161,2162,2163,2164,2165,2166,2167,2168],{"_162":930,"_440":2425},{"_162":455,"_440":2422},{"_162":920,"_440":2419},{"_162":459,"_440":2414},{"_162":459,"_440":2410},{"_162":459,"_440":2406},{"_162":474,"_440":2401},{"_162":474,"_440":2397},{"_162":459,"_440":2394},{"_162":459,"_440":2392},{"_162":474,"_440":2388},{"_162":459,"_440":2386},{"_162":474,"_440":2382},{"_162":459,"_440":2379},{"_162":459,"_440":2377},{"_162":474,"_440":2373},{"_162":459,"_440":2371},{"_162":459,"_440":2369},{"_162":474,"_440":2365},{"_162":459,"_440":2363},{"_162":474,"_440":2359},{"_162":459,"_440":2355},{"_162":459,"_440":2353},{"_162":474,"_440":2349},{"_162":459,"_440":2347},{"_162":474,"_440":2343},{"_162":459,"_440":2339},{"_162":459,"_440":2337},{"_162":474,"_440":2333},{"_162":459,"_440":2331},{"_162":474,"_440":2327},{"_162":459,"_440":2323},{"_162":459,"_440":2321},{"_162":474,"_440":2317},{"_162":459,"_440":2315},{"_162":459,"_440":2313},{"_162":474,"_440":2309},{"_162":459,"_440":2307},{"_162":474,"_440":2303},{"_162":459,"_440":2299},{"_162":459,"_440":2297},{"_162":474,"_440":2291},{"_162":459,"_440":2289},{"_162":474,"_440":2285},{"_162":459,"_440":2281},{"_162":459,"_440":2279},{"_162":459,"_440":2277},{"_162":474,"_440":2273},{"_162":459,"_440":2271},{"_162":459,"_440":2269},{"_162":474,"_440":2265},{"_162":474,"_440":2261},{"_162":459,"_440":2257},{"_162":459,"_440":2255},{"_162":459,"_440":2253},{"_162":474,"_440":2249},{"_162":474,"_440":2245},{"_162":459,"_440":2241},{"_162":459,"_440":2239},{"_162":474,"_440":2235},{"_162":459,"_440":2233},{"_162":474,"_440":2229},{"_162":459,"_440":2225},{"_162":459,"_440":2223},{"_162":474,"_440":2219},{"_162":459,"_440":2217},{"_162":459,"_440":2215},{"_162":474,"_440":2208},{"_162":459,"_440":2206},{"_162":474,"_440":2202},{"_162":459,"_440":2199},{"_162":459,"_440":2197},{"_162":474,"_440":2191},{"_162":459,"_440":2189},{"_162":459,"_440":2187},{"_162":474,"_440":2182},{"_162":459,"_440":2180},{"_162":474,"_440":2178},{"_162":459,"_440":2174},{"_162":455,"_440":2172},{"_162":439,"_440":2169},{"_442":443,"_88":2170},{"_445":446,"_447":448,"_104":-5,"_42":449,"_450":2171,"_452":453,"_454":114},[],{"_454":2173,"_442":443},{"_93":458},{"_461":2175,"_442":443,"_463":449},{"_464":2176,"_466":-5,"_42":-5,"_467":-5,"_468":469,"_97":94,"_93":470},[2177],{"_46":472,"_93":473},{"_461":2179,"_442":443,"_463":449},{"_42":477,"_468":469,"_46":472,"_93":478},{"_461":2181,"_442":443,"_463":449},{"_481":482,"_467":-5,"_483":484,"_93":485},{"_461":2183,"_442":443,"_463":449},{"_488":489,"_490":491,"_492":2184,"_494":495,"_447":32,"_496":32,"_42":482,"_497":498,"_499":500,"_454":114,"_93":501},[2185,2186],{"_490":508,"_202":509,"_169":510,"_93":507},{"_490":504,"_202":505,"_169":506,"_93":507},{"_461":2188,"_442":443,"_463":449},{"_513":514,"_481":482,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2190,"_442":443,"_463":449},{"_481":520,"_467":-5,"_483":521,"_93":485},{"_461":2192,"_442":443,"_463":449},{"_488":524,"_490":525,"_492":2193,"_494":495,"_447":32,"_496":32,"_42":520,"_497":527,"_499":500,"_454":114,"_93":501},[2194,2195,2196],{"_490":531,"_202":532,"_169":533,"_93":507},{"_490":504,"_202":505,"_169":506,"_93":507},{"_490":508,"_202":509,"_169":510,"_93":507},{"_461":2198,"_442":443,"_463":449},{"_513":536,"_481":520,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2200,"_442":443,"_463":449},{"_464":-5,"_539":540,"_42":-5,"_467":-5,"_541":2201,"_93":543},[],{"_461":2203,"_442":443,"_463":449},{"_464":2204,"_42":547,"_541":2205,"_93":543},[],[],{"_461":2207,"_442":443,"_463":449},{"_481":551,"_467":-5,"_483":552,"_93":485},{"_461":2209,"_442":443,"_463":449},{"_513":2210,"_447":556,"_104":-5,"_42":551,"_557":-5,"_558":-5,"_559":2211,"_561":562,"_454":114,"_563":562,"_93":564},{"_329":569,"_331":570},{"_565":-5,"_464":2212,"_567":2213},[2214],{"_329":569,"_331":570},{"_93":46,"_46":572},{"_461":2216,"_442":443,"_463":449},{"_513":575,"_481":551,"_42":-5,"_467":-5,"_202":562,"_516":576,"_93":517},{"_461":2218,"_442":443,"_463":449},{"_481":579,"_467":-5,"_483":580,"_93":485},{"_461":2220,"_442":443,"_463":449},{"_488":583,"_490":584,"_492":2221,"_494":495,"_447":32,"_496":32,"_42":579,"_497":586,"_499":500,"_454":114,"_93":501},[2222],{"_490":588,"_93":589},{"_461":2224,"_442":443,"_463":449},{"_513":592,"_481":579,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2226,"_442":443,"_463":449},{"_464":-5,"_539":595,"_42":-5,"_467":-5,"_541":2227,"_93":543},[2228],{"_46":598,"_93":599},{"_461":2230,"_442":443,"_463":449},{"_464":2231,"_42":603,"_541":2232,"_93":543},[],[598],{"_461":2234,"_442":443,"_463":449},{"_481":607,"_467":-5,"_483":608,"_93":485},{"_461":2236,"_442":443,"_463":449},{"_488":611,"_490":612,"_492":2237,"_494":495,"_447":32,"_496":32,"_42":607,"_497":614,"_499":500,"_454":114,"_93":501},[2238],{"_490":616,"_93":589},{"_461":2240,"_442":443,"_463":449},{"_513":619,"_481":607,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2242,"_442":443,"_463":449},{"_464":-5,"_539":622,"_42":-5,"_467":-5,"_541":2243,"_93":543},[2244],{"_46":625,"_93":599},{"_461":2246,"_442":443,"_463":449},{"_464":2247,"_42":629,"_541":2248,"_93":543},[],[625],{"_461":2250,"_442":443,"_463":449},{"_488":633,"_490":634,"_492":2251,"_494":495,"_447":636,"_496":32,"_42":637,"_497":638,"_499":500,"_454":114,"_93":501},[2252],{"_490":640,"_93":589},{"_461":2254,"_442":443,"_463":449},{"_481":637,"_467":-5,"_483":643,"_93":485},{"_461":2256,"_442":443,"_463":449},{"_513":646,"_481":637,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2258,"_442":443,"_463":449},{"_464":-5,"_539":649,"_42":-5,"_467":-5,"_541":2259,"_93":543},[2260],{"_46":652,"_93":599},{"_461":2262,"_442":443,"_463":449},{"_464":2263,"_42":656,"_541":2264,"_93":543},[],[652],{"_461":2266,"_442":443,"_463":449},{"_488":-5,"_490":660,"_492":2267,"_494":495,"_447":662,"_496":32,"_42":663,"_497":664,"_499":500,"_454":114,"_93":501},[2268],{"_490":666,"_93":589},{"_461":2270,"_442":443,"_463":449},{"_481":663,"_467":-5,"_483":669,"_93":485},{"_461":2272,"_442":443,"_463":449},{"_513":672,"_481":663,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2274,"_442":443,"_463":449},{"_488":-5,"_490":675,"_492":2275,"_494":495,"_447":677,"_496":32,"_42":678,"_497":679,"_499":500,"_454":114,"_93":501},[2276],{"_490":681,"_93":589},{"_461":2278,"_442":443,"_463":449},{"_481":678,"_467":-5,"_483":684,"_93":485},{"_461":2280,"_442":443,"_463":449},{"_513":687,"_481":678,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2282,"_442":443,"_463":449},{"_464":-5,"_539":690,"_42":-5,"_467":-5,"_541":2283,"_93":543},[2284],{"_46":693,"_93":599},{"_461":2286,"_442":443,"_463":449},{"_464":2287,"_42":697,"_541":2288,"_93":543},[],[693],{"_461":2290,"_442":443,"_463":449},{"_481":701,"_467":-5,"_483":702,"_93":485},{"_461":2292,"_442":443,"_463":449},{"_488":705,"_490":706,"_492":2293,"_494":495,"_447":32,"_496":32,"_42":701,"_497":708,"_499":500,"_454":114,"_93":501},[2294,2295,2296],{"_490":714,"_202":532,"_169":533,"_93":507},{"_490":713,"_202":505,"_169":506,"_93":507},{"_490":712,"_202":509,"_169":510,"_93":507},{"_461":2298,"_442":443,"_463":449},{"_513":717,"_481":701,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2300,"_442":443,"_463":449},{"_464":-5,"_539":720,"_42":-5,"_467":-5,"_541":2301,"_93":543},[2302],{"_46":723,"_93":599},{"_461":2304,"_442":443,"_463":449},{"_464":2305,"_42":727,"_541":2306,"_93":543},[],[723],{"_461":2308,"_442":443,"_463":449},{"_481":731,"_467":-5,"_483":732,"_93":485},{"_461":2310,"_442":443,"_463":449},{"_488":735,"_490":736,"_492":2311,"_494":495,"_447":32,"_496":32,"_42":731,"_497":738,"_499":500,"_454":114,"_93":501},[2312],{"_490":740,"_202":741,"_169":742,"_93":507},{"_461":2314,"_442":443,"_463":449},{"_513":745,"_481":731,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2316,"_442":443,"_463":449},{"_481":748,"_467":-5,"_483":749,"_93":485},{"_461":2318,"_442":443,"_463":449},{"_488":752,"_490":753,"_492":2319,"_494":495,"_447":32,"_496":32,"_42":748,"_497":755,"_499":500,"_454":114,"_93":501},[2320],{"_490":757,"_93":589},{"_461":2322,"_442":443,"_463":449},{"_513":760,"_481":748,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2324,"_442":443,"_463":449},{"_464":-5,"_539":763,"_42":-5,"_467":-5,"_541":2325,"_93":543},[2326],{"_46":766,"_93":599},{"_461":2328,"_442":443,"_463":449},{"_464":2329,"_42":770,"_541":2330,"_93":543},[],[766],{"_461":2332,"_442":443,"_463":449},{"_481":774,"_467":-5,"_483":775,"_93":485},{"_461":2334,"_442":443,"_463":449},{"_488":778,"_490":779,"_492":2335,"_494":495,"_447":32,"_496":32,"_42":774,"_497":781,"_499":500,"_454":114,"_93":501},[2336],{"_490":783,"_93":589},{"_461":2338,"_442":443,"_463":449},{"_513":786,"_481":774,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2340,"_442":443,"_463":449},{"_464":-5,"_539":789,"_42":-5,"_467":-5,"_541":2341,"_93":543},[2342],{"_46":792,"_93":599},{"_461":2344,"_442":443,"_463":449},{"_464":2345,"_42":796,"_541":2346,"_93":543},[],[792],{"_461":2348,"_442":443,"_463":449},{"_481":800,"_467":-5,"_483":801,"_93":485},{"_461":2350,"_442":443,"_463":449},{"_488":804,"_490":805,"_492":2351,"_494":495,"_447":32,"_496":32,"_42":800,"_497":807,"_499":500,"_454":114,"_93":501},[2352],{"_490":809,"_93":589},{"_461":2354,"_442":443,"_463":449},{"_513":812,"_481":800,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2356,"_442":443,"_463":449},{"_464":-5,"_539":815,"_42":-5,"_467":-5,"_541":2357,"_93":543},[2358],{"_46":818,"_93":599},{"_461":2360,"_442":443,"_463":449},{"_464":2361,"_42":822,"_541":2362,"_93":543},[],[818],{"_461":2364,"_442":443,"_463":449},{"_481":826,"_467":-5,"_483":827,"_93":485},{"_461":2366,"_442":443,"_463":449},{"_488":830,"_490":831,"_492":2367,"_494":495,"_447":347,"_496":32,"_42":826,"_497":833,"_499":500,"_454":114,"_93":501},[2368],{"_490":835,"_93":589},{"_461":2370,"_442":443,"_463":449},{"_513":838,"_481":826,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2372,"_442":443,"_463":449},{"_481":841,"_467":-5,"_483":842,"_93":485},{"_461":2374,"_442":443,"_463":449},{"_488":-5,"_490":845,"_492":2375,"_494":495,"_447":32,"_496":32,"_42":841,"_497":847,"_499":500,"_454":114,"_93":501},[2376],{"_490":849,"_169":850,"_851":852,"_93":853},{"_461":2378,"_442":443,"_463":449},{"_513":856,"_481":841,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2380,"_442":443,"_463":449},{"_464":-5,"_539":859,"_42":-5,"_467":-5,"_541":2381,"_93":543},[],{"_461":2383,"_442":443,"_463":449},{"_464":2384,"_42":864,"_541":2385,"_93":543},[],[],{"_461":2387,"_442":443,"_463":449},{"_481":868,"_467":-5,"_483":869,"_93":485},{"_461":2389,"_442":443,"_463":449},{"_488":872,"_490":873,"_492":2390,"_494":495,"_447":32,"_496":875,"_42":868,"_497":876,"_499":500,"_454":877,"_93":501},[2391],{"_490":879,"_93":589},{"_461":2393,"_442":443,"_463":449},{"_513":882,"_481":868,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2395,"_442":443,"_463":449},{"_464":-5,"_539":885,"_42":-5,"_467":-5,"_541":2396,"_93":543},[],{"_461":2398,"_442":443,"_463":449},{"_464":2399,"_42":890,"_541":2400,"_93":543},[],[],{"_461":2402,"_442":443,"_463":449},{"_894":-5,"_464":2403,"_42":896,"_93":897},[2404],{"_46":899,"_900":2405,"_93":46},[],{"_461":2407,"_442":443,"_463":449},{"_464":2408,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":342,"_93":470},[2409],{"_46":899,"_93":906},{"_461":2411,"_442":443,"_463":449},{"_464":2412,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":342,"_93":470},[2413],{"_46":911,"_93":906},{"_461":2415,"_442":443,"_463":449},{"_464":2416,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":915,"_93":470},[2417,2418],{"_46":919,"_93":906},{"_46":918,"_93":906},{"_442":443,"_88":2420},{"_104":-5,"_42":449,"_450":2421,"_452":453,"_454":924},[],{"_454":2423,"_442":443},{"_927":2424,"_93":929},[],{"_932":2426},{"_934":-5,"_935":-5,"_936":937,"_938":453,"_494":495,"_939":15,"_940":-5,"_941":-5,"_42":443,"_942":943,"_202":-5,"_944":-5,"_169":945,"_946":216,"_499":947,"_454":2427,"_949":-5,"_78":2428,"_951":453},{"_93":458},[],[],[2431],{"_42":956,"_957":2432,"_959":960,"_961":960,"_464":2433,"_454":963,"_466":-5,"_964":32,"_467":2434,"_966":967,"_968":-5},{"_97":342,"_202":-5,"_467":2438},{"_973":46,"_974":2437},{"_969":2435},{"_971":2436},[],[976],{},{"_93":470,"_97":94,"_464":2458},{"_93":1010,"_1011":2445},{"_93":986,"_987":988,"_989":990,"_991":2442,"_993":-5},{"_93":991,"_994":213,"_129":130,"_995":-5,"_341":996,"_997":2443,"_999":347,"_1000":1001,"_1002":1003,"_1004":569,"_1005":2444},{"_1007":1008,"_1009":-5},[],[2446,2447,2448],{"_169":1818,"_1017":-5,"_1018":2455,"_1020":-5},{"_169":1639,"_1017":-5,"_1018":2452,"_1020":-5},{"_169":1016,"_1017":-5,"_1018":2449,"_1020":-5},[2450],{"_1022":875,"_1023":1024,"_464":2451,"_1026":59},[1027,1028,1029,1030,1027,216,1031,216,1032,216,1033,1034,1035,1036,216,1037,1038,216,1039,216,1040,216,1041,1042,216,1043,1044,1045,216,1046,216,1047,216,1048,1049,216,1050,1051,1052,1053,1045,216,1054,216,1055,1056,1045,216,1057,216,1058,1059,1045,216,1060,216,1061,1062,216,1063,1064,1065,1066,1067,216,1068,216,1069,1070,216,1071,216,216,1072,216,1073,1074,216,1050,1075,1051,1076,1075,1045,216,1077,216,1045,1078,1045,216,1079,216,1080,216,1081,1082,1083,1084,216,1085,216,1086,216,1045,1087,1045,216,1088,216,1089,216,1090,216,1091,1092,216,1050,1093,1094,1095,216,1096,1097,1098,1045,216,1099,1100,1101,1102,216,1103,216,1104,1105,1106,216,1107,216,1050,1108,1109,1110,216,1111,1112,1045,216,1113,1114,1115,1116,216,1117,216,1118,216,1119,1120,1121,216,1122,1123,1124,1125,216,1050,1126,1127,1128,1129,216,1130,1131,1132,216,1133,1134,1135,1136,216,1137,1138,1139,1140,216,1141,1134,1142,1136,216,1143,1138,1139,1140,216,1144,1134,216,1145,1134,1146,1147,1148,216,1149,1134,1150,1151,1152,1153,1154,1155,1045,216,1156,216,1157,1158,1159,1160,1161,1162,1163,1164,1165,1166,1167,1168,1169,1170,1171,1172,1173,1174,1175,1176,1177,1178,1179,1180,1181,1182,1183,1184,1185,1186,1187,1188,1172,216,1189,216,1190,1191,1192,1193,1194,1195,1196,216,1197,216,1198,216,1199,216,1200,1201,1202,216,1203,216,1050,1204,1205,1045,216,1206,216,1207,216,1208,216,1209,1210,1211,1212,1213,1214,1215,1216,1217,1218,1219,1220,1221,1222,1223,1224,1225,1226,1227,1228,1229,1230,1231,1232,1233,1234,1235,1236,1237,1238,1239,1240,1241,1242,1243,1244,1245,216,1246,216,1050,1051,1052,1053,1045,216,1247,216,1050,1051,1248,1249,1250,1251,1252,1045,216,1253,216,1254,216,1255,216,1256,1257,1258,1259,1260,1261,216,1262,216,1263,216,1050,1264,1265,1266,1248,1249,1250,1251,1252,216,1265,1267,1268,1249,1250,1269,1045,216,1270,216,1271,216,1272,216,1273,216,1274,216,1050,1275,1276,216,1277,1278,1279,1045,216,1280,216,1281,216,216,1282,216,1283,216,216,1284,216,1285,216,1050,1286,1287,1288,1289,1290,1291,1292,1293,1045,216,1294,1295,1296,1297,1298,1299,216,1300,216,1301,216,1302,216,1303,216,1050,1275,1276,1304,1305,1306,1307,1308,1309,1310,1311,1312,1313,1314,1315,1316,1317,1318,1319,1320,1321,1322,1323,216,1324,1325,1326,1327,1328,1329,1330,1331,216,1332,1333,1334,1335,1336,1337,216,1338,1339,1045,216,1340,216,1050,1338,1341,1342,1343,1344,1045,216,1345,216,1346,1347,1348,1349,1350,1351,1352,1353,1354,1355,1356,1357,1358,1359,1360,1361,1362,1363,1364,1365,1366,1367,1368,1369,1370,1371,1372,1373,1374,1375,1376,1377,1378,1379,1380,1381,1382,1383,1384,1385,1386,1387,1388,1389,1390,1391,1392,1393,1394,216,1395,216,1050,1275,1396,1397,1045,216,1398,216,1399,1400,1401,216,1402,216,1403,216,1050,1404,1405,1406,1407,1408,1409,1045,216,1410,216,1411,1412,1413,1414,1415,216,1416,216,1417,216,1050,1418,216,1419,1420,1045,216,1421,1422,1423,1424,216,1425,216,1426,1427,1428,216,1050,1429,1045,216,1430,1431,216,1432,216,1050,1433,1434,1435,1436,1437,1438,1439,1440,1441,1442,1443,1444,1445,1446,1447,1448,1449,1450,1451,1452,1453,1454,1455,1456,1457,1458,1459,1460,1461,1462,1463,1464,1465,1466,1467,1468,1469,1470,1471,1472,1473,1474,1475,1476,1477,1478,216,1479,1480,216,1481,1482,1483,1484,1485,1486,1487,1488,1489,216,1490,1130,1491,1492,1132,1493,1494,1495,1496,216,1497,1498,216,1499,1500,216,1501,1502,216,1503,1504,1505,1506,216,216,1507,1508,1509,216,1510,1511,1512,216,1513,1514,1515,216,1516,1517,1518,216,1519,1520,216,1521,1522,216,1523,1524,216,1525,1526,216,1527,1409,216,1528,1529,1530,1531,1532,216,1533,216,1534,1535,216,1536,1537,1538,1539,216,1540,1541,216,1542,1543,1544,1545,216,1546,1547,216,1548,1549,216,1550,1551,216,1552,1553,1489,216,1554,1553,1406,1045,216,1555,1556,1557,1558,1559,1560,1561,1562,1563,1564,1565,1566,1567,1568,1569,1570,1571,1572,1573,1574,1575,1576,1577,1578,1579,1580,1581,1582,1583,1584,1585,1586,1587,1588,1589,1590,1591,1592,1593,1594,1595,1596,1597,1598,1599,1600,1601,1602,1603,1604,1605,1606,1607,1608,1609,1610,1611,1612,1613,1614,1615,1616,216,1617,216,1050,1618,1130,1619,1620,1132,216,1621,1622,1623,1045,216,1624,1625,1626,1627,1628,1629,1630,1631,216,1632,216,1050,1520,1522,1407,1409,1045,216,1633,1634,1635,1636,1637,1638],[2453],{"_1022":875,"_1023":1642,"_464":2454,"_1026":59},[1027,1644,1645,1027,216,1646,216,1647,216,1648,216,1649,216,1650,216,1651,1652,1653,1654,216,1655,216,1656,216,1657,1658,1659,1660,216,1661,216,1662,216,1663,1658,1664,1665,216,1666,216,1058,1667,1045,216,1668,216,1669,1670,1671,1672,1673,1674,1675,1676,1677,1678,1679,1680,1681,1682,1683,1684,1685,1686,1687,1688,1689,1045,216,1690,216,1691,1658,1692,1693,216,1666,216,1043,1694,1045,216,1695,216,1050,1696,1697,1698,1699,216,1126,1127,1700,1701,1702,216,1075,1045,216,1703,216,1704,1652,1705,1706,216,1707,216,1708,216,1709,1710,1711,1712,216,1713,216,1714,216,1715,1710,1716,1717,216,1718,216,1058,1719,1720,1045,216,1721,216,1058,1722,1723,1045,216,1724,216,1725,216,1726,1727,216,1728,216,1729,1730,1731,216,1732,216,1058,1733,1045,216,1734,216,1729,1730,1735,1736,1737,1738,1739,1740,1741,216,1732,216,1058,1742,1743,1744,1045,216,1745,216,1746,216,1747,216,1748,216,1749,1652,1750,1751,216,1752,216,1753,216,1754,1652,1755,1756,216,1757,216,1758,216,1759,216,1760,216,1761,1762,1763,1764,1765,1766,1767,1768,1769,1770,1771,1772,216,1773,216,1774,216,1761,1775,1776,1710,1777,1770,1778,1779,216,1780,216,1781,1782,1783,1784,1785,1786,1787,1788,1789,1790,1652,1791,1792,216,1793,216,1794,216,1761,1795,1796,1797,1710,1798,1799,216,1800,216,1801,1710,1802,1803,216,1804,216,1805,1710,1806,1807,216,1808,216,1761,1809,1810,1811,1766,1812,1813,1814,1770,1815,1816,216,1817],[2456],{"_1022":875,"_1023":1821,"_464":2457,"_1026":59},[1027,1823,1824,1027,216,1825,216,1826,216,1827,216,1828,216,1829,216,1830,216,1831,1832,1045,216,1833,216,1834,216,1835,216,1836,216,1837,1838,1839,1840,1841,216,1662,216,1842,216,1843,1844,1845,1846,1847,1848,1849,216,1850,216,1851,216,1852,216,1050,1275,1276,1853,1854,1855,1856,1857,1858,1312,1859,1313,1860,1314,1861,1862,1863,1864,1865,1866,1867,1868,216,1324,1869,1328,1870,1329,1871,1330,1872,1331,1873,1326,1045,216,1874,216,1875,1876,1877,1878,1879,1880,216,1881,216,1882,216,1883,216,1884,216,1885,216,1886,216,1887,216,1888,216,1889,216,1890,216,1831,1891,1892,1893,1894,1045,216,1895,216,1896,216,1897,216,1898,216,1899,216,1900,216,1662,216,1901,216,1843,1844,1902,1903,1904,1905,1906,1907,1908,1909,1910,1911,1912,1913,1914,1915,1916,216,1917,216,1918,216,1919,216,1920,216,1921,216,1922,1923,1924,1925,216,1926,216,1927,216,1928,216,1929,216,1930,216,1931,216,1932,216,1933,216,1934,216,1935,216,1936,216,1937,216,1938,216,1732,216,1050,1275,1276,1939,1940,1941,1045,216,1942,216,1943,216,1944,216,1945,216,1831,1946,1947,1948,1949,1950,1951,1952,1953,1947,1948,1949,1950,1951,1952,1954,1947,1948,1949,1950,1951,1952,1045,216,1955,216,1831,1956,1947,1957,1958,1959,1949,1950,1951,1952,1045,216,1960,216,1961,216,1962,216,1963,216,1964,216,1965,216,1058,1733,1045,216,1966,216,1967,216,1058,1968,1045,216,1969,216,1058,1742,1045,216,1970,216,1058,1971,1972,1045,216,1973,216,1974,216,1975,1976,1977,1978,1979],[2459,2460,2461,2462,2463,2464,2465,2466,2467,2468],{"_973":46,"_46":2006},{"_973":1992,"_169":1818,"_1022":2004,"_1023":2005},{"_973":1992,"_169":1818,"_1022":2002,"_1023":2003},{"_973":1992,"_169":1818,"_1022":2001,"_1023":1821},{"_973":46,"_46":2000},{"_973":1992,"_169":1639,"_1022":1998,"_1023":1999},{"_973":46,"_46":1997},{"_973":1992,"_169":1016,"_1022":1995,"_1023":1996},{"_973":1992,"_169":1016,"_1022":1993,"_1023":1994},{"_973":46,"_46":1991},[2863,2864,2865],[],{"_978":979,"_46":980,"_981":982},{"_953":2854},{"_356":2853},{"_356":2511},{"_321":322,"_312":323,"_324":325,"_326":15,"_327":59,"_328":59,"_329":330,"_331":332,"_333":284,"_334":128,"_335":336,"_337":130,"_338":339,"_340":-5,"_341":-5,"_342":2510,"_344":345,"_346":347,"_348":349,"_350":351},{"_42":124,"_210":211,"_212":213,"_214":15,"_215":216,"_217":218,"_219":2497,"_221":-5,"_222":-5,"_223":2498,"_225":2499,"_227":2500,"_229":2501,"_231":2502,"_233":2503,"_235":-5,"_236":237,"_238":239,"_240":241,"_242":2504,"_55":-5,"_120":244,"_245":2505,"_247":2506,"_249":250,"_251":15,"_252":15},{"_134":2492},[2479,2480,2481,2482,2483,2484,2485,2486,2487,2488,2489,2490,2491],{"_156":193,"_158":159,"_160":161,"_162":171,"_164":194,"_166":167,"_168":32,"_169":-5},{"_156":190,"_158":184,"_160":191,"_162":171,"_164":192,"_166":167,"_168":32,"_169":-5},{"_156":189,"_158":159,"_160":161,"_162":163,"_164":187,"_166":167,"_168":32,"_169":-5},{"_156":183,"_158":184,"_160":185,"_162":186,"_164":187,"_166":167,"_168":188,"_169":-5},{"_156":182,"_158":159,"_160":161,"_162":171,"_164":179,"_166":167,"_168":32,"_169":-5},{"_156":181,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":180,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":178,"_158":159,"_160":161,"_162":171,"_164":179,"_166":167,"_168":32,"_169":-5},{"_156":176,"_158":159,"_160":161,"_162":163,"_164":177,"_166":167,"_168":32,"_169":-5},{"_156":174,"_158":159,"_160":161,"_162":171,"_164":175,"_166":167,"_168":32,"_169":-5},{"_156":172,"_158":159,"_160":161,"_162":163,"_164":173,"_166":167,"_168":32,"_169":-5},{"_156":170,"_158":159,"_160":161,"_162":171,"_164":165,"_166":167,"_168":32,"_169":-5},{"_156":157,"_158":159,"_160":161,"_162":163,"_164":165,"_166":167,"_168":32,"_169":-5},[2493,2494],{"_198":2496,"_200":207},{"_198":2495,"_200":201},{"_202":203,"_93":204,"_120":205},{"_202":208,"_93":204,"_120":209},{"_314":315,"_316":69,"_317":-5,"_318":-5,"_319":-5,"_320":59},[274],[216],[216],{"_274":2507},{"_256":257,"_258":259,"_260":261,"_262":263,"_264":265,"_266":267,"_268":269,"_270":271,"_272":273},{},[],{"_255":59},{"_253":59,"_254":216},{"_42":276,"_202":277,"_278":2508,"_280":213,"_281":282,"_283":284,"_285":286,"_287":288,"_289":290,"_291":64,"_292":15,"_293":-5,"_294":-5,"_295":-5,"_296":-5,"_297":-5,"_298":-5,"_168":299,"_300":-5,"_55":2509},{"_306":307,"_42":308,"_93":309,"_310":311,"_312":313},{"_302":15,"_303":15,"_304":15,"_305":15},{"_306":352,"_202":352,"_353":-5,"_310":354,"_42":355},[2512,2513,2514,2515,2516,2517,2518,2519,2520,2521,2522,2523,2524,2525,2526,2527,2528,2529,2530,2531,2532,2533,2534,2535,2536,2537,2538,2539,2540,2541,2542,2543,2544,2545,2546,2547,2548,2549,2550,2551,2552,2553,2554,2555,2556,2557,2558,2559,2560,2561,2562,2563,2564,2565,2566,2567,2568,2569,2570,2571,2572,2573,2574,2575,2576,2577,2578,2579,2580,2581,2582,2583,2584,2585,2586,2587,2588,2589,2590,2591,2592],{"_162":930,"_440":2849},{"_162":455,"_440":2846},{"_162":920,"_440":2843},{"_162":459,"_440":2838},{"_162":459,"_440":2834},{"_162":459,"_440":2830},{"_162":474,"_440":2825},{"_162":474,"_440":2821},{"_162":459,"_440":2818},{"_162":459,"_440":2816},{"_162":474,"_440":2812},{"_162":459,"_440":2810},{"_162":474,"_440":2806},{"_162":459,"_440":2803},{"_162":459,"_440":2801},{"_162":474,"_440":2797},{"_162":459,"_440":2795},{"_162":459,"_440":2793},{"_162":474,"_440":2789},{"_162":459,"_440":2787},{"_162":474,"_440":2783},{"_162":459,"_440":2779},{"_162":459,"_440":2777},{"_162":474,"_440":2773},{"_162":459,"_440":2771},{"_162":474,"_440":2767},{"_162":459,"_440":2763},{"_162":459,"_440":2761},{"_162":474,"_440":2757},{"_162":459,"_440":2755},{"_162":474,"_440":2751},{"_162":459,"_440":2747},{"_162":459,"_440":2745},{"_162":474,"_440":2741},{"_162":459,"_440":2739},{"_162":459,"_440":2737},{"_162":474,"_440":2733},{"_162":459,"_440":2731},{"_162":474,"_440":2727},{"_162":459,"_440":2723},{"_162":459,"_440":2721},{"_162":474,"_440":2715},{"_162":459,"_440":2713},{"_162":474,"_440":2709},{"_162":459,"_440":2705},{"_162":459,"_440":2703},{"_162":459,"_440":2701},{"_162":474,"_440":2697},{"_162":459,"_440":2695},{"_162":459,"_440":2693},{"_162":474,"_440":2689},{"_162":474,"_440":2685},{"_162":459,"_440":2681},{"_162":459,"_440":2679},{"_162":459,"_440":2677},{"_162":474,"_440":2673},{"_162":474,"_440":2669},{"_162":459,"_440":2665},{"_162":459,"_440":2663},{"_162":474,"_440":2659},{"_162":459,"_440":2657},{"_162":474,"_440":2653},{"_162":459,"_440":2649},{"_162":459,"_440":2647},{"_162":474,"_440":2643},{"_162":459,"_440":2641},{"_162":459,"_440":2639},{"_162":474,"_440":2632},{"_162":459,"_440":2630},{"_162":474,"_440":2626},{"_162":459,"_440":2623},{"_162":459,"_440":2621},{"_162":474,"_440":2615},{"_162":459,"_440":2613},{"_162":459,"_440":2611},{"_162":474,"_440":2606},{"_162":459,"_440":2604},{"_162":474,"_440":2602},{"_162":459,"_440":2598},{"_162":455,"_440":2596},{"_162":439,"_440":2593},{"_442":443,"_88":2594},{"_445":446,"_447":448,"_104":-5,"_42":449,"_450":2595,"_452":453,"_454":114},[],{"_454":2597,"_442":443},{"_93":458},{"_461":2599,"_442":443,"_463":449},{"_464":2600,"_466":-5,"_42":-5,"_467":-5,"_468":469,"_97":94,"_93":470},[2601],{"_46":472,"_93":473},{"_461":2603,"_442":443,"_463":449},{"_42":477,"_468":469,"_46":472,"_93":478},{"_461":2605,"_442":443,"_463":449},{"_481":482,"_467":-5,"_483":484,"_93":485},{"_461":2607,"_442":443,"_463":449},{"_488":489,"_490":491,"_492":2608,"_494":495,"_447":32,"_496":32,"_42":482,"_497":498,"_499":500,"_454":114,"_93":501},[2609,2610],{"_490":508,"_202":509,"_169":510,"_93":507},{"_490":504,"_202":505,"_169":506,"_93":507},{"_461":2612,"_442":443,"_463":449},{"_513":514,"_481":482,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2614,"_442":443,"_463":449},{"_481":520,"_467":-5,"_483":521,"_93":485},{"_461":2616,"_442":443,"_463":449},{"_488":524,"_490":525,"_492":2617,"_494":495,"_447":32,"_496":32,"_42":520,"_497":527,"_499":500,"_454":114,"_93":501},[2618,2619,2620],{"_490":531,"_202":532,"_169":533,"_93":507},{"_490":504,"_202":505,"_169":506,"_93":507},{"_490":508,"_202":509,"_169":510,"_93":507},{"_461":2622,"_442":443,"_463":449},{"_513":536,"_481":520,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2624,"_442":443,"_463":449},{"_464":-5,"_539":540,"_42":-5,"_467":-5,"_541":2625,"_93":543},[],{"_461":2627,"_442":443,"_463":449},{"_464":2628,"_42":547,"_541":2629,"_93":543},[],[],{"_461":2631,"_442":443,"_463":449},{"_481":551,"_467":-5,"_483":552,"_93":485},{"_461":2633,"_442":443,"_463":449},{"_513":2634,"_447":556,"_104":-5,"_42":551,"_557":-5,"_558":-5,"_559":2635,"_561":562,"_454":114,"_563":562,"_93":564},{"_329":569,"_331":570},{"_565":-5,"_464":2636,"_567":2637},[2638],{"_329":569,"_331":570},{"_93":46,"_46":572},{"_461":2640,"_442":443,"_463":449},{"_513":575,"_481":551,"_42":-5,"_467":-5,"_202":562,"_516":576,"_93":517},{"_461":2642,"_442":443,"_463":449},{"_481":579,"_467":-5,"_483":580,"_93":485},{"_461":2644,"_442":443,"_463":449},{"_488":583,"_490":584,"_492":2645,"_494":495,"_447":32,"_496":32,"_42":579,"_497":586,"_499":500,"_454":114,"_93":501},[2646],{"_490":588,"_93":589},{"_461":2648,"_442":443,"_463":449},{"_513":592,"_481":579,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2650,"_442":443,"_463":449},{"_464":-5,"_539":595,"_42":-5,"_467":-5,"_541":2651,"_93":543},[2652],{"_46":598,"_93":599},{"_461":2654,"_442":443,"_463":449},{"_464":2655,"_42":603,"_541":2656,"_93":543},[],[598],{"_461":2658,"_442":443,"_463":449},{"_481":607,"_467":-5,"_483":608,"_93":485},{"_461":2660,"_442":443,"_463":449},{"_488":611,"_490":612,"_492":2661,"_494":495,"_447":32,"_496":32,"_42":607,"_497":614,"_499":500,"_454":114,"_93":501},[2662],{"_490":616,"_93":589},{"_461":2664,"_442":443,"_463":449},{"_513":619,"_481":607,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2666,"_442":443,"_463":449},{"_464":-5,"_539":622,"_42":-5,"_467":-5,"_541":2667,"_93":543},[2668],{"_46":625,"_93":599},{"_461":2670,"_442":443,"_463":449},{"_464":2671,"_42":629,"_541":2672,"_93":543},[],[625],{"_461":2674,"_442":443,"_463":449},{"_488":633,"_490":634,"_492":2675,"_494":495,"_447":636,"_496":32,"_42":637,"_497":638,"_499":500,"_454":114,"_93":501},[2676],{"_490":640,"_93":589},{"_461":2678,"_442":443,"_463":449},{"_481":637,"_467":-5,"_483":643,"_93":485},{"_461":2680,"_442":443,"_463":449},{"_513":646,"_481":637,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2682,"_442":443,"_463":449},{"_464":-5,"_539":649,"_42":-5,"_467":-5,"_541":2683,"_93":543},[2684],{"_46":652,"_93":599},{"_461":2686,"_442":443,"_463":449},{"_464":2687,"_42":656,"_541":2688,"_93":543},[],[652],{"_461":2690,"_442":443,"_463":449},{"_488":-5,"_490":660,"_492":2691,"_494":495,"_447":662,"_496":32,"_42":663,"_497":664,"_499":500,"_454":114,"_93":501},[2692],{"_490":666,"_93":589},{"_461":2694,"_442":443,"_463":449},{"_481":663,"_467":-5,"_483":669,"_93":485},{"_461":2696,"_442":443,"_463":449},{"_513":672,"_481":663,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2698,"_442":443,"_463":449},{"_488":-5,"_490":675,"_492":2699,"_494":495,"_447":677,"_496":32,"_42":678,"_497":679,"_499":500,"_454":114,"_93":501},[2700],{"_490":681,"_93":589},{"_461":2702,"_442":443,"_463":449},{"_481":678,"_467":-5,"_483":684,"_93":485},{"_461":2704,"_442":443,"_463":449},{"_513":687,"_481":678,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2706,"_442":443,"_463":449},{"_464":-5,"_539":690,"_42":-5,"_467":-5,"_541":2707,"_93":543},[2708],{"_46":693,"_93":599},{"_461":2710,"_442":443,"_463":449},{"_464":2711,"_42":697,"_541":2712,"_93":543},[],[693],{"_461":2714,"_442":443,"_463":449},{"_481":701,"_467":-5,"_483":702,"_93":485},{"_461":2716,"_442":443,"_463":449},{"_488":705,"_490":706,"_492":2717,"_494":495,"_447":32,"_496":32,"_42":701,"_497":708,"_499":500,"_454":114,"_93":501},[2718,2719,2720],{"_490":714,"_202":532,"_169":533,"_93":507},{"_490":713,"_202":505,"_169":506,"_93":507},{"_490":712,"_202":509,"_169":510,"_93":507},{"_461":2722,"_442":443,"_463":449},{"_513":717,"_481":701,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2724,"_442":443,"_463":449},{"_464":-5,"_539":720,"_42":-5,"_467":-5,"_541":2725,"_93":543},[2726],{"_46":723,"_93":599},{"_461":2728,"_442":443,"_463":449},{"_464":2729,"_42":727,"_541":2730,"_93":543},[],[723],{"_461":2732,"_442":443,"_463":449},{"_481":731,"_467":-5,"_483":732,"_93":485},{"_461":2734,"_442":443,"_463":449},{"_488":735,"_490":736,"_492":2735,"_494":495,"_447":32,"_496":32,"_42":731,"_497":738,"_499":500,"_454":114,"_93":501},[2736],{"_490":740,"_202":741,"_169":742,"_93":507},{"_461":2738,"_442":443,"_463":449},{"_513":745,"_481":731,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2740,"_442":443,"_463":449},{"_481":748,"_467":-5,"_483":749,"_93":485},{"_461":2742,"_442":443,"_463":449},{"_488":752,"_490":753,"_492":2743,"_494":495,"_447":32,"_496":32,"_42":748,"_497":755,"_499":500,"_454":114,"_93":501},[2744],{"_490":757,"_93":589},{"_461":2746,"_442":443,"_463":449},{"_513":760,"_481":748,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2748,"_442":443,"_463":449},{"_464":-5,"_539":763,"_42":-5,"_467":-5,"_541":2749,"_93":543},[2750],{"_46":766,"_93":599},{"_461":2752,"_442":443,"_463":449},{"_464":2753,"_42":770,"_541":2754,"_93":543},[],[766],{"_461":2756,"_442":443,"_463":449},{"_481":774,"_467":-5,"_483":775,"_93":485},{"_461":2758,"_442":443,"_463":449},{"_488":778,"_490":779,"_492":2759,"_494":495,"_447":32,"_496":32,"_42":774,"_497":781,"_499":500,"_454":114,"_93":501},[2760],{"_490":783,"_93":589},{"_461":2762,"_442":443,"_463":449},{"_513":786,"_481":774,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2764,"_442":443,"_463":449},{"_464":-5,"_539":789,"_42":-5,"_467":-5,"_541":2765,"_93":543},[2766],{"_46":792,"_93":599},{"_461":2768,"_442":443,"_463":449},{"_464":2769,"_42":796,"_541":2770,"_93":543},[],[792],{"_461":2772,"_442":443,"_463":449},{"_481":800,"_467":-5,"_483":801,"_93":485},{"_461":2774,"_442":443,"_463":449},{"_488":804,"_490":805,"_492":2775,"_494":495,"_447":32,"_496":32,"_42":800,"_497":807,"_499":500,"_454":114,"_93":501},[2776],{"_490":809,"_93":589},{"_461":2778,"_442":443,"_463":449},{"_513":812,"_481":800,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2780,"_442":443,"_463":449},{"_464":-5,"_539":815,"_42":-5,"_467":-5,"_541":2781,"_93":543},[2782],{"_46":818,"_93":599},{"_461":2784,"_442":443,"_463":449},{"_464":2785,"_42":822,"_541":2786,"_93":543},[],[818],{"_461":2788,"_442":443,"_463":449},{"_481":826,"_467":-5,"_483":827,"_93":485},{"_461":2790,"_442":443,"_463":449},{"_488":830,"_490":831,"_492":2791,"_494":495,"_447":347,"_496":32,"_42":826,"_497":833,"_499":500,"_454":114,"_93":501},[2792],{"_490":835,"_93":589},{"_461":2794,"_442":443,"_463":449},{"_513":838,"_481":826,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2796,"_442":443,"_463":449},{"_481":841,"_467":-5,"_483":842,"_93":485},{"_461":2798,"_442":443,"_463":449},{"_488":-5,"_490":845,"_492":2799,"_494":495,"_447":32,"_496":32,"_42":841,"_497":847,"_499":500,"_454":114,"_93":501},[2800],{"_490":849,"_169":850,"_851":852,"_93":853},{"_461":2802,"_442":443,"_463":449},{"_513":856,"_481":841,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2804,"_442":443,"_463":449},{"_464":-5,"_539":859,"_42":-5,"_467":-5,"_541":2805,"_93":543},[],{"_461":2807,"_442":443,"_463":449},{"_464":2808,"_42":864,"_541":2809,"_93":543},[],[],{"_461":2811,"_442":443,"_463":449},{"_481":868,"_467":-5,"_483":869,"_93":485},{"_461":2813,"_442":443,"_463":449},{"_488":872,"_490":873,"_492":2814,"_494":495,"_447":32,"_496":875,"_42":868,"_497":876,"_499":500,"_454":877,"_93":501},[2815],{"_490":879,"_93":589},{"_461":2817,"_442":443,"_463":449},{"_513":882,"_481":868,"_42":-5,"_467":-5,"_202":515,"_516":-5,"_93":517},{"_461":2819,"_442":443,"_463":449},{"_464":-5,"_539":885,"_42":-5,"_467":-5,"_541":2820,"_93":543},[],{"_461":2822,"_442":443,"_463":449},{"_464":2823,"_42":890,"_541":2824,"_93":543},[],[],{"_461":2826,"_442":443,"_463":449},{"_894":-5,"_464":2827,"_42":896,"_93":897},[2828],{"_46":899,"_900":2829,"_93":46},[],{"_461":2831,"_442":443,"_463":449},{"_464":2832,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":342,"_93":470},[2833],{"_46":899,"_93":906},{"_461":2835,"_442":443,"_463":449},{"_464":2836,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":342,"_93":470},[2837],{"_46":911,"_93":906},{"_461":2839,"_442":443,"_463":449},{"_464":2840,"_466":-5,"_42":-5,"_467":-5,"_468":-5,"_97":915,"_93":470},[2841,2842],{"_46":919,"_93":906},{"_46":918,"_93":906},{"_442":443,"_88":2844},{"_104":-5,"_42":449,"_450":2845,"_452":453,"_454":924},[],{"_454":2847,"_442":443},{"_927":2848,"_93":929},[],{"_932":2850},{"_934":-5,"_935":-5,"_936":937,"_938":453,"_494":495,"_939":15,"_940":-5,"_941":-5,"_42":443,"_942":943,"_202":-5,"_944":-5,"_169":945,"_946":216,"_499":947,"_454":2851,"_949":-5,"_78":2852,"_951":453},{"_93":458},[],[],[2855],{"_42":956,"_957":2856,"_959":960,"_961":960,"_464":2857,"_454":963,"_466":-5,"_964":32,"_467":2858,"_966":967,"_968":-5},{"_97":342,"_202":-5,"_467":2862},{"_973":46,"_974":2861},{"_969":2859},{"_971":2860},[],[976],{},{"_93":470,"_97":94,"_464":2882},{"_93":1010,"_1011":2869},{"_93":986,"_987":988,"_989":990,"_991":2866,"_993":-5},{"_93":991,"_994":213,"_129":130,"_995":-5,"_341":996,"_997":2867,"_999":347,"_1000":1001,"_1002":1003,"_1004":569,"_1005":2868},{"_1007":1008,"_1009":-5},[],[2870,2871,2872],{"_169":1818,"_1017":-5,"_1018":2879,"_1020":-5},{"_169":1639,"_1017":-5,"_1018":2876,"_1020":-5},{"_169":1016,"_1017":-5,"_1018":2873,"_1020":-5},[2874],{"_1022":875,"_1023":1024,"_464":2875,"_1026":59},[1027,1028,1029,1030,1027,216,1031,216,1032,216,1033,1034,1035,1036,216,1037,1038,216,1039,216,1040,216,1041,1042,216,1043,1044,1045,216,1046,216,1047,216,1048,1049,216,1050,1051,1052,1053,1045,216,1054,216,1055,1056,1045,216,1057,216,1058,1059,1045,216,1060,216,1061,1062,216,1063,1064,1065,1066,1067,216,1068,216,1069,1070,216,1071,216,216,1072,216,1073,1074,216,1050,1075,1051,1076,1075,1045,216,1077,216,1045,1078,1045,216,1079,216,1080,216,1081,1082,1083,1084,216,1085,216,1086,216,1045,1087,1045,216,1088,216,1089,216,1090,216,1091,1092,216,1050,1093,1094,1095,216,1096,1097,1098,1045,216,1099,1100,1101,1102,216,1103,216,1104,1105,1106,216,1107,216,1050,1108,1109,1110,216,1111,1112,1045,216,1113,1114,1115,1116,216,1117,216,1118,216,1119,1120,1121,216,1122,1123,1124,1125,216,1050,1126,1127,1128,1129,216,1130,1131,1132,216,1133,1134,1135,1136,216,1137,1138,1139,1140,216,1141,1134,1142,1136,216,1143,1138,1139,1140,216,1144,1134,216,1145,1134,1146,1147,1148,216,1149,1134,1150,1151,1152,1153,1154,1155,1045,216,1156,216,1157,1158,1159,1160,1161,1162,1163,1164,1165,1166,1167,1168,1169,1170,1171,1172,1173,1174,1175,1176,1177,1178,1179,1180,1181,1182,1183,1184,1185,1186,1187,1188,1172,216,1189,216,1190,1191,1192,1193,1194,1195,1196,216,1197,216,1198,216,1199,216,1200,1201,1202,216,1203,216,1050,1204,1205,1045,216,1206,216,1207,216,1208,216,1209,1210,1211,1212,1213,1214,1215,1216,1217,1218,1219,1220,1221,1222,1223,1224,1225,1226,1227,1228,1229,1230,1231,1232,1233,1234,1235,1236,1237,1238,1239,1240,1241,1242,1243,1244,1245,216,1246,216,1050,1051,1052,1053,1045,216,1247,216,1050,1051,1248,1249,1250,1251,1252,1045,216,1253,216,1254,216,1255,216,1256,1257,1258,1259,1260,1261,216,1262,216,1263,216,1050,1264,1265,1266,1248,1249,1250,1251,1252,216,1265,1267,1268,1249,1250,1269,1045,216,1270,216,1271,216,1272,216,1273,216,1274,216,1050,1275,1276,216,1277,1278,1279,1045,216,1280,216,1281,216,216,1282,216,1283,216,216,1284,216,1285,216,1050,1286,1287,1288,1289,1290,1291,1292,1293,1045,216,1294,1295,1296,1297,1298,1299,216,1300,216,1301,216,1302,216,1303,216,1050,1275,1276,1304,1305,1306,1307,1308,1309,1310,1311,1312,1313,1314,1315,1316,1317,1318,1319,1320,1321,1322,1323,216,1324,1325,1326,1327,1328,1329,1330,1331,216,1332,1333,1334,1335,1336,1337,216,1338,1339,1045,216,1340,216,1050,1338,1341,1342,1343,1344,1045,216,1345,216,1346,1347,1348,1349,1350,1351,1352,1353,1354,1355,1356,1357,1358,1359,1360,1361,1362,1363,1364,1365,1366,1367,1368,1369,1370,1371,1372,1373,1374,1375,1376,1377,1378,1379,1380,1381,1382,1383,1384,1385,1386,1387,1388,1389,1390,1391,1392,1393,1394,216,1395,216,1050,1275,1396,1397,1045,216,1398,216,1399,1400,1401,216,1402,216,1403,216,1050,1404,1405,1406,1407,1408,1409,1045,216,1410,216,1411,1412,1413,1414,1415,216,1416,216,1417,216,1050,1418,216,1419,1420,1045,216,1421,1422,1423,1424,216,1425,216,1426,1427,1428,216,1050,1429,1045,216,1430,1431,216,1432,216,1050,1433,1434,1435,1436,1437,1438,1439,1440,1441,1442,1443,1444,1445,1446,1447,1448,1449,1450,1451,1452,1453,1454,1455,1456,1457,1458,1459,1460,1461,1462,1463,1464,1465,1466,1467,1468,1469,1470,1471,1472,1473,1474,1475,1476,1477,1478,216,1479,1480,216,1481,1482,1483,1484,1485,1486,1487,1488,1489,216,1490,1130,1491,1492,1132,1493,1494,1495,1496,216,1497,1498,216,1499,1500,216,1501,1502,216,1503,1504,1505,1506,216,216,1507,1508,1509,216,1510,1511,1512,216,1513,1514,1515,216,1516,1517,1518,216,1519,1520,216,1521,1522,216,1523,1524,216,1525,1526,216,1527,1409,216,1528,1529,1530,1531,1532,216,1533,216,1534,1535,216,1536,1537,1538,1539,216,1540,1541,216,1542,1543,1544,1545,216,1546,1547,216,1548,1549,216,1550,1551,216,1552,1553,1489,216,1554,1553,1406,1045,216,1555,1556,1557,1558,1559,1560,1561,1562,1563,1564,1565,1566,1567,1568,1569,1570,1571,1572,1573,1574,1575,1576,1577,1578,1579,1580,1581,1582,1583,1584,1585,1586,1587,1588,1589,1590,1591,1592,1593,1594,1595,1596,1597,1598,1599,1600,1601,1602,1603,1604,1605,1606,1607,1608,1609,1610,1611,1612,1613,1614,1615,1616,216,1617,216,1050,1618,1130,1619,1620,1132,216,1621,1622,1623,1045,216,1624,1625,1626,1627,1628,1629,1630,1631,216,1632,216,1050,1520,1522,1407,1409,1045,216,1633,1634,1635,1636,1637,1638],[2877],{"_1022":875,"_1023":1642,"_464":2878,"_1026":59},[1027,1644,1645,1027,216,1646,216,1647,216,1648,216,1649,216,1650,216,1651,1652,1653,1654,216,1655,216,1656,216,1657,1658,1659,1660,216,1661,216,1662,216,1663,1658,1664,1665,216,1666,216,1058,1667,1045,216,1668,216,1669,1670,1671,1672,1673,1674,1675,1676,1677,1678,1679,1680,1681,1682,1683,1684,1685,1686,1687,1688,1689,1045,216,1690,216,1691,1658,1692,1693,216,1666,216,1043,1694,1045,216,1695,216,1050,1696,1697,1698,1699,216,1126,1127,1700,1701,1702,216,1075,1045,216,1703,216,1704,1652,1705,1706,216,1707,216,1708,216,1709,1710,1711,1712,216,1713,216,1714,216,1715,1710,1716,1717,216,1718,216,1058,1719,1720,1045,216,1721,216,1058,1722,1723,1045,216,1724,216,1725,216,1726,1727,216,1728,216,1729,1730,1731,216,1732,216,1058,1733,1045,216,1734,216,1729,1730,1735,1736,1737,1738,1739,1740,1741,216,1732,216,1058,1742,1743,1744,1045,216,1745,216,1746,216,1747,216,1748,216,1749,1652,1750,1751,216,1752,216,1753,216,1754,1652,1755,1756,216,1757,216,1758,216,1759,216,1760,216,1761,1762,1763,1764,1765,1766,1767,1768,1769,1770,1771,1772,216,1773,216,1774,216,1761,1775,1776,1710,1777,1770,1778,1779,216,1780,216,1781,1782,1783,1784,1785,1786,1787,1788,1789,1790,1652,1791,1792,216,1793,216,1794,216,1761,1795,1796,1797,1710,1798,1799,216,1800,216,1801,1710,1802,1803,216,1804,216,1805,1710,1806,1807,216,1808,216,1761,1809,1810,1811,1766,1812,1813,1814,1770,1815,1816,216,1817],[2880],{"_1022":875,"_1023":1821,"_464":2881,"_1026":59},[1027,1823,1824,1027,216,1825,216,1826,216,1827,216,1828,216,1829,216,1830,216,1831,1832,1045,216,1833,216,1834,216,1835,216,1836,216,1837,1838,1839,1840,1841,216,1662,216,1842,216,1843,1844,1845,1846,1847,1848,1849,216,1850,216,1851,216,1852,216,1050,1275,1276,1853,1854,1855,1856,1857,1858,1312,1859,1313,1860,1314,1861,1862,1863,1864,1865,1866,1867,1868,216,1324,1869,1328,1870,1329,1871,1330,1872,1331,1873,1326,1045,216,1874,216,1875,1876,1877,1878,1879,1880,216,1881,216,1882,216,1883,216,1884,216,1885,216,1886,216,1887,216,1888,216,1889,216,1890,216,1831,1891,1892,1893,1894,1045,216,1895,216,1896,216,1897,216,1898,216,1899,216,1900,216,1662,216,1901,216,1843,1844,1902,1903,1904,1905,1906,1907,1908,1909,1910,1911,1912,1913,1914,1915,1916,216,1917,216,1918,216,1919,216,1920,216,1921,216,1922,1923,1924,1925,216,1926,216,1927,216,1928,216,1929,216,1930,216,1931,216,1932,216,1933,216,1934,216,1935,216,1936,216,1937,216,1938,216,1732,216,1050,1275,1276,1939,1940,1941,1045,216,1942,216,1943,216,1944,216,1945,216,1831,1946,1947,1948,1949,1950,1951,1952,1953,1947,1948,1949,1950,1951,1952,1954,1947,1948,1949,1950,1951,1952,1045,216,1955,216,1831,1956,1947,1957,1958,1959,1949,1950,1951,1952,1045,216,1960,216,1961,216,1962,216,1963,216,1964,216,1965,216,1058,1733,1045,216,1966,216,1967,216,1058,1968,1045,216,1969,216,1058,1742,1045,216,1970,216,1058,1971,1972,1045,216,1973,216,1974,216,1975,1976,1977,1978,1979],[2883,2884,2885,2886,2887,2888,2889,2890,2891,2892],{"_973":46,"_46":2006},{"_973":1992,"_169":1818,"_1022":2004,"_1023":2005},{"_973":1992,"_169":1818,"_1022":2002,"_1023":2003},{"_973":1992,"_169":1818,"_1022":2001,"_1023":1821},{"_973":46,"_46":2000},{"_973":1992,"_169":1639,"_1022":1998,"_1023":1999},{"_973":46,"_46":1997},{"_973":1992,"_169":1016,"_1022":1995,"_1023":1996},{"_973":1992,"_169":1016,"_1022":1993,"_1023":1994},{"_973":46,"_46":1991},[2895,2896,2897],{"_2016":2017,"_280":213,"_2018":322,"_291":-5,"_994":274,"_2019":-5,"_2020":2021,"_2022":2023,"_2024":-5,"_2025":-5,"_2026":2027,"_2028":15,"_2029":59,"_2030":54,"_2031":15},{"_93":470,"_97":342,"_464":2898},{"_329":330,"_331":332,"_2039":336,"_2040":130,"_338":-5,"_93":2041},{"_93":2035,"_331":2036,"_169":-5,"_2037":-5,"_2038":-5},[2899],{"_973":46,"_46":2044},"task_e_6a3a964731848329b508a8d05829ea44",1782224455.193658,"GitHub Mention: docs: improve performance tuning and profiling guidance","has_generated_title","has_unread_turn","denormalized_metadata",{"_2932":32,"_2933":2934,"_2935":-5,"_2936":-5,"_2926":2937,"_2938":-5,"_2939":-5,"_2940":-5,"_2941":-5},"task_status_display",{"_2920":2921,"_2922":213,"_131":128,"_2923":-5,"_2924":986},"creator_workspace","external_pull_requests",[2912],{"_42":2913,"_2914":84,"_2915":2916,"_2917":2918},"github-556677627-2581","assistant_turn_id","pull_request",{"_321":322,"_312":323,"_324":325,"_326":15,"_327":59,"_328":59,"_329":330,"_331":332,"_333":284,"_334":128,"_335":336,"_337":130,"_338":339,"_340":-5,"_341":-5,"_342":2919,"_344":345,"_346":347,"_348":349,"_350":351},"codex_updated_sha","17eccd4015662244b95850e626f194efee508df3",{"_306":352,"_202":352,"_353":-5,"_310":354,"_42":355},"latest_turn_status_display",{"_2925":84,"_113":114,"_2926":2927,"_95":2928,"_2929":-5,"_2930":-5,"_2931":986,"_115":-5},"environment_label","fix_task_id","initial_intent","turn_id","diff_stats",{"_999":347,"_1000":1001,"_1002":1003},[],"image_asset_pointer_citations","issue_counts","intent","num_follow_ups","repo_name_map",{},"last_user_turn_created_at","last_turn_status",{"_999":-5,"_1000":-5,"_1002":-5},"last_pushed_turn_id","start_branch_name","pushed_branch_name","cached_pull_request_data","dd",{"_2953":2954,"_2955":2956},"disablePrefetch","shouldPrefetchAccount","shouldPrefetchUser","shouldPrefetchSystemHints","promoteCss","disableSSR","stripModulepreloadImports","statsigGateEvaluationsPromise",["P",2952],"traceId","663785085073696115","traceTime",1782246698619]