Análise de Desempenho em Banco de Dados Temporais Aplicado no Cenário de Dados de Potência Elétrica

• Vitor O. Santos Universidade Tecnológica Federal do Paraná (UTFPR)
• Viviane Dal Molin Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0002-7602-723X
• Jefferson Tales Oliva Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0003-1574-1293
• Ives Renê Venturini Pola Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0001-7300-7535

DOI: https://doi.org/10.5753/sbbd.2024.240532

Resumo

Este estudo avalia o desempenho de três sistemas gerenciadores bancos de dados temporais (SGBDTs) -- TimescaleDB, TDengine e Druid -- no gerenciamento de dados de energia elétrica. Por meio de testes de leitura e de escrita, os resultados indicam que, embora nenhuma solução supere as outras em todos os testes, cada uma oferece vantagens únicas dependendo das exigências específicas de carga de trabalho. O TimescaleDB sobressaiu em ambientes de alta concorrência, o TDengine é mais eficiente em cenários com menores necessidades de gestão de dados relacionais complexos, e o Druid é mais adequado para situações onde o desempenho de consultas analíticas é crucial.

Palavras-chave: Sistema Gerenciador de Banco de Dados, Testes, Séries Temporais

Referências

Allen, A., Singh, M., and Muljadi, E. (2014). PMU Data Event Detection: A User Guide for Power Engineers, 2014. - [link]. National Renewable Energy Laboratory.

Bader, A., Kopp, O., and Falkenthal, M. (2017). Survey and Comparison of Open Source Time Series Databases. In Datenbanksysteme für Business, Technologie und Web (BTW 2017) - Workshopband, pages 249–268. Gesellschaft für Informatik e.V., Bonn.

Cooper, B. F., Silberstein, A., Tam, E., Ramakrishnan, R., and Sears, R. (2010). Benchmarking Cloud Serving Systems with YCSB. In Proceedings of the 1st ACM Symposium on Cloud Computing, SoCC ’10, page 143–154, New York, NY, USA. Association for Computing Machinery.

Esling, P. and Agon, C. (2012). Time-Series Data Mining. ACM Comput. Surv.

Hao, Y., Qin, X., Chen, Y., Li, Y., Sun, X., Tao, Y., Zhang, X., and Du, X. (2021). TS-Benchmark: A Benchmark for Time Series Databases. 2021 IEEE 37th International Conference on Data Engineering (ICDE).

Liu, Q., Huang, Y., Guan, K., Xiong, L., Zhang, J., Fan, W., and Guan, R. (2024). Design of High Voltage Power Management System Based on IoTDB Time Series Database. 2024 IEEE 4th International Conference on Power, Electronics and Computer Applications (ICPECA).

Liu, R. and Yuan, J. (2019). Benchmarking Time Series Databases with IoTDB-Benchmark for IoT Scenarios. arXiv e-prints.

Mostafa, J., Wehbi, S., Chilingaryan, S., and Kopmann, A. (2022). SciTS: A Benchmark for Time-Series Databases in Scientific Experiments and Industrial Internet of Things. arXiv e-prints.

solid, I. (2024). DB-engine ranking - popularity ranking of time series DBMS.

Statista (2024). Internet of Things (IoT) connected devices installed base worldwide from 2015 to 2025.

Sychev, I., Abdelkader, A., Kozak, W., Bonetto, R., and Fitzek, F. H. P. (2020). Closed Loop Benchmark for Timeseries Databases. 2020 IEEE 17th Annual Consumer Communications & Networking Conference (CCNC).

Taipalus, T. (2024). Database management system performance comparisons: A systematic literature review. Journal of Systems and Software, 208:111872.

Visperas, L. K. and Chodpathumwan, Y. (2021). Time-Series Database Benchmarking Framework for Power Measurement Data. 2021 Research, Invention, and Innovation Congress: Innovation Electricals and Electronics (RI2C).