PostgreSQL集群在Hetzner云上的存储性能对比分析
2025-06-30 09:55:18作者:翟江哲Frasier
在构建PostgreSQL数据库集群时,存储性能是影响整体系统表现的关键因素之一。本文基于vitabaks/postgresql_cluster项目的实际测试数据,对比分析了Hetzner云平台上本地SSD存储与附加卷(Volume)的性能差异,为数据库架构设计提供参考依据。
测试环境配置
测试在Hetzner云的CCX23实例上进行,该实例配置为:
- 4个专用CPU核心
- 16GB内存
- 本地SSD存储
- 附加卷存储(Volume)
测试工具使用PostgreSQL自带的pgbench工具,这是一种常用的数据库性能基准测试工具,特别适合评估TPC-B类型工作负载下的数据库性能。
性能测试结果对比
本地SSD存储表现
在本地SSD存储上运行pgbench测试,获得了以下结果:
- 平均延迟:2.069毫秒
- 事务处理能力(TPS):4834.33
附加卷存储表现
在附加卷存储上运行相同的测试,结果如下:
- 平均延迟:5.691毫秒
- 事务处理能力(TPS):1757.12
性能差异分析
从测试数据可以看出,使用附加卷存储相比本地SSD存储存在明显的性能差距:
- 延迟增加了约175%
- 事务处理能力下降了约73%
这种性能差异主要源于两种存储架构的本质区别:
- 本地SSD存储:直接连接到计算节点,提供低延迟、高吞吐的存储访问
- 附加卷存储:通过网络连接,虽然提供了灵活的存储扩展能力,但引入了额外的网络延迟和协议开销
架构设计建议
根据测试结果,对于PostgreSQL集群的存储选择,建议考虑以下因素:
- 性能优先场景:当数据库工作负载对延迟敏感或需要高吞吐时,应优先使用本地SSD存储
- 容量扩展需求:当数据量超过本地存储容量时,可考虑使用附加卷存储,但需要接受性能折衷
- 混合架构:对于关键性能路径(如WAL日志)使用本地SSD,其他数据使用附加卷
值得注意的是,项目团队计划在未来版本中增加"专家模式",允许用户灵活选择存储类型和数据目录路径,这将为用户提供更多存储配置选项,帮助在不同需求场景下做出最优选择。
结论
在Hetzner云平台上部署PostgreSQL集群时,存储类型的选择会显著影响数据库性能。本地SSD存储提供了最佳性能,而附加卷存储则在容量灵活性方面具有优势。架构师应根据具体应用场景的性能需求和存储容量要求,权衡选择最合适的存储方案。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
135
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218