대규모 시계열 데이터 마이그레이션을 위한 MongoDB와 InfluxDB 성능 비교 연구
A Comparative Performance Study of MongoDB and InfluxDB for Large-Scale Time-Series Data Migration
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 대규모 시계열 데이터 환경에서 MongoDB와 InfluxDB의 쓰기 성능 및 지연 특성을 비교·분석하였다. 최근 IoT 및 로그 분석 응용에서는 초당 수백만 건의 이벤트 처리가 요구되며, 기존 관계형 데이터베이스는 이러한고부하 환경을 효과적으로 처리하기 어렵다. 본 연구에서는 고성능 병렬 처리를 지원하는 Go 언어를 사용하여 부하발생기를 구현하였으며, 이를 통해 초당 수십만~수백만 건의 쓰기 부하를 안정적으로 재현하였다. 또한 MongoDB의낮은 내구성 옵션인 Write Concern w:1(Primary만 기록 확인)과 강한 내구성을 요구하는 w:majority(Replica Set 과반수 확인) 설정을 포함한 네 가지 시나리오를 동일한 조건에서 평가하였다. 실험 결과, InfluxDB는 평균 1.54M TPS와 p95 지연 243ms를 기록하며 MongoDB 대비 약 3배 높은 처리량을 보였다. MongoDB는 Write Concern 수준이 높아질수록 복제 확인 과정으로 인해 지연이 증가하였다. 본 연구는 TSDB의 구조적 장점과 데이터베이스 선택및 튜닝 전략에 대한 실질적 시사점을 제공한다.
Abstract
This study compares the write throughput and latency characteristics of MongoDB and InfluxDB in large-scale time-series data environments. Modern IoT and log analytics systems increasingly require processing millions of events per second, which traditional relational databases struggle to support efficiently. To reproduce such high-load environments accurately, we implemented a load generator using the Go programming language, which provides lightweight concurrency and efficient parallel execution, enabling stable generation of hundreds of thousands to millions of write operations per second. Four scenarios were evaluated under identical conditions, including MongoDB’s low-durability Write Concern w:1 (acknowledgment only from the primary node) and the stronger durability setting w:majority (acknowledgment from a majority of replica-set members). Experimental results show that InfluxDB achieved 1.54M TPS with a p95 latency of 243 ms, approximately three times higher throughput than MongoDB. MongoDB exhibited increased latency as Write Concern levels strengthened due to replication acknowledgment overhead. These findings highlight the architectural advantages of InfluxDB for high-throughput time-series workloads and offer practical guidance for database selection and tuning in large-scale log and IoT systems.