Contexte et besoin d'analytique en temps réel
Les applications de finance, de trading ou de monitoring d'IoT exigent des flux de données continus et des requêtes instantanées. Un retard de quelques minutes peut rendre les résultats obsolètes, d'où la nécessité d'une plateforme capable d’ingérer des volumes massifs tout en conservant des temps de réponse de l’ordre de la seconde. Le texte indique que le workload CostBench repose sur l’ingestion de 113,2 milliards de cotations boursières, un volume typique des systèmes de marché en temps réel.
Benchmark ClickHouse Cloud vs Databricks Serverless SQL
Dans le même scénario, ClickHouse Cloud a affiché une amélioration de 752× du rapport performance‑coût par rapport à Databricks Serverless SQL. Cette mesure combine le temps d’exécution total (ingestion + requête) et le coût facturé, ce qui montre que chaque dollar dépensé génère 752 fois plus de travail utile. Un client nommé Bullet a observé le passage d’une latence de mise à jour de 1–2 heures à moins de 5 secondes après migration, confirmant la valeur pratique du gain mesuré.
Le facteur de performance provient de plusieurs caractéristiques propres à ClickHouse : stockage en colonnes optimisé pour la compression, exécution vectorisée qui exploite les SIMD du processeur, et un moteur de requêtes distribué capable de paralléliser les scans sur plusieurs nœuds. Le modèle de facturation « pay‑as‑you‑go » de ClickHouse Cloud facture principalement le temps CPU et le stockage utilisé, alors que Databricks Serverless SQL ajoute des frais de gestion de clusters et de métadonnées, gonflant le coût total pour des charges similaires.
Implications architecturales et limites
Le gain de 752× implique que les architectures basées sur ClickHouse Cloud peuvent réduire le nombre de nœuds nécessaires, diminuer la consommation énergétique et libérer du budget pour d’autres services (ex. : enrichissement de données). Cependant, la performance dépend fortement de la structuration des tables (partitionnement, index de données) et de la nature des requêtes : les agrégations simples tirent parti du moteur column‑oriented, tandis que les jointures complexes peuvent rester coûteuses.
Le débit d’ingestion de 113,2 milliards de lignes montre que le service supporte un taux d’écriture soutenu, mais il faut surveiller la latence d’écriture en cas de pics de trafic, car le système repose sur le réseau du cloud public. De plus, le modèle de facturation à la seconde peut introduire des coûts imprévus si les requêtes sont mal optimisées ou si des scans complets sont déclenchés par des filtres non sélectifs.
En résumé, le benchmark met en évidence une supériorité économique et technique de ClickHouse Cloud pour les workloads d’analytique en temps réel à grande échelle, à condition de concevoir les schémas de données et les requêtes en accord avec les forces du moteur column‑oriented.
