1.TPC概述
TPC , Transaction Processing Performance Council，是一个非盈利组织，成立于1988年，这个组织主要的功能是定义事务处理、数据库的基准，这个基准用于评估服务器的性能，并且把服务器评估的结果发布在TPC的官方网站上。简单的讲TPC就是系统评测皇家科学院。
在数据库选型、新系统上线时，常常需要对数据库性能进行测试。数据库性能测试的工具有很多，比如常见的sysbench，但sysbench只能进行单表的压测，不能模拟接近生产系统的复杂的业务模型。
绝大部分数据库产品在发布时都会进行TPC压力测试。
针对数据库不同的使用场景，TPC组织发布了多项测试标准，其中被业界广泛接受和使用的有TPC-C、TPC-H和TPC-DS。其中，TPC-C主要是针对OLTP数据库进行性能测试，而TPC-H和TPC-DS主要是针对OLAP数据库进行测试。
TPC的官方网站在这里http://tpc.org，在主页上飘着一行小字：The TPC is a non-profit corporation focused on developing data-centric benchmark standards and disseminating objective, verifyable data to the industry. TPC起到两个作用：1. 创造不错的benchmark，2. 创造一个不错的review流程。好的benchmark就像是好的法律，而好的review流程就像是警察，律师，法官这样的角色。因为不管benchmark的细节做到多么细致，总有些所谓的"灰色地带"，而好的review流程就可以比较好地处理这些问题。
2.TPC-C
TPC-C是业界常用的一套benchmark，由TPC委员会制定发布，用于评测数据库的联机交易处理（OLTP）能力。主要涉及10张表，包含五类业务事务模型（NewOrder–新订单的生成、Payment–订单付款、OrderStatus–最近订单查询、Delivery–配送、StockLevel–库存缺货状态分析）。
2.1.TPC-C事务模型
TPC-C需要处理的交易事务主要为以下几种：
（1）新订单（New-Order） ：客户输入一笔新的订货交易；
（2）支付操作（Payment） ：更新客户帐户余额以反映其支付状况；
（3）发货（Delivery） ：发货（模拟批处理交易）；
（4）订单状态查询（Order-Status） ：查询客户最近交易的状态；
（5）库存状态查询（Stock-Level） ：查询仓库库存状况，以便能够及时补货。
2.2.TPC-C性能衡量指标tpmC
TPC-C通过tpmC值（Transactions per Minute）来衡量系统最大有效吞吐量（MQTh，Max Qualified Throughput），其中Transactions以NewOrder Transaction为准，即最终衡量单位为每分钟处理的新订单数。
流量指标(Throughput，简称tpmC)：按照TPC组织的定义，流量指标描述了系统在执行支付操作、订单状态查询、发货和库存状态查询这4种交易的同时，每分钟可以处理多少个新订单交易。所有交易的响应时间必须满足TPC-C测试规范的要求，且各种交易数量所占的比例也应该满足TPC-C测试规范的要求。在这种情况下，流量指标值越大说明系统的联机事务处理能力越高。
2.3.TPC-C表模型
TPC-C表模型如下图所示：
依据TPC-C模型，有很多不同的测试工具，如Percorna公司的TPCC-MYSQL, BenchmarkSQL等。
3.TPC-H
TPC-H 是业界常用的一套 Benchmark，由 TPC 委员会制定发布，用于评测数据库的分析型查询能力。TPC-H 查询包含 8 张数据表、22 条复杂的 SQL 查询，大多数查询包含若干表 Join、子查询和 Group-by 聚合等。
简单来说，TPC-H就是通过22个复杂SQL查询来评估数据库OLAP的性能。
4.TPC-DS
TPC-DS（Transaction Processing Performance Council Decision Support Benchmark）是一个面向决策支持系统（Decision Support System，简称 DSS）的基准测试，该工具是由 TPC 组织开发，它模拟了多维分析和决策支持场景，并提供了 99 个查询语句，用于评估数据库系统在复杂的多维分析场景下的性能。每个查询都设计用于模拟复杂的决策支持场景，包括跨多个表的连接、聚合和分组、子查询等高级 SQL 技术。
4.1.业务模型
业务模型分为以下三个方面
（1）数据模型和数据访问：采用雪花模型，有一系列的事实表和维度表，维度表分为以下几类：static（比如日期维度，不会改变），historical（历史记录保留，时间戳代表是否合法，比如item维度），non-historical（新纪录覆盖历史记录，总是使用最新数据，比如customer维度）。包含7张事实表：store_sales，store_returns，catalog_sales，catalog_returns，web_sales，web_returns，inventory。三种渠道的销售和利润数据，以及跟促销有关的数据，还有17张维度表：store，call_center，catalog_page，web_site，web_page，warehouse，customer，customer_address，customer_demographics，date_dim，household_demographics，item，income_band，promotion，reason，ship_mode，time_dim。测试数据大小包含多种size，1TB，3TB，10TB，30TB，100TB。使用SF（Scale Factor）来控制数据规模。
（2）查询模型：包含了多种查询类型，比如查询模式比较固定的报表类查询，比如ad-hoc查询，比如一些包含多join和聚合运算的复杂查询。分析的数据量大，并且都是在回答真实场景下的商业问题。
（3）数据维护（data maintenance，记作DM）：这是TPC-DS v3新增的一个测试。OLAP系统的有效性是由业务数据作为基础的，因此从OLTP系统到OLAP系统的数据导入这一步也是很关键的，阶段性的数据"refresh"是数据仓库不可或缺的部分，加入这一个角度使得TPC-DS benchmark更加全面，公平。过程包括加载数据，同时把数据转化成目标格式，删除过期数据，插入新的事实表数据。即包含常说的ETL中的T（Transformation）和L（Load），不包含E（Extraction），也就是下图中flat files的产生过程忽略。