Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Tips Peningkatan Kinerja

Bagian ini menyediakan lima strategi pengoptimalan kinerja untuk Amazon DocumentDB untuk meningkatkan efisiensi aplikasi dan eksekusi kueri.

1. Gunakan $match sebagai Tahap Pertama di Agregation Pipelines

Selalu tempatkan $match sebagai tahap pertama untuk memfilter di pipeline agregasi Anda untuk memaksimalkan kinerja. Amazon DocumentDB akan menggunakan indeks secara efektif saat $match memimpin pipeline, memungkinkan database untuk memfilter data lebih awal dan mengurangi overhead pemrosesan.

// Optimized approach
db.orders.aggregate([
  { $match: { status: "active", category: "electronics" } }, // Index utilization
  { $group: { _id: "$category", total: { $sum: "$price" } } },
  { $sort: { total: -1 } }
])
      

Dampak: Pemfilteran awal mengurangi jumlah dokumen yang diproses pada tahap pipeline berikutnya, menghasilkan eksekusi kueri yang lebih cepat dan konsumsi sumber daya yang lebih rendah.

2. Gunakan $project di Agregation Pipeline untuk Meminimalkan Ukuran Data Pipeline

Bawa hanya bidang penting melalui tahapan alur agregasi Anda untuk meminimalkan ukuran data dan meningkatkan kinerja. Gunakan $project secara strategis untuk memasukkan hanya data yang Anda butuhkan.

// Efficient pipeline design
db.orders.aggregate([
  { $match: { orderDate: { $gte: new Date("2024-01-01") } } },
  { $project: { customerId: 1, totalAmount: 1, status: 1 } }, // Only needed fields
  { $group: { _id: "$customerId", totalSpent: { $sum: "$totalAmount" } } }
])
      

Dampak: Dokumen yang lebih kecil mengurangi penggunaan memori dan meningkatkan efisiensi pemrosesan pipa, menghasilkan peningkatan kinerja kueri secara keseluruhan.

3. Aktifkan Kompresi Dokumen untuk Biaya Penyimpanan yang Lebih Rendah, I/O Biaya, dan Peningkatan Kinerja Kueri

Aktifkan kompresi dokumen dari grup parameter cluster untuk menurunkan biaya penyimpanan, I/O biaya, dan meningkatkan kinerja kueri. Amazon DocumentDB menyimpan dokumen terkompresi pada disk serta RAM, mengurangi jejak memori dan biaya. I/O

Dampak:

4. Indeks Leverage untuk Kinerja Kueri Optimal

Pastikan kueri Anda selalu menggunakan indeks untuk kinerja yang optimal. Amazon DocumentDB menawarkan beberapa jenis indeks untuk mencocokkan kasus penggunaan yang berbeda.

Prinsip pengindeksan:

Memahami Awalan Indeks: Indeks gabungan bekerja melalui awalan indeks - Amazon DocumentDB dapat menggunakan subset kiri-ke-kanan bidang indeks. Misalnya, indeks { category: 1, price: -1, inStock: 1 } membuat awalan yang dapat digunakan ini:

Kueri pada harga, InStock, atau InStock saja tidak akan menggunakan indeks ini karena tidak dimulai dengan bidang pertama (kategori).

Cara Mengidentifikasi Kueri yang Tidak Menggunakan Indeks: Gunakan metode explain () untuk menganalisis eksekusi kueri dan mengidentifikasi kueri yang melakukan pemindaian koleksi alih-alih menggunakan indeks.

Dampak: Kueri tanpa pemanfaatan indeks menghasilkan pemindaian koleksi, menyebabkan peningkatan memori dan tekanan CPU pada instance dan latensi kueri yang meningkat.

5. Optimalkan Model Data Berdasarkan Pola Kueri

Sejajarkan model data Anda dengan cara kueri aplikasi Anda dan memperbarui data. Pemodelan data adalah dasar dari aplikasi Amazon DocumentDB berkinerja tinggi.

Strategi optimasi:

Penyematan untuk Kinerja

// Embedded approach for frequently accessed data
{
  _id: ObjectId("..."),
  customerName: "John Doe",
  address: {
    street: "123 Main St",
    city: "Seattle",
    zipCode: "98101"
  },
  recentOrders: [
    { orderId: "ORD001", amount: 99.99, date: "2024-01-15" }
  ]
}
      

Referensi untuk Fleksibilitas

Strategi Pemisahan Koleksi

Ketika hanya beberapa bidang dalam dokumen besar yang sering diperbarui, atau ketika data besar yang jarang diakses membengkak dokumen, pertimbangkan untuk membagi koleksi:

// Before: Large document with mixed access patterns
{
  _id: ObjectId("..."),
  productId: "PROD123",
  name: "Wireless Headphones",        // Frequently accessed
  price: 99.99,                      // Frequently accessed
  inventory: 45,                     // Updated frequently
  lastSold: "2024-01-15",           // Updated frequently
  detailedSpecs: { /* large object */ }, // Infrequently accessed
  manualPDF: "base64...",           // Large, rarely accessed
  reviewHistory: [/* large array */] // Infrequently accessed
}

// After: Split into collections based on access patterns
// products collection (frequently accessed data)
{
  _id: ObjectId("..."),
  productId: "PROD123",
  name: "Wireless Headphones",
  price: 99.99,
  inventory: 45,
  lastSold: "2024-01-15"
}

// product_details collection (infrequently accessed data)
{
  _id: ObjectId("..."),
  productId: "PROD123",           // Reference to products collection
  detailedSpecs: { /* large object */ },
  manualPDF: "base64...",
  reviewHistory: [/* large array */]
}
      

Perolehan kinerja: Dokumen yang lebih kecil berarti pembaruan yang lebih cepat, penggunaan memori berkurang, dan efisiensi cache yang lebih baik.

Dampak: Pemodelan data yang tidak efisien menghasilkan kueri suboptimal, peningkatan ukuran dokumen, dan peningkatan penggunaan memori, yang menyebabkan kinerja aplikasi menurun dan biaya operasional yang lebih tinggi.