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:**
+ Lebih banyak dokumen sesuai dengan memori yang tersedia
+ Akses data lebih cepat dengan pembacaan disk yang dikurangi
+ Biaya penyimpanan yang lebih rendah, I/O biaya, dan peningkatan kinerja kueri
**catatan**
Amazon DocumentDB tidak mengaktifkan kompresi secara default untuk versi 5.0. Anda dapat [mengaktifkan kompresi](doc-compression.md) pada koleksi atau tingkat cluster untuk 5.0 cluster. Gunakan utilitas tinjauan kompresi Amazon DocumentDB untuk menganalisis rasio kompresi untuk koleksi Anda.
Untuk Amazon DocumentDB 8.0[, kompresi](dict-compression.md) diaktifkan secara default.
## 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:**
+ Setiap kueri harus memanfaatkan indeks yang sesuai
+ [Amazon DocumentDB menyediakan beberapa jenis indeks](index-types.md)
+ Indeks majemuk menawarkan fleksibilitas paling besar dengan mendukung berbagai bentuk kueri dengan satu indeks
+ Merancang indeks untuk mendukung operasi penyortiran dan penyaringan bersama
**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:
+ `{ category: 1 }`- Mendukung query penyaringan berdasarkan kategori saja
+ `{ category: 1, price: -1 }`- Mendukung pemfilteran kueri berdasarkan kategori dan harga sorting/filtering
+ `{ category: 1, price: -1, inStock: 1 }`- Mendukung kueri senyawa lengkap
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**
+ Menyimpan data terkait bersama-sama ketika sering diakses sebagai satu unit
+ Sematkan dokumen yang selalu diambil bersama
+ Cocokkan untuk hubungan satu-ke-sedikit
```
// 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**
+ Gunakan referensi untuk data besar atau jarang diakses
+ Direkomendasikan untuk hubungan satu-ke-banyak dengan kumpulan data besar
+ Mencegah pembongkahan dokumen dan meningkatkan kinerja pembaruan
**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:
+ Simpan bidang yang sering diperbarui dalam koleksi terpisah yang lebih kecil
+ Menyimpan data statis atau jarang diakses di koleksi lain
+ Tautkan mereka dengan referensi saat dibutuhkan
```
// 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.