Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi · Oppitunti

Käytännön tapaustutkimukset

Tutkikaa käytännön esimerkkejä ja oppikaa suurten järjestelmien onnistuneista indeksointi- ja osiointitoteutuksista.

Oppitunti 3/411 vaihetta

Käytännön tapaustutkimukset on ilmainen Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-oppitunti CoddyKitissä. Tämä on oppitunti 3/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-kurssilla on yhteensä 4 oppituntia.

Indeksointi ja osiointi käytännössä

Tervetuloa viimeiseen oppituntiin! Olemme oppineet indekseistä ja osioinnista erikseen. Nyt tarkastelemme, miten näitä tehokkaita ominaisuuksia yhdistetään todellisissa, suurissa järjestelmissä.

Tutkimme käytännön tapaustutkimuksia nähdäksemme, miten tietokanta-arkkitehdit soveltavat näitä strategioita monimutkaisten suorituskyky- ja hallintaongelmien ratkaisemiseen.

Tapaustutkimus 1: verkkokaupan tilaukset

Kuvitelkaa suosittu verkkokauppa-alusta, joka käsittelee miljoonia tilauksia päivittäin. Sen orders-taulu kasvaa nopeasti ja sisältää vuosien tapahtumahistorian.

Haaste: Tuoreiden tilausten kyselyt ovat nopeita, mutta historiaraportit tai asiakaspalvelun haut vanhoista tilauksista ovat erittäin hitaita.
Ongelma: Yhtä valtavaa orders-taulua on vaikea ylläpitää ja varmuuskopioida, ja indeksien koko kasvaa hallitsemattomaksi.

Ratkaisu: päivämäärään perustuva alueosiointi

Verkkokaupan haasteen ratkaisemiseksi tiimi päättää toteuttaa alueosioinnin order_date-sarakkeelle. Tämä jakaa suuren taulun pienempiin ja helpommin hallittaviin osioihin, yleensä kuukausi- tai vuositasolla.

Tuoreita tietoja koskevissa kyselyissä tarkistetaan vain uusimmat osiot, mikä nopeuttaa yleisiä toimintoja huomattavasti. Vanhemmat osiot voidaan arkistoida tai niitä voidaan käyttää harvemmin.

CREATE TABLE orders (
    order_id BIGINT NOT NULL,
    customer_id INT NOT NULL,
    order_date DATE NOT NULL,
    total_amount NUMERIC(10, 2)
) PARTITION BY RANGE (order_date);

CREATE TABLE orders_y2023m01 PARTITION OF orders
    FOR VALUES FROM ('2023-01-01') TO ('2023-02-01');

Ratkaisu: paikalliset indeksit tilauksille

Kun osiointi on käytössä, indeksit luodaan *paikallisesti* kullekin osiolle. Tällöin jokaisella osiolla on oma pienempi indeksinsä koko taulun kattavan yhden valtavan indeksin sijaan.

Hyöty: Pienemmät indeksit ovat nopeampia hakea ja päivittää.
Hyöty: Tiettyyn osioon kohdistuvissa kyselyissä (esimerkiksi asiakastunnuksen perusteella tietyn kuukauden aikana) käytetään vain kyseisen osion indeksiä.

CREATE INDEX idx_orders_y2023m01_customer_id
ON orders_y2023m01 (customer_id);

CREATE INDEX idx_orders_y2023m01_order_id
ON orders_y2023m01 (order_id);

Verkkokaupan tapaustutkimuksen tulos

Alueosioinnin ja paikallisten indeksien yhdistelmä paransi verkkokauppa-alustan suorituskykyä merkittävästi:

Tuoreita tietoja koskevien kyselyiden suoritusajat lyhenivät 80 %.
Tietokannan ylläpitotehtävät (kuten VACUUM) nopeutuivat huomattavasti pienemmissä osioissa.
Vanhat tiedot voitiin arkistoida tai poistaa tehokkaasti irrottamalla ja poistamalla vanhat osiot.

Tapaustutkimus 2: IoT-anturitiedot

Seuraavaksi tarkastelemme esineiden internetin (IoT) alustaa, joka kerää anturitietoja miljoonista laitteista. Kukin laite lähettää mittaustietoja muutaman sekunnin välein, mikä tuottaa petatavuittain aikasarjatietoja.

Haaste: Tietojen vastaanottaminen erittäin suurella nopeudella ja monipuolisten analyysikyselyiden suorittaminen (esimerkiksi "etsi kaikki laitteet, jotka ilmoittivat lämpötilan > X alueella Y viime viikon aikana").
Ongelma: Aikaleimojen tavalliset B-tree-indeksit ovat tällaisilla tietomäärillä liian suuria ja hitaita päivitettäviksi.

Ratkaisu: yhdistelmäosiointi

IoT-tiedoille yhdistelmäosiointistrategia on usein ihanteellinen. Tiimi toteutti seuraavat ratkaisut:

Aikaan perustuva alueosiointi: Ensisijainen osiointiavain on timestamp, jonka perusteella tiedot jaetaan päivä- tai tuntitasolle.
Laitetyyppiin perustuva luettelo-osiointi: Kunkin aikaosion sisällä tiedot osioidaan edelleen device_type-sarakkeen perusteella (esimerkiksi 'sensor', 'actuator' ja 'gateway').

Tämä mahdollistaa tehokkaan karsinnan sekä ajan että laitteen ominaisuuksien perusteella.

CREATE TABLE sensor_data (
    timestamp TIMESTAMPTZ NOT NULL,
    device_id INT NOT NULL,
    device_type TEXT NOT NULL,
    reading_value NUMERIC(10, 2)
) PARTITION BY RANGE (timestamp);

CREATE TABLE sensor_data_2024_01_01 PARTITION OF sensor_data
    FOR VALUES FROM ('2024-01-01 00:00:00') TO ('2024-01-02 00:00:00')
    PARTITION BY LIST (device_type);

Ratkaisu: erikoistuneet indeksit

IoT-kyselyiden monipuolisuuden käsittelemiseksi käytettiin erilaisten erikoistuneiden indeksien yhdistelmää:

BRIN-indeksi aikaleimalle: Aikaan kohdistuvissa aluekyselyissä BRIN (Block Range Index) on erittäin tehokas luonnostaan järjestetyille tiedoille ja vie vain vähän tilaa.
B-Tree-indeksi laitetunnukselle: Kunkin alaosion paikalliset B-tree-indeksit sarakkeelle device_id varmistavat tiettyjen laitteiden nopeat haut.
GIN-indeksi tunnisteille: Jos laitteisiin liittyy tunnisteita (esimerkiksi tags JSONB), GIN-indeksi voi nopeuttaa JSONB-kenttien sisältä tehtäviä hakuja.

CREATE INDEX brin_idx_sensor_data_time
ON sensor_data USING BRIN (timestamp);

CREATE INDEX btree_idx_sensor_data_device_id
ON sensor_data_2024_01_01_sensor (device_id);

-- Example for a JSONB column
-- CREATE INDEX gin_idx_sensor_data_tags
-- ON sensor_data USING GIN (tags jsonb_path_ops);

IoT-tapaustutkimuksen tulos

IoT-tietojen yhdistelmästrategia tuotti merkittäviä parannuksia:

Tietojen vastaanottonopeus säilyi huipputasolla ilman suorituskyvyn heikkenemistä.
Laajoja aikavälejä koskevat analyysikyselyt optimoitiin osioiden karsinnan ja BRIN-indeksien avulla.
Tiettyjen laitteiden haut ja tunnisteisiin perustuvat haut tehostuivat huomattavasti paikallisten B-tree- ja GIN-indeksien ansiosta.

Tämä lähestymistapa tarjosi sekä suuren kirjoitussuorituskyvyn että joustavan lukusuorituskyvyn.

Sovella oppimaasi

Mitä keskeisiä seikkoja on otettava huomioon suunniteltaessa indeksointi- ja osiointistrategiaa suurille PostgreSQL-tietokannoille tapaustutkimusten perusteella?

Vastaa interaktiivisessa oppitunnissa

Kertaus: tapaustutkimusten opetukset

Tässä oppitunnissa tarkastelimme kahta tosielämän tapausta, jotka osoittavat PostgreSQL:n indeksoinnin ja osioinnin yhdistämisen tehon:

Verkkokauppa: Historiallisille tilaustiedoille käytettiin päivämäärään perustuvaa alueosiota ja paikallisia B-tree-indeksejä, mikä nopeutti kyselyitä ja helpotti hallintaa.
IoT-data: Suurten tietomäärien monipuolisten kyselyiden tueksi käytettiin yhdistelmäosiointia (aikaan perustuva alueosiointi ja laitetyypin perusteella tehtävä listaosiointi) sekä erikoistuneita BRIN-, B-tree- ja GIN-indeksejä.

Nämä esimerkit osoittavat, että paras strategia perustuu usein tekniikoiden harkittuun yhdistelmään, joka mukautetaan tietojesi ja työkuormasi mukaan.

Aloita maksutta

Opi Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit: 11
Oppitunnit: 44

Aloita opiskelu maksutta Näytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”Käytännön tapaustutkimukset” ilmainen?

Kyllä – oppitunnin ”Käytännön tapaustutkimukset” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-kurssin, päivitä CoddyKit PROhon. Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-kurssilla on yhteensä 4 oppituntia.

Mitä opin oppitunnilla ”Käytännön tapaustutkimukset”?

Tutkikaa käytännön esimerkkejä ja oppikaa suurten järjestelmien onnistuneista indeksointi- ja osiointitoteutuksista. Harjoittelet Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 3/4.

Kuinka kauan ”Käytännön tapaustutkimukset”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-oppitunnilla?

Kyllä. Jokainen Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

Indeksien skaalaaminen osioinnilla
Indeksi- ja osiointistrategioiden valinta
Käytännön tapaustutkimukset
BRIN-indeksit suurille osioiduille tauluille

← Takaisin: Edistynyt PostgreSQL: indeksointi, osiointi ja replikointi