翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

パフォーマンス向上のヒント

このセクションでは、Amazon DocumentDB のパフォーマンス最適化戦略を 5 つ提供して、アプリケーションの効率とクエリ実行を向上させます。

1. 集約パイプラインの最初のステージとして $match を使用する

パフォーマンスを最大化するには、常に $match を集約パイプラインのフィルタリングの最初のステージとして配置します。Amazon DocumentDB は、$match がパイプラインを主導するときにインデックスを効果的に活用するため、データベースはデータを早期にフィルタリングし、処理オーバーヘッドを削減できます。

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

影響: 早期フィルタリングにより、後続のパイプラインステージで処理されるドキュメントの数が減少し、クエリの実行が速くなり、リソースの消費量が減少します。

2. 集約パイプラインで $project を使用してパイプラインデータサイズを最小化する

データサイズを最小限に抑え、パフォーマンスを向上させるために、集約パイプラインステージでは必須フィールドのみを実行します。必要なデータのみを含めるには、$project を戦略的に使用します。

// 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" } } }
])
      

影響: ドキュメントが小さいほどメモリ使用量が減少し、パイプラインの処理効率が向上し、全体的なクエリパフォーマンスが向上します。

3. ドキュメント圧縮を有効にしてストレージコスト、I/O コストを削減し、クエリパフォーマンスを向上させる

クラスターパラメータグループからのドキュメント圧縮を有効にして、ストレージコスト、I/O コストを削減し、クエリパフォーマンスを向上させます。Amazon DocumentDB は、圧縮されたドキュメントをディスクと RAM に保存し、メモリフットプリントと I/O コストを削減します。

影響:

4. インデックスを活用してクエリパフォーマンスを最適化する

クエリが常にインデックスを使用してパフォーマンスを最適化していることを確認します。Amazon DocumentDB には、さまざまなユースケースに合わせて複数のインデックスタイプが用意されています。

インデックス作成の原則:

インデックスプレフィックスを理解する: 複合インデックスはインデックスプレフィックスを介して機能します - Amazon DocumentDB は、インデックスフィールドのleft-to-rightへのサブセットを使用できます。たとえば、インデックスは次の使用可能なプレフィックス{ category: 1, price: -1, inStock: 1 }を作成します。

料金、inStock、または inStock のみのクエリは、最初のフィールド (カテゴリ) で始まらないため、このインデックスを使用しません。

インデックスを使用していないクエリを特定する方法: explain() メソッドを使用してクエリ実行を分析し、インデックスを使用する代わりにコレクションスキャンを実行するクエリを特定します。

影響: インデックス使用率のないクエリでは、コレクションスキャンが行われ、インスタンスのメモリと CPU 負荷が増加し、クエリレイテンシーが増加します。

5. クエリパターンに基づいてデータモデルを最適化する

データモデルを、アプリケーションがデータをクエリおよび更新する方法に合わせます。データモデリングは、高性能な Amazon DocumentDB アプリケーションの基盤です。

最適化戦略:

パフォーマンスの埋め込み

// 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" }
  ]
}
      

柔軟性のための参照

コレクション分割戦略

大きなドキュメント内の少数のフィールドのみが頻繁に更新される場合、またはアクセス頻度の低い大きなデータによってドキュメントが肥大化する場合は、コレクションを分割することを検討してください。

// 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 */]
}
      

パフォーマンスの向上: ドキュメントが小さいほど、更新が速くなり、メモリ使用量が減少し、キャッシュ効率が向上します。

影響: 非効率的なデータモデリングにより、最適ではないクエリ、ドキュメントサイズの増加、メモリ使用量の増加が発生し、アプリケーションのパフォーマンスが低下し、運用コストが増加します。