Ko e fakamole mo'oni 'o e random I/O .

Ko e ngaue I/O fakamole lahi taha ko e taha ia 'oku 'ikai totonu ke 'i ai 'i he 'uluaki feitu'u. Ki he pa'anga kotoa pe 'oku fakamoleki ki he tanaki'anga vave ange, 'oku 'omi 'e he seniti 'e hongofulu 'oku fakamoleki ki he fehu'i optimization 'a e ngaahi ola lelei ange. Ko e ngaahi kautaha 'oku nau ikuna 'i he fakahoko ngaue 'oku 'ikai ke nau outspend 'enau fe'auhi — 'oku nau out-think 'enau ngaahi founga 'o e ma'u 'o e fakamatala.

Ngaahi Founga Fakahokohoko 'Oku Fakasi'isi'i Mo'oni 'a e Random I/O

Ko hono fakasi'isi'i 'o e random I/O 'oku 'ikai fie ma'u ke toe tohi kakato ho'o tohi kole. ʻOku fie maʻu ha ngaahi liliu ʻoku fakataumuʻa, ʻe lava ke fua ki he founga ʻoku tauhi, maʻu, mo fakahū ai ʻa e fakamatalá. Ko e ngaahi founga ngaue eni 'oku ne 'omi 'a e uesia ma'olunga taha:

1. Fakahoko 'a e batching fehu'i fakatupu 'ita. Fetongi 'a e ngaahi founga fehu'i N+1 'aki 'a e uta vēkeveke. Kapau 'oku uta 'e ho'o dashboard 'a e kau kasitoma 'e toko 50 mo 'enau ngaue kimuí ni mai, 'omi kotoa 'a e ngaahi seti 'ekitivitī 'e 50 'i ha fehu'i 'e taha 'o faka'aonga'i 'a e WHERE customer_id 'I HE (...) kae 'ikai ko e 50 'o e ngaahi kumi fakafo'ituitui. 'E lava ke fakasi'isi'i 'e he me'a ni pe 'a e random I/O 'aki 'a e 80% 'i he ngaahi vakai lisi.
2. Ngaue'aki fakapotopoto 'a e ngaahi fakahokohoko fakatahataha. Ko ha fakahokohoko fakatahataha 'i he (tenant_id, tu'unga, created_at) 'oku ne faka'ata 'a e fakamatala ke fakafiemalie'i 'a e ngaahi fehu'i angamaheni 'oku sivi'i 'aki ha fakahokohoko 'o e fakahokohoko 'o e sikani 'e taha kae 'ikai ko ha ngaahi kumi fakatu'upakee lahi 'i he ngaahi fakahokohoko kehekehe.
3. Fakafe'iloaki ha layer 'o e caching mo e ta'efaka'aonga'i 'atamai. Cache 'oku toutou ma'u ka 'oku 'ikai ke fa'a liliu 'a e fakamatala — ngaahi ngofua 'a e tokotaha ngaue, ngaahi tu'unga 'o e kautaha, ngaahi fakalelei'i 'o e module — 'i he manatu. 'E lava ke tauhi 'e he Redis pe Memcached 'a e ngaahi me'a ni 'i he ngaahi sekoni si'isi'i, 'o fakangata 'a e ngaahi lau fakatu'upakee 'e lauiafe 'i he miniti.
4. Tomu'a fakafuofua'i 'a e ngaahi fakatahataha'i. Kae 'ikai ke fika'i 'a e pa'anga hū mai fakamāhina pe headcount 'i he uta kotoa pe 'o e dashboard, fakalele 'a e ngaahi ngaue fakatahataha'i 'i ha taimi-tēpile pea tauhi 'a e ngaahi ola. Fefakatau'aki ha ki'i konga si'i 'o e fo'ou 'o e fakamatala ki ha fakasi'isi'i lahi 'i he taimi mo'oni 'o e random I/O.
5. Vahevahe 'a e ngaahi tepile lalahi 'aki 'a e founga 'o e hū. Kapau 'oku pa ki he 90% 'o e ngaahi fehu'i 'a e fakamatala mei he 'aho 'e 30 kuo 'osi, vahevahe ho'o ngaahi tepile 'aki 'a e 'aho 'o e 'aho koe'uhi ke kei vela 'a e vahevahe 'oku lolotonga ngaue 'i he cache lolotonga ia 'oku tangutu momoko 'a e fakamatala fakahisitolia 'i he tanaki'anga ma'ama'a ange.

'Oku 'ikai ko ha ngaahi founga fakaofo 'eni. Ko e ngaahi founga tatau pe kinautolu 'oku nau faka'ata 'a e ngaahi tu'unga 'oku nau ngaue 'i he laui teau afe 'o e kau faka'aonga'i ke tauhi 'a e ngaahi taimi tali 'o e sub-sekoni 'i he ngaahi interfaces faingata'a, multi-module. 'I he taimi na'e toe langa ai 'e he Mewayz 'ene fa'ufa'u ki he V2 — scaling mei ha me'angaue 'e taha 'o e fehokotaki'anga-'i he-bio ki ha 207-module pisinisi OS 'oku ne ngaue 'i he 138,000 kau faka'aonga'i — optimizing I/O 'a e ngaahi founga 'o e 'alunga na'e fakava'e ia ki hono ngaohi 'o e fakalahi ko ia ke mo'ui 'o 'ikai fakalahi 'a e ngaahi fakamole 'o e ngaahi langa fakalakalaka proportional>.

Ko e Uesia Fakatahataha ki he A'usia mo e Tauhi 'o e Tokotaha Ngaue

Ko e fakahoko 'oku 'ikai ko ha hoha'a backend pe — ko ha fotunga 'o e koloa. Kuo fakahaa'i ma'u pe 'e he fakatotolo 'a e Google 'oku 53% 'o e kau ngaue'aki 'o e telefoni to'oto'o 'oku nau li'aki ha peesi 'oku fuoloa ange 'i he sekoni 'e 3 hono 'uta. Ki he ngaahi polokalama pisinisi 'oku fetu'utaki ai 'a e kau faka'aonga'i 'i he ngaahi taimi 'e laui hongofulu 'i he 'aho, 'Oku toe ma'ulalo ange 'a e kataki. Ko ha pule totongi 'oku lele 'a e ngaahi lipooti fakauike, ko ha taki HR 'oku ne vakai'i 'a e kau kole, pe ko ha rep fakatau 'oku ne vakai'i 'a e tu'unga 'o e paipa — 'oku fakatupulaki 'e he kau faka'aonga'i ko 'eni ha ongo 'o e vave. Mahalo he'ikai ke nau articulate "'oku fu'u ma'olunga 'a e random I/O latency 'i he fehu'i 'o e fakatahataha'i 'o e inivoisi," ka te nau pehe "'oku ongo'i tuai 'a e polokalama fakakomipiuta ko 'eni" pea kamata ke sivi'i 'a e ngaahi founga kehe.

Ko e ola fakatahataha'i 'oku lava ke fua. Ko ha tu'unga 'oku ne uta 'a e dashboards 'i he 800ms kae 'ikai ko e 2.4 sekoni 'oku 'ikai ke ne ongo'i pe 3x vave ange — 'oku ne liliu 'a e 'ulungaanga 'o hono faka'aonga'i. 'Oku toutou vakai'i 'e he kau faka'aonga'i 'a e fakamatala, fakatotolo'i 'a e ngaahi modules lahi ange, pea fakataha'i 'a e me'angaue 'o loloto ange ki he'enau workflows. Ko e fetu'utaki ma'olunga ange 'oku ne faka'uli 'a e pukepuke ma'olunga ange, 'a ia 'oku ne faka'uli 'a e mahu'inga ma'olunga ange 'o e mo'ui. Na'e faka'uhinga'i 'e Slack ha konga mahu'inga 'o 'ene tupulaki vave ki he obsessive fakahokohoko 'o e optimization, 'o 'ilo'i ko e vave 'iate ia pe ko ha moat fe'au'auhi.

Ki he ngaahi tu'unga pisinisi kotoa pe 'i he taha, 'oku fakalahi 'a e ola ko 'eni 'i he module kotoa pe. Kapau 'oku vave 'a e CRM ka 'oku tuai 'a e invoicing, 'oku mamahi 'a e fakakaukau 'o e tu'unga kotoa. Ko e tu'uma'u 'o e fakahoko 'i he ngaahi fotunga — mei he pule'i 'o e booking ki he muimui'i 'o e vakapuna ki he analytics — 'oku fie ma'u ke fakalelei'i ma'u pe 'a e ngaahi founga I/O 'i he feitu'u kotoa pe, 'ikai 'i he ngaahi modules 'oku 'asi lahi taha.

Fua 'a e Me'a 'oku Mahu'inga: 'Ai ke 'asi 'a e Random I/O

He'ikai ke ke lava 'o fakalelei'i 'a e me'a 'oku 'ikai ke ke lava 'o sio ki ai. Ko e sitepu 'uluaki 'i hono fakalelei'i 'o e ngaahi fakamole 'o e I/O random ko hono 'ai ke nau 'asi ki ho'o ngaahi timi 'enisinia mo e ngaahi ngaue. 'E lava ke muimui'i 'e he ngaahi me'angaue observability fakaonopooni hange ko e Datadog, Relic fo'ou, pe na'a mo e ngaahi fakalelei'anga 'o e ma'u'anga fakamatala fakaava hange ko e Prometheus mo e Grafana 'a e ngaahi founga 'o e IOPS, fehu'i 'a e ngaahi tufaki'anga koloa latency, mo e ngaahi tu'unga 'o e lavea 'o e cache 'i he taimi mo'oni. Ko e ngaahi metrics 'oku mahu'inga taha ko e:

• p95 mo e p99 fehu'i 'a e taimi: 'Oku fufū 'e he 'avalisi 'o e taimi 'a e mamahi. 'Oku fakahaa'i 'e he peseti 'e 95 mo e 99 'a e me'a 'oku a'usia mo'oni 'e ho'o kau faka'aonga'i 'oku tuai taha — mo e loto-mamahi taha —
• IOPS movete 'e he lau vs. tohi, hokohoko vs. random: 'Oku fakahaa'i 'e he me'a ni pe ko ho'o kavenga ngaue 'oku I/O-fakataha'i pea ko e ha 'a e fa'ahinga I/O 'oku pule'i
• Cache hit ratio: Ko ha ratio 'i lalo he 95% 'i ha sisitemi kuo fakatonutonu lelei 'oku ne fokotu'u mai 'a e ngaahi founga 'o e ma'u 'o e fakamatala 'oku 'ikai ke fakahoko mei he manatu
• Lau 'o e fehu'i ki he uta 'o e peesi: Kapau 'oku fakatupu 'e ha ngaue 'a e tokotaha ngaue 'oku lahi ange 'i he 20-30 'o e ngaahi fehu'i 'o e database, 'Oku meimei pau 'oku 'i ai ha faingamalie fakalelei'i

'I he ngaahi fakamatala ko 'eni, 'e lava ke fakamu'omu'a 'e he ngaahi timi 'a e ngaahi optimizations 'o e uesia ma'olunga taha kae 'ikai ko e mate'i. Ko e ngaahi pisinisi 'oku nau tokanga'i 'a e fakahoko 'o e I/O ko ha metric kalasi 'uluaki — 'i he tafa'aki 'o e taimi ngaue, ngaahi tu'unga hala, mo e fiemalie 'a e tokotaha faka'aonga'i — 'oku nau 'oatu ma'u pe 'a e ngaahi koloa vave ange 'i he totongi ma'ulalo ange. 'I ha maketi 'oku 'amanaki ai 'a e kau faka'aonga'i ke tali 'a e ngaahi me'angaue pisinisi 'o hange ko e ngaahi polokalama 'a e kau fakatau, 'Oku 'ikai ko ha fili 'a e akonaki ko ia. Ko e faikehekehe ia 'i he vaha'a 'o ha tu'unga 'oku scales gracefully ki he 138,000 kau faka'aonga'i mo e taha 'oku buckles 'i lalo 'i hono faingata'a'ia 'o'ona.

Ngaahi Fehuʻi ʻoku Faʻa ʻEke

Ko e hā tonu ʻa e random I/O, pea ko e hā ʻoku fuʻu tuai ai?

'Oku hoko 'a e Random I/O 'i he taimi 'oku lau pe tohi ai 'e ha sisitemi 'a e fanga ki'i konga iiki 'o e fakamatala mei he ngaahi feitu'u kehekehe, 'ikai hokohoko 'i ha drive 'o e tanaki'anga. 'Oku kehe mei he hokohoko 'o e I/O (lau ha faile kamata-ki-'osi), kuo pau ke puna holo ma'u pe 'a e 'ulu lau/tohi, 'o fakatupu 'a e ngaahi toloi fakatu'asino mahu'inga. Ko e 'uhinga tefito 'eni 'oku tuai ange ai ha fehu'i 'o e database fetching 'a e ngaahi lekooti movetevete 'i he streaming 'o ha faile vitio lahi, neongo kapau 'oku si'isi'i ange 'a e lahi fakakatoa 'o e fakamatala.

'Oku anga fefe 'a e uesia hangatonu 'e he random I/O 'eku ngaahi ngaue fakapisinisi?

'Oku ne uesia fakahangatonu 'a e a'usia 'a e tokotaha ngaue mo e ola. Ko e ngaahi tali tuai 'o e tohi kole 'oku ne fakalotosi'i'i 'a e kau kasitomaa, 'o iku ai ki he li'aki 'o e saliote mo e tikite poupou. Ki he kau ngaue, CRMs sluggish mo e ngaahi me'angaue lipooti 'oku maumau'i 'a e taimi mahu'inga. 'Oku liliu 'a e ngaahi toloi ko 'eni ki he ngaahi fakamole 'oku 'asi: mole 'a e fakatau, holo hifo 'a e ngaue 'a e kau ngaue, mo e maumau 'e lava ke hoko ki he ongoongo 'o ho'o brand ki he tali. Ko e sekoni kotoa pe 'o e latency 'oku 'i ai hono mahu'inga fakapa'anga.

'Ikai ko e palopalema hardware pe 'eni? 'Ikai lava ke u fakatau pe ha ngaahi SSD vave ange?

Lolotonga 'oku tokoni 'a e SSDs vave ange, ko ha fakalelei'anga fakamole lahi pea 'oku fa'a 'ikai kakato. Ko e tupu'anga 'o e aka 'oku fa'a 'ikai ola lelei 'a e polokalama fakakomipiuta 'oku ne fakahoko 'a e ngaahi kole 'o e database iiki, movetevete lahi. Optimizing 'a e code 'o e tohi kole mo e ngaahi fehu'i 'o e database ke fakasi'isi'i 'a e random I/O 'oku ola lelei ange 'aupito. Ko e ngaahi fakalelei'anga hange ko e Mewayz, mo 'ene ngaahi module 'e 207 kuo langa kimu'a 'o kamata 'i he $19/mo, 'Oku fakataumu'a ia ke fakalelei'i lelei 'a e ngaahi founga 'o e ma'u 'o e fakamatala.

Ko e hā ʻa e ʻuluaki sitepu ke ʻiloʻi pe ko e I/O fakatuʻupakē ʻa ʻeku fakaʻauhá?

Kamata 'aki 'a e ngaahi me'angaue 'o e siofi 'o e fakahoko 'o ho'o tohi kole. Kumi ki he ngaahi metrics 'o e database 'oku fakahaa'i ai 'a e ngaahi ngaue lau/tohi ma'olunga 'i he sekoni (IOPS) fakataha mo e taimi fehu'i 'oku tuai. Profile ho'o tohi kole ke 'ilo'i 'a e ngaahi fehu'i 'oku toutou, iiki. Kapau 'oku fakatupu 'e ha ngaue 'a e tokotaha ngaue 'e taha 'a e ngaahi ui 'o e database fakafo'ituitui 'e laui hongofulu kae 'ikai ko ha ngaahi ui 'e ni'ihi 'oku ola lelei, 'Oku ngalingali kuo ke ma'u ha 'isiu I/O 'oku fie ma'u ke fakalelei'i.