Time Series 컬렉션 모범 사례
이 페이지의 내용
이 페이지에서는 Time Series 컬렉션의 성능 및 데이터 사용량을 개선하기 위한 권장사항을 설명합니다.
삽입물 최적화
Time Series 컬렉션의 입 성능을 최적화하려면 다음 작업을 수행합니다.
배치 문서 쓰기
여러 문서를 삽입하는 경우:
네트워크 왕복을 방지하려면 여러
insertOne()
구문이 아닌 단일insertMany()
구문을 사용합니다.가능하다면 메타데이터에 정의된 대로 시리즈당 여러 측정값을 포함하도록 배치를 구성합니다.
성능을 개선하려면
ordered
매개 변수를false
(으)로 설정합니다.
예를 들어 sensor A
와 sensor B
라는 두 개의 센서가 있는 경우, 단일 센서에서 여러 측정값을 포함하는 배치에는 측정당 하나의 삽입 비용이 아니라 하나의 삽입 비용이 발생합니다.
다음 작업은 문서 6개를 삽입하지만 문서가 센서별로 정렬되기 때문에 삽입 비용은 2회분(배치당 1회)만 발생합니다. ordered
매개 변수를 false
(으)로 설정하여 성능을 개선하며 다음과 같습니다.
db.temperatures.insertMany( [ { "metadata": { "sensor": "sensorA" }, "timestamp": ISODate("2021-05-18T00:00:00.000Z"), temperature: 10 }, { "metadata": { "sensor": "sensorA" }, "timestamp": ISODate("2021-05-19T00:00:00.000Z"), temperature: 12 }, { "metadata": { "sensor": "sensorA" }, "timestamp": ISODate("2021-05-20T00:00:00.000Z"), temperature: 13 }, { "metadata": { "sensor": "sensorB" }, "timestamp": ISODate("2021-05-18T00:00:00.000Z"), temperature: 20 }, { "metadata": { "sensor": "sensorB" }, "timestamp": ISODate("2021-05-19T00:00:00.000Z"), temperature: 25 }, { "metadata": { "sensor": "sensorB" }, "timestamp": ISODate("2021-05-20T00:00:00.000Z"), temperature: 26 } ], { "ordered": false })
문서에서 일관적인 필드 순서 사용
문서에서 일관된 필드 순서를 사용하면 삽입 성능이 향상됩니다.
예를 들어 다음 문서를 삽입하면 최적의 삽입 성능을 얻을 수 있습니다.
{ _id: ObjectId("6250a0ef02a1877734a9df57"), timestamp: 2020-01-23T00:00:00.441Z, name: 'sensor1', range: 1 }, { _id: ObjectId("6560a0ef02a1877734a9df66") timestamp: 2020-01-23T01:00:00.441Z, name: 'sensor1', range: 5 }
반면, 이러한 문서는 필드 순서가 다르기 때문에 최적의 삽입 성능을 달성하지 못합니다 .
{ range: 1, _id: ObjectId("6250a0ef02a1877734a9df57"), name: 'sensor1', timestamp: 2020-01-23T00:00:00.441Z }, { _id: ObjectId("6560a0ef02a1877734a9df66") name: 'sensor1', timestamp: 2020-01-23T01:00:00.441Z, range: 5 }
클라이언트 수 늘리기
컬렉션에 데이터를 쓰는 클라이언트 수를 늘리면 성능이 향상될 수 있습니다.
압축 최적화
Time Series 컬렉션에 대한 데이터 압축을 최적화하려면 다음 작업을 수행합니다.
문서에서 빈 객체 및 배열이 포함된 필드 생략
압축을 최적화하려면 데이터에 빈 객체나 배열이 포함된 경우 문서에서 빈 필드를 생략합니다.
예를 들어 다음 문서를 가정해 보겠습니다.
{ time: 2020-01-23T00:00:00.441Z, coordinates: [1.0, 2.0] }, { time: 2020-01-23T00:00:10.441Z, coordinates: [] }, { time: 2020-01-23T00:00:20.441Z, coordinates: [3.0, 5.0] }
값이 채워진 coordinates
필드와 빈 배열을 교대로 사용하면 압축기의 스키마가 변경됩니다. 스키마 변경으로 인해 시퀀스의 두 번째 및 세 번째 문서는 압축되지 않은 상태로 유지됩니다.
반면 빈 배열이 생략된 다음 문서는 최적의 압축률을 달성할 수 있습니다.
{ time: 2020-01-23T00:00:00.441Z, coordinates: [1.0, 2.0] }, { time: 2020-01-23T00:00:10.441Z }, { time: 2020-01-23T00:00:20.441Z, coordinates: [3.0, 5.0] }
숫자 데이터를 소수점 이하 몇 자리로 반올림
숫자 데이터를 애플리케이션에 필요한 정밀도로 반올림합니다. 숫자 데이터를 소수점 이하 자릿수로 반올림하면 압축률이 향상됩니다.
쿼리 성능 최적화
쿼리 성능을 개선하려면 timeField
및 metaField
에 하나 이상의 보조 인덱스를 만들어 일반적인 쿼리 패턴을 지원합니다.
Distinct() 대신 $group 사용
Time Series 컬렉션의 고유한 데이터 구조로 인해 MongoDB는 고유한 값에 대해 효율적으로 인덱스를 생성할 수 없습니다. Time Series 컬렉션에서 distinct
명령이나 db.collection.distinct()
도우미 메서드를 사용하지 마세요. 대신 $group
집계를 사용하여 고유한 값으로 문서를 그룹화하세요.
예를 들어 meta.project = 10
인 문서에서 고유한 meta.type
값을 쿼리하려면 대신 다음을 사용하세요.
db.foo.distinct("meta.type", {"meta.project": 10})
다음을 사용하세요.
db.foo.createIndex({"meta.project":1, "meta.type":1}) db.foo.aggregate([{$match: {"meta.project": 10}}, {$group: {_id: "$meta.type"}}])
다음과 같이 작동합니다.