Time Series 컬렉션 모범 사례

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 변수를 false(으)로 설정합니다.

예를 들어 sensor A와 sensor B라는 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": ISODate("2020-01-23T00:00:00.441Z"),
   "name": "sensor1",
   "range": 1
},
{
   "_id": ObjectId("6560a0ef02a1877734a9df66"),
   "timestamp": ISODate("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": ISODate("2020-01-23T00:00:00.441Z")
},
{
   "_id": ObjectId("6560a0ef02a1877734a9df66"),
   "name": "sensor1",
   "timestamp": ISODate("2020-01-23T01:00:00.441Z"),
   "range": 5
}

클라이언트 수 늘리기

컬렉션에 데이터를 쓰는 클라이언트 수를 늘리면 성능이 향상될 수 있습니다.

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.

{
 "timestamp": ISODate("2020-01-23T00:00:00.441Z"),
 "coordinates": [1.0, 2.0]
},
{
   "timestamp": ISODate("2020-01-23T00:00:10.441Z"),
   "coordinates": []
},
{
   "timestamp": ISODate("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.

{
   "timestamp": ISODate("2020-01-23T00:00:00.441Z"),
   "coordinates": [1.0, 2.0]
},
{
   "timestamp": ISODate("2020-01-23T00:00:10.441Z")
},
{
   "timestamp": ISODate("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.

적절한 버킷 단위 설정

Time Series 컬렉션을 생성하면 MongoDB는 수ㅛㅣㅇ Time Series 데이터를 버킷으로 그룹화합니다. 세분성을 정확하게 설정하면 데이터 수집 속도에 따라 데이터가 버킷되는 빈도를 제어할 수 있습니다.

MongoDB 6.3부터 사용자 지정 버킷 매개변수 bucketMaxSpanSeconds 및 bucketRoundingSeconds를 사용하여 버킷 경계를 지정하고 Time Series 데이터의 버킷 방식을 보다 정밀하게 제어할 수 있습니다.

granularity 또는 사용자 지정 버킷 매개변수를 동일한 데이터 소스에서 수신되는 측정값 사이의 시간 간격에 가장 적합하도록 설정하여 성능을 개선할 수 있습니다. 예를 들어 수천 개의 센서에서 날씨 데이터를 기록하지만 각 센서의 데이터를 5분에 한 번만 기록하는 경우 granularity를 "minutes"으로 설정하거나 사용자 지정 버킷 지정 매개변수를 300(초)로 설정할 수 있습니다.

이 경우 granularity를 hours로 설정하면 최대 한 달 분량의 데이터 수집 이벤트가 단일 버킷으로 그룹화되어 탐색 시간이 길어지고 쿼리 속도가 느려집니다. seconds로 설정하면 폴링 간격당 버킷이 여러 개 생성되며, 이 중 상당수는 단일 문서만 포함할 수 있습니다.

다음 표는 지정된 granularity 값을 사용할 때 하나의 데이터 버킷에 포함되는 최대 시간 간격을 보여줍니다.

보조 인덱스 생성

쿼리 성능을 개선하려면 timeField 및 metaField에 하나 이상의 보조 인덱스를 만들어 일반적인 쿼리 패턴을 지원합니다. 버전 6.3 이상에서 MongoDB는 timeField 및 metaField에 보조 인덱스를 자동으로 생성합니다.

하위 필드에서 metaField 쿼리

MongoDB는 Time Series 컬렉션의 metaField를 재정렬하므로 서버가 애플리케이션과 다른 필드 순서로 데이터를 저장할 수 있습니다. metaField가 객체인 경우 metaField 순서가 서버와 애플리케이션마다 다를 수 있으므로 전체 metaField에 대한 쿼리는 일관성 없는 결과를 생성할 수 있습니다. Time Series metaField의 쿼리를 최적화하려면 전체 metaField가 아닌 스칼라 하위 필드에서 Time Series metaField를 쿼리합니다.

다음 예는 Time Series 컬렉션을 만드는 예시입니다.

db.weather.insertMany( [
   {
      "metaField": { "sensorId": 5578, "type": "temperature" },
      "timestamp": ISODate( "2021-05-18T00:00:00.000Z" ),
      "temp": 12
   },
   {
      "metaField": { "sensorId": 5578, "type": "temperature" },
      "timestamp": ISODate( "2021-05-18T04:00:00.000Z" ),
      "temp": 11
   }
] )

sensorId 및 type 스칼라 하위 필드에 대한 다음 쿼리는 쿼리 기준과 일치하는 첫 번째 문서를 반환합니다.

db.weather.findOne( {
   "metaField.sensorId": 5578,
   "metaField.type": "temperature"
} )

출력 예시:

{
  _id: ObjectId("6572371964eb5ad43054d572"),
  metaField: { sensorId: 5578, type: 'temperature' },
  timestamp: ISODate( "2021-05-18T00:00:00.000Z" ),
  temp: 12
}

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 = 10인 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.

1. meta.project 및 meta.type에 대한 복합 인덱스를 생성하여 집계를 지원합니다.

2. $match 단계는 meta.project = 10인 문서를 필터링합니다.

3. $group 단계에서는 meta.type을 그룹 키로 사용하여 고유 값당 문서 하나를 출력합니다.