הסבר על תוצאות הביצועים ב-AlloyDB Omni במכונה וירטואלית

בוחרים גרסה של מאמרי העזרה:

במאמר הזה מוסבר איך לפרש את תוצאות הביצועים ב-AlloyDB Omni במכונה וירטואלית. במאמר הזה אנחנו מניחים שאתם מכירים את PostgreSQL.

כשמציגים בתרשים את קצב העברת הנתונים לאורך זמן בזמן שמשתנה אחר משתנה, בדרך כלל רואים שקצב העברת הנתונים עולה עד שהוא מגיע לנקודה שבה המשאבים נגמרים.

בתרשים הבא מוצג גרף אופייני של קצב העברת נתונים. ככל שמספר הלקוחות גדל, עומס העבודה והתפוקה גדלים עד שכל המשאבים מוצו.

תרשים קנה מידה של קצב העברת נתונים שמציג את קצב העברת הנתונים לפי מספר הלקוחות. ככל שמספר הלקוחות גדל, קצב הנתונים גדל עד שכל המשאבים מנוצלים.
איור 1: תרשים שמציג קנה מידה אופייני של קצב העברת נתונים. ככל שמספר הלקוחות גדל, עומס העבודה והתפוקה גדלים עד שכל המשאבים מוצו.

באופן אידיאלי, כשמכפילים את העומס על המערכת, גם התפוקה אמורה להכפיל את עצמה. בפועל, תהיה תחרות על המשאבים, מה שיוביל לעלייה קטנה יותר בקצב העברת הנתונים. בשלב מסוים, ניצול יתר של משאבים או תחרות על משאבים יגרמו לקצב העברת הנתונים להתייצב או אפילו לרדת. אם אתם מבצעים אופטימיזציה של קצב העברת הנתונים, חשוב לזהות את הנקודה הזו כי היא תכוון את המאמצים שלכם למקום שבו צריך לכוונן את האפליקציה או את מערכת מסד הנתונים כדי לשפר את קצב העברת הנתונים.

הנה כמה סיבות נפוצות לכך שקצב העברת הנתונים מתייצב או יורד:

  • מיצוי משאבי CPU בשרת מסד הנתונים
  • ניצול יתר של משאבי המעבד (CPU) בצד הלקוח, כך שלא נשלחת עוד עבודה לשרת מסד הנתונים
  • תחרות על נעילה במסד נתונים
  • זמן ההמתנה לקלט/פלט כשהנתונים חורגים מהגודל של מאגר הנתונים הזמני של Postgres
  • זמן ההמתנה של קלט/פלט בגלל ניצול מנוע האחסון
  • צווארי בקבוק ברוחב הפס של הרשת שמונעים החזרת נתונים ללקוח

זמן האחזור והתפוקה הם ביחס הפוך. ככל שזמן האחזור גדל, קצב העברת הנתונים יורד. זה הגיוני מבחינה אינטואיטיבית. כשהצוואר בקבוק מתחיל להיווצר, הפעולות מתחילות להימשך יותר זמן והמערכת מבצעת פחות פעולות בשנייה.

תרשים של קנה מידה של זמן אחזור שמראה שזמן האחזור נשאר קבוע עד שנוצר חיכוך בגלל תחרות על משאבים.
איור 2: תרשים אופייני של התאמה לעומס (scaling) של זמן האחזור. ההשהיה נשארת קבועה עד שמתרחשת התנגשות בגלל תחרות על משאבים.

בתרשים של קנה המידה של זמן האחזור אפשר לראות איך זמן האחזור משתנה ככל שהעומס על המערכת גדל. החביון נשאר יחסית קבוע עד שמתרחשת בעיה בגלל תחרות על משאבים. נקודת הפיתול של העקומה הזו תואמת בדרך כלל לנקודה שבה העקומה של קצב הנתונים מתחילה להתיישר בגרף של קצב הנתונים.

דרך שימושית נוספת להעריך את זמן האחזור היא באמצעות היסטוגרמה. בייצוג הזה, אנחנו מקבצים את זמני האחזור לקטגוריות וסופרים כמה בקשות נכללות בכל קטגוריה.

תרשים של קנה מידה של זמן אחזור שמראה שזמן האחזור נשאר קבוע עד שנוצר חיכוך בגלל תחרות על משאבים.
איור 3: היסטוגרמה אופיינית של זמן אחזור. זמן האחזור נשאר קבוע עד שנוצר חיכוך בגלל תחרות על משאבים.*

ההיסטוגרמה הזו של זמן האחזור מראה שרוב הבקשות הן מתחת ל-100 אלפיות השנייה, וזמני האחזור ארוכים מ-100 אלפיות השנייה. הבנת הסיבה לבקשות עם זנב ארוך של זמני אחזור יכולה לעזור להסביר את השינויים בביצועי האפליקציה. הסיבות לזנב הארוך של זמני האחזור הארוכים יותר תואמות לזמני האחזור הארוכים יותר שמופיעים בתרשים הרגיל של קנה המידה של זמן האחזור, ולשיטוח של תרשים התפוקה.

ההיסטוגרמה של זמן האחזור שימושית במיוחד כשיש כמה אופנויות באפליקציה. מודאליות היא קבוצה רגילה של תנאי הפעלה. לדוגמה, ברוב המקרים האפליקציה ניגשת לדפים שנמצאים במטמון של המאגר. ברוב המקרים, האפליקציה מעדכנת שורות קיימות, אבל יכולים להיות כמה מצבים. לפעמים האפליקציה מאחזרת דפים מהאחסון, מוסיפה שורות חדשות או נתקלת במאבק על נעילה.

כשאפליקציה נתקלת במצבי הפעלה שונים לאורך זמן, ההיסטוגרמה של זמן האחזור מציגה את המצבים השונים האלה.

תרשים של שינוי בהשהיה שמראה שההשהיה נשארת קבועה עד שמתרחשת בעיה בגלל תחרות על משאבים.
איור 4: היסטוגרמה טיפוסית של זמן אחזור דו-אופני. זמן האחזור נשאר קבוע עד שנוצר חיכוך בגלל תחרות על משאבים.

באיור הזה מוצג היסטוגרמה דו-מודאלית אופיינית, שבה רוב הבקשות מטופלות תוך פחות מ-100 אלפיות השנייה, אבל יש אשכול נוסף של בקשות שנמשכות 401-500 אלפיות השנייה. הבנת הסיבה להופעת האופן השני יכולה לעזור לשפר את הביצועים של האפליקציה. יכולים להיות גם יותר משני אופנים.

המודאליות השנייה יכולה לנבוע מפעולות רגילות של מסד הנתונים, מתשתית ומטופולוגיה הטרוגניות או מהתנהגות של האפליקציה. הנה כמה דוגמאות:

  • רוב הגישות לנתונים הן ממאגר הנתונים הזמני של PostgreSQL, אבל חלקן מגיעות מהאחסון
  • הבדלים בחביון ברשת עבור חלק מהלקוחות לשרת מסד הנתונים
  • לוגיקה של אפליקציה שמבצעת פעולות שונות בהתאם לקלט או לשעה ביום
  • תחרות על נעילה באופן ספורדי
  • עלייה חדה בפעילות הלקוחות