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.

האיור הבא מציג גרף אופייני של קנה מידה של תפוקה. ככל שמספר הלקוחות גדל, עומס העבודה והתפוקה גדלים עד שכל המשאבים מוצו.

תרשים של קצב העברת הנתונים שמוצג בו קצב העברת הנתונים עבור 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, כשהעומס על המערכת מוכפל, גם התפוקה צריכה להיות מוכפלת. בפועל, תהיה תחרות על המשאבים שתגרום לעלייה קטנה יותר בנפח 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:

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

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

תרשים של שינוי בהשהיה שמראה שההשהיה נשארת קבועה עד שמתרחשת בעיה בגלל תחרות על משאבים.
איור 2: תרשים שבו מוצגת השהיה אופיינית. 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 להערכת זמן האחזור היא באמצעות היסטוגרמה. בייצוג הזה, אנחנו מקבצים את זמני האחזור לקטגוריות וסופרים כמה בקשות נכללות בכל קטגוריה.

תרשים של שינוי בהשהיה שמראה שההשהיה נשארת קבועה עד שמתרחשת בעיה 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 זמני האחזור הארוכים יותר 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.

היסטוגרמת זמן האחזור הכי שימושית כשבאפליקציה יש כמה אופנים. אופן פעולה הוא קבוצה רגילה של תנאי הפעלה. לדוגמה, ברוב המקרים האפליקציה ניגשת לדפים שנמצאים במטמון המאגר. ברוב המקרים, האפליקציה מעדכנת שורות קיימות, אבל יכולים להיות כמה מצבים. לפעמים האפליקציה מאחזרת דפים מהאחסון, מוסיפה שורות חדשות או נתקלת בתחרות על נעילה.

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

תרשים של קנה מידה של זמן אחזור שמראה שזמן האחזור נשאר קבוע עד שנוצר חיכוך בגלל תחרות על משאבים.
איור 4: היסטוגרמה טיפוסית של זמן אחזור דו-אופני. ההשהיה נשארת קבועה עד שמתרחשת התנגשות 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 למודאליות השנייה הזו יכולה לעזור לשפר את ביצועי האפליקציה. יכול להיות גם יותר משני אופנים.

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

  • 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
  • עליות חדות בפעילות של לקוחות