.png)
En el panorama tecnológico actual, en constante evolución y en el que el rendimiento es una prioridad absoluta, las bases de datos desempeñan un papel fundamental a la hora de garantizar experiencias de usuario fluidas y aplicaciones fiables.
En WeWard, donde cada milisegundo cuenta para mejorar la experiencia del usuario, nos embarcamos en un ambicioso viaje para transformar PostgreSQL en un motor de rendimiento excepcional. Este artículo explora los retos a los que nos enfrentamos, las soluciones implementadas y las mejores prácticas que nos permitieron optimizar PostgreSQL de forma significativa.
En un mundo en el que los usuarios esperan tiempos de respuesta instantáneos, las bases de datos lentas pueden provocar frustración y pérdida de oportunidades. En WeWard, este reto se traduce en millones de transacciones diarias y consultas complejas que requieren un rendimiento impecable. Nuestros retos incluían consultas lentas, carga excesiva y una arquitectura que requería una mayor escalabilidad.
He aquí cómo superamos estos obstáculos.
La base de cualquier optimización PostgreSQL comienza con el análisis de consultas. Identificamos ineficiencias estudiando los planes de ejecución de las consultas.
Utilizando EXPLICAR y ANALIZAR...obtuvimos una radiografía de nuestras consultas.
Ejemplo de consulta problemática:
SELECT level_customer.*
FROM level_customer
JOIN level ON level.id = level_customer.level_id
WHERE level_customer.customer_id = XXXXXXX
AND level_customer.start_date <= '2024-05-07'::date
AND level.version = 2
ORDER BY level_customer.start_date DESC, level.value DESC
LIMIT 1;
Problemas detectados:
Solución:Creación de índices:
CREATE INDEX idx_level_customer_customer_date_value
ON level_customer (customer_id, start_date DESC, level_id DESC);
Ajuste del planificador:Forzamos a PostgreSQL a utilizar Unión de bucles anidados en lugar del predeterminado Unión Hash para esta consulta específica.
Vistas materializadas:Para consultas complejas, las vistas materializadas reducen la sobrecarga de cálculo en cada ejecución, proporcionando un rendimiento notablemente estable.
Con millones de consultas diarias, adoptamos una arquitectura basada en réplicas para distribuir la carga.
Ventajas:
Consideraciones técnicas:
Las tablas que contienen miles de millones de filas pueden ralentizar considerablemente las operaciones de lectura y escritura. El particionamiento divide una tabla en subconjuntos más pequeños, lo que mejora la eficacia de las consultas.
Herramienta: pg_partman
Ventajas:
Cada conexión PostgreSQL consume recursos del sistema. Para evitar la sobrecarga del servidor:
max_conexiones se ajustó en función del hardware disponible y de las necesidades de la aplicación.Parámetros clave de memoria PostgreSQL:
buffers_compartidos: Controla la asignación de memoria para almacenar en caché los datos a los que se accede con frecuencia.work_mem: Define la memoria para la clasificación y las tablas hash durante la ejecución de la consulta.Los datos críticos ("calientes") permanecen en PostgreSQL, mientras que los de acceso menos frecuente ("fríos") se transfieren a Amazon S3 o Google Cloud Storage. El análisis de los datos fríos se realiza mediante Google BigQuery.
Ventajas:
WeWard utiliza herramientas de supervisión avanzadas como:
Ventajas:
Al combinar una rigurosa optimización de las consultas, una gestión inteligente de los recursos y arquitecturas modernas, PostgreSQL se ha convertido en un aliado clave para WeWard. Estas soluciones son aplicables a cualquier organización que pretenda maximizar el potencial de las bases de datos.
💬 ¿Cuáles son tus estrategias para optimizar PostgreSQL? ¡Comparte tus experiencias y únete a la conversación!
👉 Explora nuestra aplicación móvil: WeWard.
.svg)
.png)
.png)
.png)
.jpg)
.JPG)