Статистический анализ производительности СУБД PostgreSQL
Предисловие
Оптимизировать запрос в вакууме — просто. Но как он поведет себя, когда десятки таких же запросов одновременно борются за ресурсы?
Методология исследования
Тестовая среда и инструменты:
Тестовая ВМ: CPU = 8 / RAM = 8GB
Инструмент нагрузочного тестирования и статистического анализа производительности СУБД: pg_expecto
Тестовая база данных: "Демобаза 2.0" (большой размер, сложная схема)
Условия тестирования: параллельная нагрузка, ресурсоемкий запрос
СУБД: PostgreSQL 17
Конфигурационные параметры СУБД
track_io_timing = 'on' listen_addresses = '0.0.0.0' logging_collector = 'on' log_directory = '/log/pg_log' log_destination = 'stderr' log_rotation_size = '0' log_rotation_age = '1d' log_filename = 'postgresql-%u.log' log_line_prefix = '%m| %d| %a| %u| %h| %p| %e| ' log_truncate_on_rotation = 'on' log_checkpoints = 'on' archive_mode = 'on' archive_command = 'true' archive_timeout = '30min' checkpoint_timeout = '15min' checkpoint_warning = '60' checkpoint_completion_target = '0.9' min_wal_size = '2GB' max_wal_size = '8GB' synchronous_commit = 'on' wal_compression = 'on' random_page_cost = '1.1' effective_io_concurrency = '300' wal_sender_timeout = '0' autovacuum_naptime = '1s' autovacuum_vacuum_scale_factor = '0.01' autovacuum_analyze_scale_factor = '0.005' autovacuum_vacuum_cost_delay = '2ms' autovacuum_max_workers = '4' autovacuum_work_mem = '256MB' vacuum_cost_limit = '4000' bgwriter_delay = '10ms' bgwriter_lru_multiplier = '4' bgwriter_lru_maxpages = '400' max_locks_per_transaction = '256' max_pred_locks_per_transaction = '256' shared_buffers = '1919MB' effective_cache_size = '5757MB' work_mem = '14MB' temp_buffers = '14MB' maintenance_work_mem = '479MB' max_worker_processes = '8' max_parallel_workers = '8' max_parallel_workers_per_gather = '4' idle_in_transaction_session_timeout = '1h' statement_timeout = '8h' pg_stat_statements.track_utility = 'off' max_parallel_maintenance_workers = '4' hash_mem_multiplier = '2' autovacuum_vacuum_insert_scale_factor = '0.01' shared_preload_libraries = 'pg_stat_statements , pg_wait_sampling' commit_delay = '1000' log_autovacuum_min_duration = '0' wipe_file_on_delete = 'on' wipe_heaptuple_on_delete = 'on' wipe_mem_on_free = 'on' wipe_memctx_on_free = 'on' wipe_xlog_on_free = 'on' log_connections = 'on' log_disconnections = 'on' pg_stat_statements.track = 'all' max_connections = '1000'
План нагрузочного тестирования (param.conf)
# НАСТРОЙКИ НАГРУЗОЧНОГО ТЕСТИРОВАНИЯ # Максимальная нагрузка finish_load = 20 # Тестовая БД testdb = demo # Веса сценариев scenario1 = 1.0
Нагрузка на СУБД
Тестовый запрос, используемый в качестве baseline : LEFT JOIN
Запрос демонстрирует:
LEFT JOIN bookings → tickets
Все бронирования, даже без привязанных билетовLEFT JOIN tickets → segments
Все билеты, даже без перелётовLEFT JOIN segments → flights
Все перелёты, даже без информации о рейсахLEFT JOIN segments → boarding_passes
Все перелёты, даже без посадочных талоновВыбирает случайную дату из существующих бронирований
Гарантирует, что период полностью входит в доступный диапазон дат
Такой запрос может быть полезен для анализа:
Неполных бронирований
Билетов без привязки к рейсам
Рейсов без процедуры посадки
Статистики по незавершённым операциям
Таблицы, используемые в тестовом запросе
demo=# \d bookings Unlogged table "bookings.bookings" Column | Type | Collation | Nullable | Default --------------+--------------------------+-----------+----------+--------- book_ref | character(6) | | not null | book_date | timestamp with time zone | | not null | total_amount | numeric(10,2) | | not null | Indexes: "bookings_pkey" PRIMARY KEY, btree (book_ref) "idx_bookings_book_date" btree (book_date) Referenced by: TABLE "tickets" CONSTRAINT "tickets_book_ref_fkey" FOREIGN KEY (book_ref) REFERENCES bookings(book_ref) demo=# \d tickets Unlogged table "bookings.tickets" Column | Type | Collation | Nullable | Default ----------------+--------------+-----------+----------+--------- ticket_no | text | | not null | book_ref | character(6) | | not null | passenger_id | text | | not null | passenger_name | text | | not null | outbound | boolean | | not null | Indexes: "tickets_pkey" PRIMARY KEY, btree (ticket_no) "idx_tickets_book_ref" btree (book_ref) "tickets_book_ref_passenger_id_outbound_key" UNIQUE CONSTRAINT, btree (book_ref, passenger_id, outbound) Foreign-key constraints: "tickets_book_ref_fkey" FOREIGN KEY (book_ref) REFERENCES bookings(book_ref) Referenced by: TABLE "segments" CONSTRAINT "segments_ticket_no_fkey" FOREIGN KEY (ticket_no) REFERENCES tickets(ticket_no) demo=# \d segments Unlogged table "bookings.segments" Column | Type | Collation | Nullable | Default -----------------+---------------+-----------+----------+--------- ticket_no | text | | not null | flight_id | integer | | not null | fare_conditions | text | | not null | price | numeric(10,2) | | not null | Indexes: "segments_pkey" PRIMARY KEY, btree (ticket_no, flight_id) "idx_segments_flight_id" btree (flight_id) "idx_segments_flight_id_fare_conditions" btree (flight_id, fare_conditions) "idx_segments_ticket_no" btree (ticket_no) "segments_flight_id_idx" btree (flight_id) Check constraints: "segments_fare_conditions_check" CHECK (fare_conditions = ANY (ARRAY['Economy'::text, 'Comfort'::text, 'Business'::text])) "segments_price_check" CHECK (price >= 0::numeric) Foreign-key constraints: "segments_flight_id_fkey" FOREIGN KEY (flight_id) REFERENCES flights(flight_id) "segments_ticket_no_fkey" FOREIGN KEY (ticket_no) REFERENCES tickets(ticket_no) Referenced by: TABLE "boarding_passes" CONSTRAINT "boarding_passes_ticket_no_flight_id_fkey" FOREIGN KEY (ticket_no, flight_id) REFERENCES segments(ticket_no, flight_id) demo=# \d boarding_passes Unlogged table "bookings.boarding_passes" Column | Type | Collation | Nullable | Default ---------------+--------------------------+-----------+----------+--------- ticket_no | text | | not null | flight_id | integer | | not null | seat_no | text | | not null | boarding_no | integer | | | boarding_time | timestamp with time zone | | | Indexes: "boarding_passes_pkey" PRIMARY KEY, btree (ticket_no, flight_id) "boarding_passes_flight_id_boarding_no_key" UNIQUE CONSTRAINT, btree (flight_id, boarding_no) "boarding_passes_flight_id_boarding_time" btree (flight_id, boarding_time) "boarding_passes_flight_id_seat_no_key" UNIQUE CONSTRAINT, btree (flight_id, seat_no) Foreign-key constraints: "boarding_passes_ticket_no_flight_id_fkey" FOREIGN KEY (ticket_no, flight_id) REFERENCES segments(ticket_no, flight_id) demo=# \d flights Unlogged table "bookings.flights" Column | Type | Collation | Nullable | Default ---------------------+--------------------------+-----------+----------+------------------------------ flight_id | integer | | not null | generated always as identity route_no | text | | not null | status | text | | not null | scheduled_departure | timestamp with time zone | | not null | scheduled_arrival | timestamp with time zone | | not null | actual_departure | timestamp with time zone | | | actual_arrival | timestamp with time zone | | | Indexes: "flights_pkey" PRIMARY KEY, btree (flight_id) "flights_route_no_scheduled_departure_key" UNIQUE CONSTRAINT, btree (route_no, scheduled_departure) "idx_flights_route_no" btree (route_no) "idx_flights_scheduled_departure" btree (scheduled_departure DESC) Check constraints: "flight_actual_check" CHECK (actual_arrival IS NULL OR actual_departure IS NOT NULL AND actual_arrival IS NOT NULL AND actual_arrival > actual_departure) "flight_scheduled_check" CHECK (scheduled_arrival > scheduled_departure) "flight_status_check" CHECK (status = ANY (ARRAY['Scheduled'::text, 'On Time'::text, 'Delayed'::text, 'Boarding'::text, 'Departed'::text, 'Arrived'::text, 'Cancelled'::text])) Referenced by: TABLE "segments" CONSTRAINT "segments_flight_id_fkey" FOREIGN KEY (flight_id) REFERENCES flights(flight_id)
Тестовый запрос - LEFT JOIN
WITH random_period AS ( SELECT start_date, start_date + INTERVAL '30 days' AS end_date FROM ( SELECT book_date AS start_date FROM bookings WHERE book_date <= (SELECT MAX(book_date) FROM bookings) - INTERVAL '30 days' ORDER BY RANDOM() LIMIT 1 ) AS random_date ) SELECT b.book_ref, b.book_date, t.ticket_no, t.passenger_name, s.flight_id, f.status, f.scheduled_departure, f.actual_departure, bp.seat_no, bp.boarding_no, rp.start_date AS period_start, rp.end_date AS period_end FROM random_period rp CROSS JOIN LATERAL ( SELECT * FROM bookings b WHERE b.book_date BETWEEN rp.start_date AND rp.end_date ) b LEFT JOIN tickets t ON b.book_ref = t.book_ref LEFT JOIN segments s ON t.ticket_no = s.ticket_no LEFT JOIN flights f ON s.flight_id = f.flight_id LEFT JOIN boarding_passes bp ON s.ticket_no = bp.ticket_no AND s.flight_id = bp.flight_id ORDER BY b.book_date, t.ticket_no;
План выполнения тестового запроса - LEFT JOIN
Sort (cost=2544355.52..2550077.32 rows=2288717 width=93) (actual time=58778.563..59050.999 rows=1146771 loops=1) Sort Key: b.book_date, t.ticket_no Sort Method: external merge Disk: 121832kB CTE random_period -> Subquery Scan on random_date (cost=66429.70..66429.71 rows=1 width=16) (actual time=2883.937..2883.945 rows=1 loops=1) -> Limit (cost=66429.70..66429.70 rows=1 width=16) (actual time=2883.919..2883.925 rows=1 loops=1) InitPlan 2 -> Result (cost=0.45..0.46 rows=1 width=8) (actual time=1.994..1.996 rows=1 loops=1) InitPlan 1 -> Limit (cost=0.43..0.45 rows=1 width=8) (actual time=1.989..1.991 rows=1 loops=1) -> Index Only Scan Backward using idx_bookings_book_date on bookings (cost=0.43..128154.91 rows=7113192 width=8) (actual time=1.988..1.989 rows=1 loops=1) Heap Fetches: 0 -> Sort (cost=66429.24..72356.90 rows=2371064 width=16) (actual time=2883.917..2883.918 rows=1 loops=1) Sort Key: (random()) Sort Method: top-N heapsort Memory: 25kB -> Index Only Scan using idx_bookings_book_date on bookings bookings_1 (cost=0.43..54573.91 rows=2371064 width=16) (actual time=2.183..1714.099 rows=6894590 loops=1) Index Cond: (book_date <= ((InitPlan 2).col1 - '30 days'::interval)) Heap Fetches: 0 -> Hash Left Join (cost=685482.92..2046557.85 rows=2288717 width=93) (actual time=49378.694..57307.629 rows=1146771 loops=1) Hash Cond: (s.flight_id = f.flight_id) -> Merge Right Join (cost=681880.13..2036946.95 rows=2288717 width=69) (actual time=49326.107..56627.660 rows=1146771 loops=1) Merge Cond: (s.ticket_no = t.ticket_no) -> Merge Left Join (cost=1.12..1264914.46 rows=20598448 width=25) (actual time=3.919..32375.016 rows=6564405 loops=1) Merge Cond: ((s.ticket_no = bp.ticket_no) AND (s.flight_id = bp.flight_id)) -> Index Only Scan using segments_pkey on segments s (cost=0.56..424624.50 rows=20598448 width=18) (actual time=3.875..1950.364 rows=6564405 loops=1) Heap Fetches: 0 -> Index Scan using boarding_passes_pkey on boarding_passes bp (cost=0.56..637941.24 rows=19870556 width=25) (actual time=0.033..25169.883 rows=6564405 loops=1) -> Materialize (cost=681879.01..690532.20 rows=1730639 width=58) (actual time=21308.253..22022.391 rows=1146771 loops=1) -> Sort (cost=681879.01..686205.61 rows=1730639 width=58) (actual time=21308.245..21812.491 rows=862459 loops=1) Sort Key: t.ticket_no Sort Method: external merge Disk: 58600kB -> Nested Loop Left Join (cost=0.87..464448.40 rows=1730639 width=58) (actual time=2886.101..18909.459 rows=862459 loops=1) -> Nested Loop (cost=0.43..31711.08 rows=790355 width=31) (actual time=2884.013..3268.567 rows=397632 loops=1) -> CTE Scan on random_period rp (cost=0.00..0.02 rows=1 width=16) (actual time=2883.941..2883.946 rows=1 loops=1) -> Index Scan using idx_bookings_book_date on bookings b (cost=0.43..23807.51 rows=790355 width=15) (actual time=0.063..308.659 rows=397632 loops=1) Index Cond: ((book_date >= rp.start_date) AND (book_date <= rp.end_date)) -> Index Scan using idx_tickets_book_ref on tickets t (cost=0.43..0.52 rows=3 width=34) (actual time=0.038..0.038 rows=2 loops=397632) Index Cond: (book_ref = b.book_ref) -> Hash (cost=2247.35..2247.35 rows=108435 width=28) (actual time=52.383..52.385 rows=108435 loops=1) Buckets: 131072 Batches: 1 Memory Usage: 7377kB -> Seq Scan on flights f (cost=0.00..2247.35 rows=108435 width=28) (actual time=0.024..22.614 rows=108435 loops=1) Planning Time: 37.456 ms Execution Time: 59151.413 ms
Эксперимент-1 : вариант с использованием EXISTS
Эксперимент-2 : вариант с оптимизацией структуры запроса (TUNING)
Эксперимент-3 «Частичная агрегация»
Тестовый запрос - ARRAY
WITH random_period AS ( SELECT book_date AS start_date, book_date + INTERVAL '30 days' AS end_date FROM bookings ORDER BY RANDOM() LIMIT 1 ), booking_summary AS ( SELECT b.book_ref, b.book_date, COUNT(t.ticket_no) as ticket_count, ARRAY_AGG(t.ticket_no) as ticket_numbers FROM bookings b LEFT JOIN tickets t ON b.book_ref = t.book_ref WHERE b.book_date BETWEEN (SELECT start_date FROM random_period) AND (SELECT end_date FROM random_period) GROUP BY b.book_ref, b.book_date ) SELECT bs.book_ref, bs.book_date, bs.ticket_count, tn.ticket_no, -- Используем развернутое значение t.passenger_name, s.flight_id, f.status FROM booking_summary bs CROSS JOIN UNNEST(bs.ticket_numbers) AS tn(ticket_no) -- Разворачиваем массив здесь LEFT JOIN tickets t ON t.ticket_no = tn.ticket_no -- Теперь соединяем по одиночному значению LEFT JOIN segments s ON s.ticket_no = t.ticket_no LEFT JOIN flights f ON f.flight_id = s.flight_id ORDER BY bs.book_date, tn.ticket_no; -- Сортируем по развернутому значению
План выполнения тестового запроса - ARRAY
Sort (cost=602598.54..603774.42 rows=470349 width=80) (actual time=32916.398..33173.216 rows=1078047 loops=1) Sort Key: b.book_date, tn.ticket_no Sort Method: external merge Disk: 78992kB CTE random_period -> Limit (cost=191879.84..191879.84 rows=1 width=24) (actual time=4366.534..4366.546 rows=1 loops=1) -> Sort (cost=191879.84..209662.82 rows=7113192 width=24) (actual time=4366.531..4366.534 rows=1 loops=1) Sort Key: (random()) Sort Method: top-N heapsort Memory: 25kB -> Seq Scan on bookings (cost=0.00..156313.88 rows=7113192 width=24) (actual time=0.147..3051.234 rows=7113192 loops=1) -> Hash Left Join (cost=86766.61..332003.89 rows=470349 width=80) (actual time=12377.785..31429.152 rows=1078047 loops=1) Hash Cond: (s.flight_id = f.flight_id) -> Nested Loop Left Join (cost=83163.83..327166.39 rows=470349 width=72) (actual time=12311.365..30556.856 rows=1078047 loops=1) -> Nested Loop Left Join (cost=83163.26..104902.04 rows=355660 width=82) (actual time=12311.267..23764.409 rows=821542 loops=1) -> Nested Loop (cost=83162.69..95979.99 rows=355660 width=55) (actual time=12311.155..14786.294 rows=821542 loops=1) -> Finalize GroupAggregate (cost=83162.69..88866.79 rows=35566 width=55) (actual time=12311.108..13733.846 rows=388524 loops=1) Group Key: b.book_ref InitPlan 2 -> CTE Scan on random_period (cost=0.00..0.02 rows=1 width=8) (actual time=4366.541..4366.544 rows=1 loops=1) InitPlan 3 -> CTE Scan on random_period random_period_1 (cost=0.00..0.02 rows=1 width=8) (actual time=0.001..0.002 rows=1 loops=1) -> Gather Merge (cost=83162.65..88066.51 rows=35566 width=55) (actual time=12311.079..13099.448 rows=388524 loops=1) Workers Planned: 1 Workers Launched: 1 -> Partial GroupAggregate (cost=82162.64..83065.33 rows=35566 width=55) (actual time=7912.508..8455.765 rows=194262 loops=2) Group Key: b.book_ref -> Sort (cost=82162.64..82277.17 rows=45811 width=29) (actual time=7912.458..8132.223 rows=410771 loops=2) Sort Key: b.book_ref Sort Method: external merge Disk: 16168kB Worker 0: Sort Method: external merge Disk: 16016kB -> Nested Loop Left Join (cost=0.87..78616.09 rows=45811 width=29) (actual time=1.708..7358.141 rows=410771 loops=2) -> Parallel Index Scan using idx_bookings_book_date on bookings b (cost=0.43..982.51 rows=20921 width=15) (actual time=0.892..210.773 rows=194262 loops=2) Index Cond: ((book_date >= (InitPlan 2).col1) AND (book_date <= (InitPlan 3).col1)) -> Index Scan using idx_tickets_book_ref on tickets t_1 (cost=0.43..3.68 rows=3 width=21) (actual time=0.035..0.036 rows=2 loops=388524) Index Cond: (book_ref = b.book_ref) -> Function Scan on unnest tn (cost=0.00..0.10 rows=10 width=32) (actual time=0.001..0.001 rows=2 loops=388524) -> Memoize (cost=0.57..2.79 rows=1 width=27) (actual time=0.010..0.010 rows=1 loops=821542) Cache Key: tn.ticket_no Cache Mode: logical Hits: 0 Misses: 821542 Evictions: 607974 Overflows: 0 Memory Usage: 28673kB -> Index Scan using tickets_pkey on tickets t (cost=0.56..2.78 rows=1 width=27) (actual time=0.009..0.009 rows=1 loops=821542) Index Cond: (ticket_no = tn.ticket_no) -> Index Only Scan using segments_pkey on segments s (cost=0.56..0.60 rows=2 width=18) (actual time=0.007..0.008 rows=1 loops=821542) Index Cond: (ticket_no = t.ticket_no) Heap Fetches: 0 -> Hash (cost=2247.35..2247.35 rows=108435 width=12) (actual time=66.115..66.117 rows=108435 loops=1) Buckets: 131072 Batches: 1 Memory Usage: 5727kB -> Seq Scan on flights f (cost=0.00..2247.35 rows=108435 width=12) (actual time=0.056..32.890 rows=108435 loops=1) Planning Time: 61.057 ms Execution Time: 33270.417 ms
Сравнительный анализ планов выполнения запросов
Преимущества:
В 1.8 раза быстрее основного запроса
Использование параллельных вычислений (Workers Launched: 1)
Эффективное кэширование (Memoize с логическим кэшированием)
Меньше планируемых строк для обработки (470K)
Недостатки:
Более сложное планирование (61.1 мс)
Использование агрегации и развертывания массивов
Больше операций с памятью (28.7 MB для кэша)
Ключевые отличия при использовании частичной агрегации
Агрегация в CTE с ARRAY_AGG
Развертывание массивов через UNNEST
Параллельная обработку
Логическое кэширование результатов
Производительность и ожидания СУБД
Операционная скорость
Среднее увеличение операционной скорости при использовании запроса "ARRAY" составило 120.15%
Ожидания СУБД
Сравнительный анализ wait_event_type
1. wait_event_type = IO
LEFT JOIN : Экстремально высокие значения (до 15K), быстрый рост
ARRAY: В 2 раза меньше максимальная нагрузка (до 8K), более стабильный рост
Вывод: ARRAY значительно эффективнее работает с диском
2. wait_event_type = IPC
LEFT JOIN : Очень высокие значения (до 24K), агрессивный рост
ARRAY: На порядок ниже (до 131), умеренный рост
Вывод: LEFT JOIN создает большую конкуренцию за ресурсы между процессами
3. wait_event_type = LWLOCK
LEFT JOIN : Высокие значения (до 106), стабильный рост
ARRAY: Более высокие максимальные значения (до 227), но плавный рост
Вывод: ARRAY использует больше легковесных блокировок, но распределяет их лучше
4. wait_event_type = TIMEOUT
LEFT JOIN : Значительное количество (до 19), указывает на ожидания
ARRAY: Минимальные значения (до 5)
Вывод: ARRAY меньше подвержен блокировкам и ожиданиям
Итог
Преимущества при использовании частичной агрегации :
В 2-3 раза меньше нагрузка на IO и IPC
Более стабильный профиль выполнения
Меньше блокировок и ожиданий
Лучшая масштабируемость при параллельной работе
Метрики iostat для дискового устройства, используемого файловой системой /data
Дисковая подсистема не участвует в ограничении производительности данных запросов.
Метрики vmstat
Сравнительный анализ ключевых метрик
Процессы (procs)
Параметр | LEFT JOIN | ARRAY |
procs_r | 4-9 (высокая очередь выполнения) | 5-15 (умеренная очередь) |
procs_b | 1-2 (постоянно есть заблокированные процессы) | 0-1 (минимальное блокирование) |
Вывод: При использовании частичной агрегации достигается лучшая управляемость процессами и снижение блокировок.
Память
Параметр | LEFT JOIN | ARRAY |
memory_swpd | 203-217(использует swap) | 204-237 (стабильное использование) |
memory_free | 179-182(низкая свободная память) | 178-329 (больше свободной памяти) |
memory_buff | 10-147(нестабильные буферы) | 3-124 (стабильные буферы) |
Вывод: При использовании частичной агрегации эффективнее используется память, меньше обращений к swap.
Ввод-вывод
Параметр | LEFT JOIN | ARRAY |
io_bi | 42442-86819 (очень высокая активность чтения) | 12455-34691 (в 2-3 раза меньше чтения) |
io_bo | 3474-7528(высокая активность записи) | 3569-22387 (сопоставимая запись) |
Вывод: При использовании частичной агрегации значительно снижается нагрузку на IO.
Системные события
Параметр | LEFT JOIN | ARRAY |
system_in | 10097-14285 (высокие прерывания) | 6324-9509 (меньше прерываний) |
system_cs | 9511-13765 (частые переключения контекста) | 1505-2586 (значительно меньше переключений) |
Вывод: Использовании частичной агрегации создает меньше системной нагрузки.
Загрузка CPU
Параметр | LEFT JOIN | ARRAY |
cpu_us | 35-57% (умеренная пользовательская нагрузка) | 59-95% (высокая пользовательская нагрузка) |
cpu_sy | 4-5% (низкая системная нагрузка) | 2-4% (минимальная системная нагрузка) |
cpu_id | 17-47% (простой уменьшается со временем) | 0-36% (эффективное использование CPU) |
cpu_wa | 10-17% (высокое ожидание IO) | 0-3% (минимальное ожидание IO) |
Вывод: При частичной агрегации эффективнее используется CPU, меньше времени тратится на ожидание.
Итог
Использование частичной агрегации демонстрирует значительно лучшую эффективность использования системных ресурсов:
Оптимизированное использование CPU - больше времени на полезную работу
Сниженная нагрузка на IO - меньше операций чтения/записи
Стабильное управление памятью - минимальное использование swap
Эффективное планирование процессов - меньше блокировок и переключений
Производительность подтверждается на всех уровнях: от дисковой подсистемы до управления процессами, что объясняет его более быстрое выполнение по сравнению с базовым вариантом "LEFT JOIN".
Общий итог : Часть-3 "Частичная агрегация"
Для условий высокой параллельной нагрузки и конкуренции за вычислительные ресурсы, с точки зрения производительности СУБД - использование частичной агрегации оказывает кардинальное влияние на увеличение производительности СУБД.
Производительность СУБД:
Среднее увеличение операционной скорости при использовании запроса "ARRAY" составило 120.15%
📊 Анализ эффективности выполнения запросов
Планы выполнения:
Частичная агрегация использует современные возможности PostgreSQL: параллельные вычисления, кэширование Memoize, агрегацию через ARRAY_AGG
Несмотря на более сложный план, демонстрируется лучшая производительность
Ожидания СУБД (Wait Events):
Снижение нагрузку на IO в 2-3 раза
Межпроцессное взаимодействие уменьшено на порядок (с 24K до 131)
Меньше блокировок и таймаутов - более стабильная работа
💾 Использование системных ресурсов
Дисковая подсистема:
Оба подхода эффективно используют кэширование в памяти
Физический IO не является ограничивающим фактором
Данные полностью помещаются в оперативной памяти
Процессор и память:
Частичная агрегация эффективнее использует CPU (95% пользовательского времени против 57%)
Снижено время ожидания IO с 17% до 3%
Более стабильное управление памятью - меньше использования swap
Системные процессы:
На 70-80% меньше переключений контекста
Минимальное количество заблокированных процессов
Снижена системная нагрузка на прерывания и обработку
🎯 Ключевые факторы успеха использования частичной агрегация
Уменьшение объема обрабатываемой информации
Эффективное использование многоядерных систем
Cнижение нагрузки на подсистемы
Меньшая конкуренция за ресурсы
💡 Заключение
Метод частичной агрегации "ARRAY" демонстрирует кардинальное превосходство над традиционным JOIN-подходом в условиях высокой параллельной нагрузки. Оптимизированное использование вычислительных ресурсов, снижение конкуренции и эффективная работа с памятью делают этот подход предпочтительным для современных высоконагруженных систем.
