Descripción general
Un proveedor de tecnología para el comercio minorista había visto cómo los tiempos de respuesta aumentaban poco a poco durante dieciocho meses sin que ningún cambio concreto lo explicara. La solución propuesta era renovar el hardware. Se contrató a AceMQ para determinar si el hardware era de verdad el factor limitante.
Reto
Una degradación gradual rara vez tiene una sola causa. Los planes de ejecución habían cambiado al crecer el volumen de datos, varias tablas con muchas actualizaciones acumulaban un bloat considerable y la aplicación abría muchas más conexiones de las que el servidor podía atender con eficiencia con la memoria disponible. Separar estos efectos exigía medir, no solo inspeccionar.
Entorno
PostgreSQL en hosts on-premise y en la nube, como base de los servicios de gestión de pedidos e inventario.
Enfoque
AceMQ utilizó las estadísticas acumuladas de sentencias para ordenar las consultas por el tiempo total que aportaban y no por su duración individual, lo que desplazó la atención de la consulta más lenta a las que realmente consumían el clúster. El bloat se midió directamente y el comportamiento de las conexiones se perfiló en el pooler en lugar de suponerlo a partir de la configuración de la aplicación.
Solución
- Clasificación de los patrones de consulta por tiempo total de ejecución aportado, que dejó al descubierto las consultas de alta frecuencia que dominaban la carga
- Medición del bloat real de tablas e índices e identificación de los patrones de actualización y de las ejecuciones de vacuum bloqueadas que lo causaban
- Revisión de la cobertura de índices, de los índices redundantes y de los que el planificador nunca elegía
- Perfil del número de conexiones y del comportamiento del pooler frente al dimensionamiento de work_mem y shared_buffers
- Evaluación de los objetivos de estadísticas del planificador y de la cobertura de autoanalyze en las tablas con planes inestables
- Informe de hallazgos priorizado que separa las correcciones de configuración, el trabajo sobre el esquema y los límites reales de capacidad
Resultado final
La evaluación demostró que el factor limitante era el comportamiento de las consultas y del bloat, no el hardware, y la renovación se aplazó. Al abordar los hallazgos mejor clasificados, los tiempos de respuesta volvieron a acercarse a su línea base anterior sin añadir capacidad.