Тюнинг MongoDB: WiredTiger, индексы, запросы

Представьте: сервер с 32 ГБ RAM, MongoDB использует 16 ГБ под кэш WiredTiger, но запросы всё равно выполняются за секунды. Причина — неэффективные индексы и неправильная конфигурация. Мы сталкивались с таким не раз: COLLSCAN вместо IXSCAN, кэш вытесняется страницами с диска, а агрегации съедают всю память. Оптимизация MongoDB — комплексная задача, включающая настройку движка WiredTiger, проектирование индексов и профилирование медленных запросов. Без системного подхода даже мощные серверы работают неэффективно. Наши инженеры имеют сертификаты MongoDB и 10+ лет опыта в этой области. В этой статье делимся практическими приёмами, которые помогли нашим клиентам сократить время ответа до 50%. Рассмотрим типичные ошибки и способы их устранения. Особое внимание уделим правилу ESR для индексов и настройке кэша WiredTiger — эти два момента дают наибольший эффект.

Проблемы, которые решаем

Неэффективная настройка кэша WiredTiger

По умолчанию MongoDB выделяет 50% RAM под кэш. На сервере с 32 ГБ это 16 ГБ. Но без явной установки cacheSizeGB кэш может быть вытеснен другими процессами. Мы всегда задаём его вручную, оставляя запас для ОС и дискового кэша.

# /etc/mongod.conf storage: wiredTiger: engineConfig: cacheSizeGB: 12 # Для сервера 32 GB journalCompressor: snappy collectionConfig: blockCompressor: snappy indexConfig: prefixCompression: true 

Мониторинг: db.serverStatus().wiredTiger.cache. Если pages evicted by application threads > 0, кэш под давлением — увеличьте cacheSizeGB.

Индексы: отсутствие или неправильный порядок

Без индекса любой запрос превращается в COLLSCAN. Главное правило — ESR (Equality, Sort, Range). Вот как строить составной индекс:

// Запрос: найти активные заказы пользователя, отсортировать по дате db.orders.find({ user_id: ObjectId("..."), status: "active" }).sort({ created_at: -1 }) // Правильный индекс: equality → sort db.orders.createIndex({ user_id: 1, status: 1, created_at: -1 }) 

Медленные агрегации с $lookup

Самая частая ошибка — $match после $lookup. Оптимальный порядок:

db.orders.aggregate([ { $match: { status: "completed", created_at: { $gte: ISODate("текущий год-01-01") } } }, { $lookup: { from: "users", localField: "user_id", foreignField: "_id", as: "user", pipeline: [{ $match: { country: "RU" } }, { $project: { name: 1, email: 1 } }] }}, { $project: { _id: 1, total: 1, "user.name": 1 } } ]) 

Для параллельных пайплайнов используйте $facet.

Настройка кэша WiredTiger: ключевые параметры

Ключевой параметр — cacheSizeGB. Установите его в 60–70% от доступной RAM, но не более 20 ГБ на современных версиях (согласно официальной документации MongoDB). Оставшуюся память отдайте ОС и дисковому кэшу. Для сервера 64 ГБ оптимально cacheSizeGB: 40, но с учётом других процессов — обычно 35–40.

Индексы: проектирование и уход

Используйте правило ESR для составных индексов. Регулярно проверяйте неиспользуемые индексы: db.aggregate([{ $indexStats: {} }]). Индексы с accesses.ops == 0 — мёртвый груз, их стоит удалять. Это экономит до 20% ОЗУ.

Когда стоит шардировать MongoDB?

Шардинг оправдан, если данные превышают 200 ГБ или нагрузка на запись более 10 000 RPS на один сервер. Ключ шардирования выбирайте с высокой кардинальностью, например хеш от user_id.

Как мы это делаем: кейс

Оптимизировали MongoDB для интернет-магазина — одного из наших клиентов — с каталогом в 5 млн товаров. Время запросов по категориям и цене — 2-3 секунды. Решение:

• Составные индексы по (category, price, created_at).
• cacheSizeGB = 20 на сервере 64 ГБ.
• Аналитические запросы на secondary (readPreference: secondaryPreferred).
• Заменили $lookup с пост-фильтрацией на pipeline.

Результат: время ответа упало до 50 мс, нагрузка на CPU снизилась на 30%. Наша команда гарантирует, что такой подход к индексации сокращает время ответа в 2 раза по сравнению с типовой конфигурацией. Средняя экономия клиентов за первый год — 200 000–500 000 руб на содержании серверов. Для срочных задач доступна экспресс-диагностика за 1 день — свяжитесь с нами.

Регулярная проверка неиспользуемых индексов

Индексы с accesses.ops == 0 занимают память и замедляют запись. Раз в месяц запускайте $indexStats и удаляйте неиспользуемые. Это экономит до 20% оперативной памяти на индексах. Правильный cacheSizeGB даёт прирост скорости на 40% против стандартных настроек.

Процесс работы и стоимость

1. Аудит: профайлер, explain, анализ индексов.
2. Проектирование: расчет cacheSizeGB, индексы по ESR.
3. Реализация: настройка конфигурации, создание/удаление индексов, оптимизация запросов.
4. Тестирование: нагрузочное тестирование, сравнение метрик.
5. Деплой: применение изменений, мониторинг.

Сроки оптимизации — от 3 до 10 рабочих дней. Стоимость рассчитывается индивидуально после бесплатного аудита. Экономия на серверной инфраструктуре может достигать 30% за счёт снижения нагрузки. Наша оптимизация окупается за 2-3 месяца.

Что входит в оптимизацию MongoDB

• Полный аудит текущей конфигурации и производительности.
• Проектирование схемы индексов с учётом бизнес-логики.
• Настройка WiredTiger (cacheSizeGB, компрессия, журнал).
• Оптимизация медленных запросов и агрегаций.
• Документация изменений и рекомендации по эксплуатации.
• Обучение команды и передача доступов.
• Поддержка в течение 30 дней после внедрения.

Чеклист тюнинга

Сравнение распространённых подходов к индексации

Пример включения профайлера

db.setProfilingLevel(1, { slowms: 50 }); db.getProfilingStatus(); db.system.profile.aggregate([ { $group: { _id: "$ns", avgMillis: { $avg: "$millis" }, count: { $sum: 1 } } }, { $sort: { avgMillis: -1 } }, { $limit: 10 } ]) 

Закажите аудит производительности MongoDB — получите консультацию инженера и план оптимизации.