àMétre Pourquoi il augmente Compute 1 000 curseurs = 1 000 commutateurs de contexte Stockage I/O 1 000 marches d'index + 1 000 desérialisations de doc Réseau Chaque rond-trip consomme ~1 ms RTT + TLS Métre Pourquoi il augmente Compute 1 000 curseurs = 1 000 commutateurs de contexte Stockage I/O 1 000 marches d'index + 1 000 desérialisations de doc Réseau Chaque rond-trip consomme ~1 ms RTT + TLSPourquoi il s’enfonceà Pourquoi est-ce que la sphère Calculer 1 000 curseurs = 1 000 commutateurs de contexteCompteur à Stockage I/O 1 000 index walks + 1 000 deserialisations docRéservation I/O à àRéseauàChaque tour-trip consomme ~1 ms RTT + TLS handshake sur têteàRéseau Chaque tour-trip consomme ~1 ms RTT + TLS handshake sur tête àCoût unitaire de la valeur Métrique Coût mensuel de lecture (3 k/s) 7.8 B $0.09 / M $702 Writes (150 / s) 380 M $0.225 / M $86 Transfert de données 1.5 TB $0.25 / GB $375 Stockage (2 TB) $0.24 / GB $480 Coût de l'unité de valeur Métrique Coût mensuelàLire (3 k/s) 7.8 B $0.09 / M $702àÉcrits (150 /s) 380 M $0.225 / M $86àTransfert de données 1.5 TB $0.25 / GB $375àStockage (2 TB) 0,24 $ / GB 480 $àCoût de l'unité de valeur Métrique Coût mensuelMétrique Valeur à à Lire (3 k/s) 7.8 B $0.09 / M $702Lire la suite (3 k/s) à 0,09 € / mois à àÉcriture (150 / s)à380 mètresà0,25 € / moisà86 millions
Écriture (150 / s) 380 mètres 0,25 € / mois 86 millions Transfert de données 1.5 TB $0.25 / GB $375à 
 0,25 € / GB à 375 $ Stockage (2 TB) 0,24 $ / GB 480 $à à 0,24 € / GB 480 millions àHour Action Tool Wins 0‐2 Turn on profiler (slowms = 50). Mongo shell Surface top 10 slow ops. 2‐6 Rewrite N + 1 into $lookup. VS Code + Jest teste 90 % moins de lectures. 6‐10 Ajoutez des projections et des limites aux résultats illimités. API layer RAM stable; API 4× plus rapide. 10‐16 Break jumbo docs → metas + GridFS/S3. Scripted ETL Working set fits in RAM. 16‐22 Drop/replace indices de faible cardinality. Compass Disk diminue; cache hits ↑. 22‐30 Créez des TTLs, mois-partition froid données, activez l’Archive en ligne. Atlas UI 60 % de stockage sauvegardé. 30‐36 Ajouter des panneaux L’Hour Action Tool gagneà0‐2 Téléchargez le profil (slow = 50). Mongo shell Surface top 10 slow ops.à2‐6 Réécrivez N + 1 en $lookup. VS Code + Jest teste 90 % moins de lectures.à6‐10 Ajouter des projections et limiter les résultats illimités. la couche de RAM de l'API est stable; l'API est 4x plus rapide.
àà 
Décomposez les dossiers jumbo → metas + GridFS/S3.àÉcrit par ETL
Il s’agit d’une mise en place en RAM.àà16‐22 Drop/replace les indices de faible cardinalité. Compass Disk se rétrécit; le cache frappe ↑.à22‐30 Créer des TTL, mesurer les données froides, activer l’archivage en ligne. Atlas UI 60 % de stockage sauvegardé.à30‐36 Ajouter des panneaux Grafana : cache hit %, scan:ix ratio, taux d’éviction.à36‐48 Test de charge avec k6 k6 + Atlas metrics Confirm p95 < 150 ms @ 2× charge.àL’Hour Action Tool gagneà action à gagne à0 à 2àTournez sur le profil (slow = 50).
Le shell MongoàSurface Top 10 Options lentes.àà 
 Le shell Mongo à 2‐6 Réécrivez N + 1 en $lookup. VS Code + Jest teste 90 % moins de lectures.2 à 6 à Test VS Code + Est 90 % de moins de lecture. à6 à 10
Ajouter des projections et des limites à des résultats illimités.
Feu de feuàRAM stable, API 4x plus rapide.
6 à 10 à Feu de feu RAM stable, API 4x plus rapide. àà 
Décomposez les dossiers jumbo → metas + GridFS/S3.àÉcrit par ETL
Il s’agit d’une mise en place en RAM.àà Décomposez les dossiers jumbo → metas + GridFS/S3. Écrit par ETL Il s’agit d’une mise en place en RAM. 
16 à 22

 àà à
 à16 à 22 
 à à 
à à
 àà à60 % de stockage économisé.àà 
 à 
 
30 à 36
à 

 
Alerte visuelle précoce.à30 à 36 à à à 
36 à 48

 

 à
 à36 à 48 
 à 
 Métrique Avant Après Δ empreinte de RAM 120 GB 36 GB −70 % Lecture/sec 6 700 900 −86 % Stockage (chaleureux) 2.1 TB 600 GB −71 % latence p95 1,9 s 140 ms −92 % Coût Atlas / mois 15 284 $3 210 −79 % Métrique Avant Après Δ empreinte de RAM 120 GB 36 GB −70 % Lecture/sec 6 700 900 −86 % Stockage (chaleureux) 2.1 TB 600 GB −71 % latence p95 1,9 s 140 ms −92 % Coût Atlas / mois 15 284 $3 210 −79 %Métrique avant après Δà 
 
 à àL’empreinte de RAM

 àà 
- 70 %
L’empreinte de RAM 
 à - 70 % àà à6 700à900 fois
- 86 %àà 6 700 
 
 Stockage (chaleureux) 2.1 TB 600 GB −71 %à à 
 
 àP95 Lancement
1.9 du S
à àà 92 %àP95 Lancement 1.9 du S à à 92 % 
Coût Atlas / Mo.à15 284 €à3 210 €àà 79 %
Coût Atlas / Mo. à 3 210 € à à à Protégez votre base de données contre les futurs incendies pour éviter des pertes de capital à grande échelle à votre étape de la série A Protégez votre base de données contre les futurs incendies pour éviter des pertes de capital à grande échelle à votre étape de la série A à à Disclaimer: Ce qui suit est une étude de cas fictive utilisée pour communiquer les meilleures pratiques pour la conception du schéma MongoDB, le réglage des performances et l'optimisation des coûts Disclaimer: The following is a fictional case study used to communicate best practices for MongoDB schema design, performance tuning, and cost optimization Le jour où le projet de loi est devenu nucléaire L’appel est venu à Le . 2:17 Atlas a provoqué une autre augmentation non sollicitée du cluster de production qui a entraîné une La machine à un coût mensuel Le conseil voulait savoir pourquoi la combustion a augmenté de 20% tandis que M60 sert comme un coûteux Le système. M60 $15k $15 k/month I opened the profiler: db.system.profile.aggregate([
  { $match: { millis: { $gt: 100 } } },
  { $group: {
      _id: { op: "$op", ns: "$ns", query: "$command.filter" },
      n: { $sum: 1 },
      avgMs: { $avg: "$millis" }
  }},
  { $sort: { n: -1 } }, { $limit: 10 }
]).pretty();
 Each dashboard widget required the offender to pull in a total of  La grande quantité d'utilisation de la mémoire a créé des sommets de montagne dans le graphique qui ressemblait à l'Everest. 1.7 GB Les serveurs M30 fonctionnent désormais avec l'un de ces clusters. La solution n'a pas entraîné une augmentation des fragments. Il existait dans la base de codes avant l'élimination. Crimes de forme L'enquête sur la scène du crime 2.1 N + 1 Tremblement de terre Ceci est reconnu comme un anti-pattern - lorsque l'ordre d'un ensemble d'ordres nécessite l'exécution de N requêtes séparées pour récupérer les lignes d'ordre. // Incorrect:  Orders   +   1 000 extra queries
const orders = await db.orders.find({ userId }).toArray();
for (const o of orders) {
  o.lines = await db.orderLines.find({ orderId: o._id }).toArray();
}
 Hidden taxes Métro Métro Pourquoi est-ce que la sphère Compute 1 000 curseurs = 1 000 commutateurs de contexte 1 000 curseurs = 1 000 commutateurs de contexte Storage I/O 1 000 index walks + 1 000 deserialisations doc 1 000 index walks + 1 000 deserialisations doc Network Chaque tour-trip consomme ~1 ms RTT + TLS handshake sur tête Refactor (4 lines): // Success: Single round‑trip, 1 read unit per order
db.orders.aggregate([
  { $match: { userId } },
  { $lookup: {
      from: "orderLines",
      localField: "_id",
      foreignField: "orderId",
      as: "lines"
  }},
  { $project: { lines: 1, total: 1, ts: 1 } }
]);
 La latence de p95 est passée de 2300 ms à 160 ms. 2 300 ms - 160 ms Avis sur le read-ops : C’est 99% off – pas de code de coupon nécessaire. 101 → 1. 2 - Unbounded Query Firehose à à « Mais nous devons montrer l’histoire complète des clics ! » « Mais nous devons montrer l’histoire complète des clics ! » Oui, mais pas dans un seul clavier. // Failure: Streams 30 months of data through the API gateway
db.events.find({ userId }).toArray();
 : hard-cap le lot et ne projette que les champs que vous rendez. Fix db.events.find(
  { userId, ts: { $gte: ISODate(new Date() - 1000*60*60*24*30) } },
  { _id: 0, ts: 1, page: 1, ref: 1 }     // projection
).sort({ ts: -1 }).limit(1_000);
 Alors laissez Mongo nettoyer derrière vous: // 90‑day sliding window
db.events.createIndex({ ts: 1 }, { expireAfterSeconds: 60*60*24*90 });
 à à Un client fintech a réduit sa facture de stockage de 72 % en une nuit en ajoutant simplement des TTL. Un client fintech a réduit sa facture de stockage de 72 % en une nuit en ajoutant simplement des TTL. 2.3 Jumbo-Document Money Pit Mongo couvre les documents à 16 MB, mais tout ce qui dépasse 256 KB est déjà un drapeau rouge. {
  "_id": "...",
  "type": "invoice",
  "customer": { /* 700 kB */ },
  "pdf": BinData(0,"..."),        // 4 MB binary
  "history": [ /* 1 200 delta rows */ ],
  "ts": ISODate()
}
 Why it hurts à à à à L'ensemble du document est en page même si vous lisez un champ. WiredTiger ne peut pas stocker autant de documents par page → faible ratio de succès du cache. Les entrées d'index sont énormes → filtre bloom manque → plus de recherches de disques. : : : : Solution schema‑by‑access‑pattern graph TD
  Invoice[(invoices<br/>&lt;2 kB)] -->|ref| Hist[history<br/>&lt;1 kB * N]
  Invoice -->|ref| Bin[pdf‑store (S3/GridFS)]
 
 à Les méta-factures de petites factures restent chaudes ; les BLOBS dans S3 coûtent 0,023 $/GB-mois au lieu des SSD Atlas de classe NAND. Les méta-factures de petites factures restent chaudes ; les BLOBS dans S3 coûtent 0,023 $/GB-mois au lieu des SSD Atlas de classe NAND. Quatre autres crimes de forme dont vous êtes probablement coupable 
 à à à 
  ( )—re‑order it to  . Low‑cardinality index head { type: 1, ts: -1 } { userId: 1, ts: -1 }  on non‑indexed field—string scan from hell. $regex starts‑with findOneAndUpdate queue—document‐level locking bottleneck; utilisez Redis/Kafka. skip + grande pagination d'offset - Mongo doit compter chaque doc sauté; passer aux curseurs de gamme (ts, _id). Anatomie des coûts 101 à à « Mais Atlas dit que les lectures sont bon marché ! » « Mais Atlas dit que les lectures sont bon marché ! » Faisons la mathématique. Métrique Valeur Unit cost Unit cost Coût mensuel Coût mensuel Lire la suite (3 k/s) 7.8 B à 7.8 B à 0,09 € / mois $702 $702 Écriture (150 / s) 380 M 0,25 € / mois $86 Transfert de données Transfert de données à 1,5 TB à 1,5 TB 0,25 € / GB $375 Capacité de stockage (2 TB) Capacité de stockage (2 TB) 0,24 € / GB $480 au total : $1,643. Appliquer les fixes : à à à 
 Les lectures tombent de 70 % → $210 Transfer falls 80 % → $75 Stockage baisse de 60 % → $192 à à Un ingénieur de niveau intermédiaire  runway till Q4—you choose. New bill: $564. or Un ingénieur de niveau intermédiaire  runway till Q4—you choose. New bill: $564. or 48-Hour Rescue Sprint (Ligne de temps testée par la bataille) 10‑16 Horaires Horaires action outil outil gagne 0 à 2 0 à 2 Tournez sur le profil (slow = 50). Tournez sur le profil (slow = 50). Le shell Mongo Surface Top 10 Options lentes. Surface Top 10 Options lentes. 2 à 6 Récrivez N + 1 dans $lookup. Récrivez N + 1 en Le . $lookup VS Code + Jest tests 90 % de moins de lecture. 6 à 10 Ajouter des projections &  to unbounded finds. limit Ajouter des projections &  to unbounded finds. limit Feu de feu RAM stable, API 4x plus rapide. 10‑16 10‑16 10‑16 Break jumbo docs → metas + GridFS/S3. Scripted ETL Working set fits in RAM. Drop / remplacer les indices de basse cardinalité. Le Compass Disk shrinks; cache hits ↑. 16‑22 Drop / remplacer les indices de basse cardinalité. Drop / remplacer les indices de basse cardinalité. Le Compass Le Compass Disc shrinks; cache hits ↑. Disk shrinks; cache hits ↑. 22‑30 Créer des TTL, partitionner des données froides par mois, activer l’archivage en ligne. Atlas UI 22 à 30 22‑30 Créer des TTL, partitionner des données froides par mois, activer l’archivage en ligne. Create TTLs, month‑partition cold data, enable Online Archive. Atlas UI Atlas UI 60 % de stockage économisé. 60 % de stockage économisé. Add Grafana panels: cache hit %, scan:ix ratio, eviction rate. Prométhée 30 à 36 Ajouter des panneaux Grafana: cache hit %, scan:ix ratio, taux d'éviction. Ajouter des panneaux Grafana: cache hit %, scan:ix ratio, taux d'éviction. Prométhée Prométhée Visual early warnings. Visual early warnings. Load‑test with k6 K6 + Métriques Atlas Confirm p95 < 150 ms @ 2× load. 36 à 48 Load‑test with k6 Test de charge avec K6 K6 + Métriques Atlas K6 + Métriques Atlas Confirm p95 < 150 ms @ 2× load. Confirm p95 < 150 ms @ 2× load. Self‑Audit Checklist—Pin It Above Your Desk à à 
 à à à 
 
 Largest doc ÷ median > 10? → Refactor. 
 
 Cursor returns > 1 000 docs? → Paginate. 
 
 TTL on every event/store table? (Yes/No) 
 
 Any index where cardinality < 10 %? → Drop/re‑order. Profile ralentit > 1 % des opérations totales ? → Optimiser ou cacher. If primary cache hits remain under 90% it is wise to separate collections or add additional RAM memory post fixes. Place the checklist on your laptop with adhesive glue after laminating it for printing. Pourquoi Shape Beats Indices MongoDB’s query planner does a cost‑based search across candidate plans. The cost vector includes: workUnits = ixScans + fetches + sorts + #docs returned
 Indexes only reduce  . Bad shape inflates  et , which often dominate. Example: ixScans fetches sorts db.logs.find(
  { ts: { $gte: start, $lt: end }, level: "error" }
).sort({ level: 1, ts: -1 });
 indexé ne permet pas au planificateur d'éviter de collecter chaque document lorsqu'il ajoute un prédicat à un champ d'array non mentionné dans vos projections. Résultat net: 20 k collections pour 200 visites. { level: 1, ts: -1 } Live Metrics You Should Be Watching (Grafana PromQL) # WiredTiger cache hit ratio
(rate(wiredtiger_blockmanager_blocks_read[1m]) /
 (rate(wiredtiger_blockmanager_blocks_read[1m]) +
  rate(wiredtiger_blockmanager_blocks_read_from_cache[1m]))
) < 0.10
 Alerte si > 10 % manquent pendant 5 m. # Docs scanned vs returned
rate(mongodb_ssm_metrics_documents[1m]{state="scanned"}) /
rate(mongodb_ssm_metrics_documents[1m]{state="returned"}) > 100
 
 
 Si vous numérisez 100 fois plus de documents que vous ne revenez, vous brûlez de l’argent. If you scan 100× more docs than you return, you’re burning money. Hands-On : Thin-Slice Migration Script Il faut que je craque 1 TB Collections à , à , à  without downtime? Use the  Le pattern. events clicks views logins double‑write / backfill // 1. Add trigger
const changeStream = db.events.watch([], { fullDocument: 'updateLookup' });
changeStream.on('change', ev => {
  const dest = db[`${ev.fullDocument.type}s`];
  dest.insertOne({ ...ev.fullDocument });
});

// 2. Backfill historical in chunks
let lastId = ObjectId("000000...");
while (true) {
  const batch = db.events.find({_id: {$gt: lastId}}).sort({_id: 1}).limit(10_000);
  if (!batch.hasNext()) break;
  const docs = batch.toArray();
  docs.forEach(d => db[`${d.type}s`].insertOne(d));
  lastId = docs[docs.length - 1]._id;
}
 Zero downtime, minimal extra storage (thanks to TTL), everyone sleeps. When Sharding  La réponse est Selon la règle du pouce, vous ne devriez déchirer que si vous vérifiez Ces conditions s’appliquent après l’optimisation de votre base de données : one à 
 à à Le système fonctionne avec un ensemble de travail représentant plus de 80 pour cent de la RAM, indépendamment du taux de performance du cache. Le système génère plus de 15 000 opérations par seconde dans sa performance d'écriture de pointe lors de l'utilisation d'un serveur primaire. Votre priorité principale devrait être de maintenir une latence multi-régionale de moins de 70 millisecondes, car les coûts élevés de facturation AWS ne représentent pas votre préoccupation critique. The decision should be simple when the conditions do not match these rules. Case Study Wrap‑Up 
 Métrique Métrique Before avant Après Après Δ Δ - 120 GB - 36 GB L’empreinte de RAM - 120 GB - 120 GB - 36 GB - 36 GB - 70 % Reads/sec Reads/sec Reads/sec 6 700 900 900 fois - 86 % - 86 % Réservation du stockage (chaleur) Réservation du stockage (chaleur) 2.1 TB 2.1 TB - 600 GB - 600 GB - 71 % - 71 % - 140 ms P95 Lancement 1.9 du S - 140 ms 140 ms à 92 % Coût Atlas / Mo. 15 284 € 15 284 € 3 210 € à 79 % à 79 % à à Pas de morceaux, pas de gel de code majeur, juste une chirurgie de forme impitoyable. Pas de morceaux, pas de gel de code majeur, juste une chirurgie de forme impitoyable. Titre original : Debt vs. Death Spiral The requirement to deliver quickly stands as mandatory, but maintaining poor quality work belongs to voluntary debt accumulation. Cloud provider charges you compound interest that accumulates with a yearly percentage rate of 1000 % on your unpaid debt. We examined the high‑interest credit cards of MongoDB as they represent the five shape crimes we studied. Shedding these debts within your current sprint period will result in grateful technical and financial statements. Vous devez ouvrir le profil pour travailler avec le Pistons tout en ajoutant de la poussière TTL, puis déployez votre projet en mode maigre. Votre conseil et votre équipe de développement et votre pager à 02:17 obtiendront un repos de qualité. $lookup Poursuivez le refactoring de votre code jusqu'à ce que le prochain incident d'autoscalage se produise.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Cet audio est produit dans la langue originale de l'histoire !

Réduisez vos coûts de MongoDB de 79% avec les optimisations Shape-First

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps