当前位置: 首页 > news >正文

HighGo Database性能参数及调整建议

文章目录

  • 文档用途
  • 详细信息

文档用途

本文档提供了HighGo Database性能参数的作用及调整方向,使用过程中需参照实际情况具体进行选择。

详细信息

shared_buffers

最重要的参数,HighGo Database通过shared_buffers 和内核和磁盘进行数据交换,因此应该尽量大,让更多的数据缓存在shared_buffers中。通常设置为实际 RAM 的25% – 40%。

同时要在系统中设置 kernel.shamax 的值,该值决定了进程可调用最大共享内存数量。该值设置要稍大于shared_buffers的值。

work_mem

HighGo Database在执行排序操作时,会根据work_mem的大小决定是否将一个大的结果集拆分为几个小的和 work_mem 差不多大小的临时文件。显然拆分的结果是降低了排序的速度。因此增加work_mem有助于提高排序的速度。通常设置为实际RAM的2% – 4%,根据需要排序结果集的大小而定。

注意:这是 per connection and per sort 的设定。如果有100个连接,每个连接有2个sort 运算,那么需要的总内存是:100 * 2 * work_mem。

利用EXPLAIN ANALYZE可以检查是否有足够的work_mem。

effective_cache_size

值设置稍大,优化器更倾向使用索引扫描而不是顺序扫描,建议的设置为可用空闲内存的 25%,这里的可用空闲内存指的是主机物理内存在运行数据库后的空闲值。

maintenance_work_mem

这里定义的内存只是在 CREATE INDEX, VACUUM 等时用到,因此用到的频率不高,但是往往这些指令消耗比较多的资源,因此应该尽快让这些指令快速执行完毕:给 maintence_work_mem较大的内存,比如1024MB

max_connections

通常,max_connections的目的是防止 max_connections * work_mem 超出了实际内存大小。比如,如果将 work_mem 设置为实际内存的 2% 大小,则在极端情况下,如果有50个查询都有排序要求,而且都使用2% 的内存,则会导致 swap的产生,系统性能就会大大降低。

WAL

wal_buffers

WAL 的储存大小。default 是 64 kb。 实验证明, 设定这个值在 256 kb 到 1 MB 之间会提升效能。

wal_writer_delay

WAL 检查 WAL 数据(回写)的间隔时间。值是毫秒(milliseconds)

Checkpoints

确保数据回写硬盘。

如果 checkpoint 运行频率高于checkpint_warning 值,dirty data page 会被 flushed 回硬盘。HighGo Database会在日志(log中记录出来,通过观察log,可以来决定 checkpoint_segments 的设定。增加checkpoint_segments 或者 checkpoint_timeout 可以有一定的性能提升。

checkpoint_segments:日志文件段的最大数量(通常每个段16兆字节),到达后会激发checkpoint,默认设置为3,增加这个参数会增加数据库崩溃恢复所需要的时间。

checkpoint_timeout:检查点触发的超时时间,一般设置15-30分钟.

checkpoint_completion_target:默认是0.5,意思就是每个 checkpoint 预计在下个 checkpoint 完成前的一半时间内完成。

checkpoint_warning:如果checkpint速度快于这个时间(checkpoint过快),在log中记录。默认是30秒

http://www.cnnetsun.cn/news/151203.html

相关文章:

  • HGDB如何提升批量导入数据的速度
  • 11、加勒比与北美地区房地产投资指南
  • 42、太赫兹通信与可见光通信:5G 及未来的前沿技术
  • 46、5G及未来通信中的协同网络技术解析
  • 47、协同网络:过去、现在与未来
  • 50、5G及未来的灵活认知无线电接入技术与频谱感知
  • 58、5G及未来的物理层安全设计
  • 文献综述期末项目的撰写方法与实践研究
  • 【Open-AutoGLM硬件适配终极指南】:揭秘2024年主流行业GPU/CPU兼容性排行榜
  • 从零到部署有多难?Open-AutoGLM使用门槛全景透视
  • 创客匠人观察:当“实力沉默者”觉醒——创始人IP如何成为知识变现的终极信任杠杆
  • 基于华为昇腾AI处理器的CANN生态全景图系列(二):华为昇腾AI处理器是什么?为什么会跟CANN有关系呢?
  • 亲测灵活用工平台会计分录实践
  • 亲测灵活用工平台业务类型超全分享
  • 别再盲目用Airtest了:当模型泛化能力成为瓶颈,Open-AutoGLM如何破局?
  • 我发现动态知识图谱实时更新提升ICU治疗精准度
  • 62、Windows文件系统与缓存管理机制解析
  • 【Open-AutoGLM开发门槛全解析】:新手与专家的5大能力鸿沟揭秘
  • FaceFusion能否用于地质勘探?专家现场虚拟指导
  • FaceFusion镜像资源占用优化,低配GPU也可运行
  • ONERA法国航空航天研究院
  • 传统RPA只能处理固定流程?Open-AutoGLM动态适配能力大曝光,
  • 测试员该知道的软件测试过程,你都知道吗?
  • Java 多线程编程 - 线程池 awaitTermination 方法
  • FaceFusion更新日志追踪:每月都有新功能上线
  • (Open-AutoGLM实战白皮书)首次公开:跨平台任务调度的7种高效模式
  • 分布式幂等性:30字讲透核心要点
  • FaceFusion能否对接OneDrive?微软生态无缝衔接
  • 【AI模型部署必读】:Open-AutoGLM云端推理速度提升3倍的秘密路径
  • 为什么顶尖团队开始弃用Monica Manus改用Open-AutoGLM?真相在这里