对于 AI 代理:可在 https://www.mongodb.com/zh-cn/docs/llms.txt 获取文档索引—通过在任何 URL 路径后添加 .md 可获取所有页面的 Markdown 版本。

Atlas 集群大小调整和层级选择

重要

该功能在弹性集群中不可用

Flex 集群目前不支持此功能。要了解更多信息,请参阅 Atlas Flex 限制。

选择正确的 Atlas 集群层和配置是建立成功的生产 MongoDB 部署的重要步骤。您始终可以稍后修改集群,但只需根据数据集大小和网络要求进行一些计算,就可以开始使用正确的配置。

本页面上的大多数指导适用于 Atlas Core 集群。适用于 Atlas Infinite 集群的章节会另行说明。

您还可以将集群配置为根据集群使用情况自动扩展其集群层和/或存储容量,从而减少集群所需的手动维护工作。要了解更多信息,请参阅集群自动扩展。

在 Atlas Infinite 集群上,集群层还固定存储 IOPS 和存储吞吐量值。随着您存储的数据量增加,这些值不会变化。要查看每个层级的存储性能,请参阅 Atlas Infinite 存储 IOPs 和吞吐量(每个集群层)。

注意

对于生产用途,推荐 M30 或更大的集群

M30 和更高版本的集群建议在生产环境中使用。您可以将 M10 和 M20 集群用作低流量应用程序的生产环境。随着时间的推移,M10 和 M20 层级上具有持续负载的集群可能会遇到性能下降的情况。

专用集群支持集群自动伸缩。在 Atlas Core 集群上,当您在 Atlas 用户界面中创建集群时,默认启用集群层自动伸缩;当您使用 Atlas Administration API 创建集群时,默认禁用该功能。启用自动伸缩功能后,Atlas 会根据集群使用情况自动扩展集群层、存储容量或同时自动扩展两者。自动伸缩功能使您的集群能够适应当前工作负载,从而减少了手动优化的需要。

  • 集群层伸缩会根据各种集群指标,自动向上扩展或向下缩减集群层。要选择禁用集群层自动伸缩,请在 Auto-scale(自动伸缩)部分中取消选中 Cluster Tier Scaling(集群层伸缩)复选框。

    如需控制 Atlas 自动扩展集群的方式,需要设置:

    • 集群可以自动扩展到的最大集群层。 默认情况下,此设置为与当前集群层 相比的下一个集群。

    • 集群可以缩减到的最小集群层。 默认情况下,此设置为当前集群层。

  • 集群存储扩展 适用于 Atlas Core 集群。使用 90% 的磁盘容量后,它会自动增加您的集群存储容量。该设置默认启用,确保集群始终能够支持突然涌入的数据。要选择禁用集群存储扩展,请取消选中 Auto-scale 部分中的 Storage Scaling 复选框。

    Atlas Infinite 集群没有 Atlas Core 存储自动伸缩。Atlas Infinite 存储与计算分离,并独立于集群层进行扩展。要了解更多信息,请参阅 Atlas Infinite 上的计算自动伸缩。

内存是指您的 Atlas 集群上每个数据承载节点上可用的总物理 RAM。示例,M30 Atlas Core 集群标准副本集在 3 个数据承载节点中的每个节点上配置有 8 GB RAM。

Atlas Infinite 集群在每个集群层的 RAM 容量与 Atlas Core 集群相同,但节点数量不同,并具有独立的存储层。要了解更多信息,请参阅 MongoDB Atlas Infinite:架构。

Atlas 使用 WiredTiger 存储引擎。

  • 默认情况下,对于 M40 或更大的集群,WiredTiger 将 50% 或更多物理 RAM 用于 WiredTiger 缓存。剩余内存保留用于以下用途:

    • 内存中操作,例如排序和计算

    • 底层操作系统和其他系统服务

  • 默认情况下,对于 M30 和更小的集群, WiredTiger 将 25% 的物理 RAM 用于 WiredTiger 缓存。

如需了解有关内存使用的更多信息,请参阅 WiredTiger 和内存使用。

MongoDB 使用 WiredTiger 缓存来保存最近使用的数据和索引。 工作集是所有索引加上经常访问的文档集的总和。 如果您的工作集 适合在 RAM 中运行,那么 MongoDB 可以从内存中提供查询服务, 从而实现最快的查询响应时间。

要估计工作集的大小,您可以使用从 db.stats() 获取的总索引空间信息进行计算,并假设数据空间中的一定百分比会被频繁访问,或者也可以使用有根据的假设。

我们将使用 Atlas 示例数据集计算在单个 Atlas 集群中运行所有这些数据库所需的内存。以下 JavaScript 程序返回集群的数据库信息:

var totalIndexSize = 0;var totalDataSize = 0;var reservedDBs = ["admin","config","local"]; // Switch to admin database and get list of databases.db = db.getSiblingDB("admin");dbs = db.runCommand({ "listDatabases": 1 }).databases; // Iterate through each database and get its stats.dbs.forEach(function(database) { if (reservedDBs.includes(database.name)) return; db = db.getSiblingDB(database.name); print("Obtaining stats for " + database.name); var stats = db.stats(); totalIndexSize += (stats.indexSize / (1024*1024*1024)) ; totalDataSize += (stats.dataSize / (1024*1024*1024)) ;}); print ("Total data size in GB: " + totalDataSize.toFixed(2));print ("Total index size in GB: " + totalIndexSize.toFixed(2));

此程序返回以下结果:

Obtaining stats for sample_airbnbObtaining stats for sample_geospatialObtaining stats for sample_mflixObtaining stats for sample_suppliesObtaining stats for sample_trainingObtaining stats for sample_weatherdataTotal data size in GB: 0.32Total index size in GB: 0.02

要完全在内存中运行这些数据库,您至少需要 0.68 GB 的物理 RAM, 因为 WiredTiger 会使用 50% 的物理 RAM, 我们还至少需要 0.34 GB 才能在内容中容纳工作集。

实际生产集群的数据和索引大小要高得多, 在内存中运行完整的数据集和索引可能不切实际,也可能不符合业务或性能要求。 让我们看看另一个场景。

一款流行手游一般有 512 GB 的数据和 32 GB 的索引。 游戏的内部系统数据会占用 16 GB,其余的是玩家个人资料数据。 当玩家在游戏中处于活动状态时,其个人资料需要保存在内存中。 约 25% 的玩家在任何时间点都处于活动状态。 系统数据会频繁使用,并且必须将其全部保存在 RAM 以获得最佳游戏性能。 所有索引也必须保存在 RAM 中,以实现最快的查询响应时间。 内存大小如下:

数据
RAM 要求
用于 WiredTiger 缓存的 RAM

系统:16 GB

100% RAM

16 GB

Index: 32 GB

100% RAM

32 GB

数据库资料:496 GB

25% 在 RAM 中

124GB

考虑到这些要求,您可以预期每个工作集平均需要 172 GB 的 RAM。

WiredTiger 将 50% 的物理 RAM 专用于 WiredTiger 缓存, 因此容纳工作集所需的最小物理 RAM 总量是工作集的两倍。

在此示例中,您需要至少 344 GB 的物理 RAM 来容纳 WiredTiger 缓存和 172 GB 的工作集。 下表列出了合适的 Atlas 集群层级:

服务提供商
可能的集群层
注意

AWS

  • M300 384 GB RAM

  • M400 488 GB RAM

  • M700 768 GB RAM

M300 有足够的 RAM,并且有空间 可以垂直扩展到更高的集群层。

GCP

  • M300 360 GB RAM

M300 有足够的 RAM,但如需纵向扩展, 则没有可用的更高层级。

AZURE

  • M300 384 GB RAM

  • M400 512 GB RAM

M300 有足够的 RAM,并且有空间可以垂直扩展到更高的集群层。

注意

如果您选择的集群层没有足够的 RAM,例如只有 256 GB RAM 的 Azure M200,则需要分片。

集群节点之间以及消耗 Atlas 集群数据的客户端之间的所有网络流量 都会影响网络带宽。 确定集群大小时,应考虑集群上任何节点所能承载的最大流量, 然后以此为基础选择合适的 Atlas 集群层级。

从集群到客户端应用程序的下游数据传输速率可以计算为一段时间内返回的文档总数的总和。如果仅从主节点读取,则这是唯一需要进行的计算。如果应用程序还从从节点读取,则可以将该数字除以可以提供读取操作的节点数。

您可以使用 db.stats() 方法找到数据库的平均文档大小。将平均文档大小 (avgObjSize) 乘以每秒提供的文档数量来估算带宽要求。

例子

平均文档大小 10 KB

每秒处理 100,000 份文档

10 KB * 100,000 = 1 GB/秒

Atlas 实例在较高的层级提供更快的带宽速度。AWS 支持的实例在 M30 级别提供高达每秒 10 GB 的速度,而在 M200 级别提供高达每秒 25 GB 的速度。

上述数据应用于 Atlas Core 集群。在 Atlas Infinite 集群上,存储 IOPS 和存储吞吐量是每个集群层固定的。关于每层级值,请参阅 Atlas 无限存储 IOPs 和每集群层吞吐量值。Atlas Infinite 集群也有一个备用节点,除非您添加只读节点或分析节点。在估算读取带宽时,将每节点的数值除以可以提供读取服务的节点数。

一个 Atlas 集群可以支持多个客户端连接,具体由集群层决定。例如,M30 集群最多支持 3000 个并行连接,M200 集群最多支持 128,000 个并行连接。要了解详情,请参阅连接限制和集群层。

Atlas Infinite 在公共预览版中支持 M10 到 M60 的集群层,因此 M200 数字不适用于 Atlas Infinite 集群。

给本页内容打分