底层原理优化
- 理解MongoDB存储引擎：了解所使用的存储引擎（如WiredTiger）的工作原理。WiredTiger使用基于文件的存储，其内部采用了B树结构来存储数据和索引。熟悉存储引擎特性有助于优化数据布局和访问方式。
- 数据布局优化：
- 文档结构设计：确保文档结构合理，避免过度嵌套。对于深度嵌套事务涉及的数据，尽量保持文档扁平化，减少查询和更新时的复杂度。例如，将相关数据拆分到多个集合中，通过关联字段进行连接。
- 数据类型选择：使用合适的数据类型。例如，对于数值类型，选择最小的足以存储数据的类型（如int32而非int64，如果数据范围允许），以减少存储开销。
内核参数调整
- 内存相关参数：
- 调整WiredTiger缓存大小：通过修改
wiredTigerCacheSizeGB参数来控制WiredTiger存储引擎使用的内存量。对于数据量庞大且事务频繁的场景，适当增加该参数值，以提高数据在内存中的命中率，减少磁盘I/O。但要注意不要设置过大，以免影响系统其他进程的运行。例如，如果服务器有足够的内存，可将其设置为服务器物理内存的50% - 70%。
- 操作系统内存参数：调整操作系统的内存分配策略，如
swappiness参数。降低swappiness值（例如设置为10），减少内存页交换到磁盘的频率，因为频繁的内存交换会严重影响性能。
- 文件系统参数：
- 选择合适的文件系统：对于MongoDB，XFS或ext4等文件系统通常表现较好。确保文件系统参数优化，如调整
inode数量和大小，以适应大量数据存储。例如，在创建文件系统时，可以适当增加inode数量，以满足大量文档和索引的存储需求。
- I/O调度算法：根据服务器硬件和负载特点选择合适的I/O调度算法，如
deadline或noop。对于SSD存储设备，noop调度算法通常能提供较好的性能，因为SSD没有机械寻道时间，noop算法可以减少不必要的调度开销。
索引优化
- 分析查询模式：使用
explain命令分析事务中涉及的查询语句，了解MongoDB如何执行查询以及当前索引的使用情况。例如：
db.collection.find({field1: value1, field2: value2}).explain("executionStats");
- 创建复合索引：根据查询模式创建复合索引。对于涉及多个字段的查询，复合索引可以显著提高查询性能。确保索引字段的顺序与查询条件中的字段顺序一致，以充分利用索引。例如，如果查询语句为
db.collection.find({field1: value1, field2: value2})，则可以创建索引db.collection.createIndex({field1: 1, field2: 1})。
- 删除不必要的索引：定期检查和删除不再使用的索引。索引虽然能提高查询性能，但会增加存储开销和写入操作的成本。使用
db.collection.getIndexes()查看集合的所有索引，并结合查询日志和explain分析结果，删除不必要的索引。
事务逻辑设计优化
- 减少事务嵌套深度：尽量简化事务逻辑，减少事务的嵌套层次。深度嵌套事务不仅增加了事务管理的复杂性，还可能导致锁争用和资源消耗增加。将复杂的事务拆分为多个较小的、逻辑上独立的事务，依次执行。
- 优化事务并发控制：
- 锁粒度控制：理解MongoDB的锁机制，尽量使用细粒度锁。例如，在更新操作时，尽量更新单个文档而非整个集合，以减少锁的持有时间和影响范围。
- 并发事务调度：使用合适的并发控制策略，如乐观并发控制或悲观并发控制。对于读多写少的场景，乐观并发控制可能更合适，因为它在事务开始时不获取锁，只在提交时检查数据一致性；而对于写多读少的场景，悲观并发控制可以在事务开始时就获取锁，防止并发冲突。
- 批量操作：将多个小的操作合并为批量操作。例如，使用
bulkWrite方法代替多次单个的insert、update或delete操作，以减少网络开销和锁争用。例如：
const bulkOps = [
{ insertOne: { document: { field1: value1 } } },
{ updateOne: { filter: { field2: value2 }, update: { $set: { field3: value3 } } } }
];
db.collection.bulkWrite(bulkOps);
