Оценка эффективности балансировщика соединений PgBouncer для оптимизации вычислительных ресурсов реляционных баз данных

Цели. Целью работы является исследование возможностей использования балансировщика подключений PgBouncer с различными конфигурациями в современных инсталляциях баз данных (БД) путем проведения нагрузочного тестирования с различными сценариями, максимально приближенными к реальной нагрузке, определение критичных показателей, получение результатов тестирования и интерпретация их в виде графиков.

Методы. В ходе исследования использовались методы эксперимента, индукции, тестирования и статистического анализа.

Результаты. Рассмотрены основные возможности, архитектура и режимы работы сервиса PgBouncer. Проведено нагрузочное тестирование на виртуальной машине, развернутой на базе открытой облачной платформы, с различной конфигурацией затрачиваемых вычислительных ресурсов – центрального процессора (CPU), оперативной памяти (RAM) и использованием нескольких сценариев с разной конфигурацией и разным количеством подключений балансировщика к БД. В ходе тестирования были исследованы основные показатели: распределение использования процессора, утилизация оперативной памяти, дискового пространства и центрального процессора. Выполнены интерпретация полученных данных и анализ полученных результатов путем выделения критических параметров. Сформулированы выводы и рекомендации по использованию балансировщика подключения в реальных высоконагруженных инсталляциях для оптимизации утилизируемых ресурсов сервером, на котором расположена система управления базами данных (СУБД). Сформировано заключение о полезности использования балансировщика запросов PgBouncer и предложены варианты конфигурации для последующего использования в реальных инсталляциях.

Выводы. Исследована степень влияния использования балансировщика соединений PgBouncer на производительность системы в целом, развернутой в виртуализированной среде. Результаты работы показали, что применение PgBouncer позволяет существенно оптимизировать затрачиваемые вычислительные ресурсы вычислительного узла под сервер СУБД, а именно: уменьшилась нагрузка на CPU на 15%, на RAM – на 25–50%, на дисковую подсистему – на 20%, в зависимости от сценариев тестов, количества подключений к БД, конфигурации балансировщика подключений.

1. Шараев Е.В. Использование алгоритмических композиций при оптимизации PostgreSQL методами машинного обучения. Научному Прогрессу – Творчество Молодых. 2019;3:135–137.

2. Borodin A., Mirvoda S., Porshnev S., Kulikov I. Optimization of Memory Operations in Generalized Search Trees of PostgreSQL. In: Kozielski S., Mrozek D., Kasprowski P., Małysiak-Mrozek B., Kostrzewa D. (Eds.). Beyond Databases, Architectures and Structures. Towards Efficient Solutions for Data Analysis and Knowledge Representation. BDAS 2017. Communications in Computer and Information Science. 2017;716:224–232. https://doi.org/10.1007/978-3-319-58274-0_19

3. Варакута П.С., Козлов Р.К. Имитационное моделирование пропускной способности пулов соединений к базе данных PostgreSQL. Трибуна ученого. 2022;5:48–53.

4. Мухамедина А., Айдаров А.К. Современные средства балансировки перегрузки. Научные исследования XXI века. 2021;2:105–109.

5. Gudilin D.S., Zvonarev A.E., Goryachkin B.S., Lychagin D.A. Relational Database Performance Comparation. In: Proc. 5th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). March, 16–18, 2023. Moscow. https://doi.org/10.1109/REEPE57272.2023.10086872

6. Тупикина М.А. Сравнение систем управления базами данных SQLite, MySQL и PostgreSQL. В сб.: Студенческая наука для развития информационного общества: сборник материалов VIII Всероссийской научно-технической конференции. Часть 2; 22–23 мая 2018 г. Ставрополь: Северо-Кавказский федеральный университет; 2018. С. 345–347.

7. Виноградова М.В., Барашкова Е.С., Березин И.С., Ореликов М.Г., Лузин Д.С. Обзор системы полнотекстового поиска в постреляционной базе данных PostgreSQL. E-SCIO. 2020;5(44):754–778.

8. Пантилимонов М.В., Бучацкий Р.А., Жуйков Р.А. Кэширование машинного кода в динамическом компиляторе SQL-запросов для СУБД PostgreSQL. Труды Института системного программирования РАН. 2020;32(1):205–220. https://doi.org/10.15514/ISPRAS-2020-32(1)-11

9. Портретов В.С. Сравнение PostgreSQL и MySQL. Молодежная наука в развитии регионов. 2017;1:136–139.

10. Chauhan C., Kumar D. PostgreSQL High Performance Cookbook. 2nd ed. Birmingham: Packt Publishing; 2017. 360 p.

11. Рогов Е.В. PostgreSQL 15 изнутри. М.: ДМК Пресс; 2023. 662 с.

12. Новиков Б.А., Горшкова Е.А., Графеева Н.Г. Основы технологий баз данных. 2-е изд. М.: ДМК Пресс; 2020. 582 с.

13. Бойченко А.В., Рогожин Д.К, Корнеев Д.Г. Алгоритм динамического масштабирования реляционных баз данных в облачных средах. Статистика и Экономика. 2014;6–2:461–465.

14. Афанасьев Г.И., Абулкасимов М.М., Белоногов И.Б. Методика создания Docker-образа PostgreSQL в среде Ubuntu Linux. Аллея науки. 2018;2(1–17):913–918.

15. Smolinski M. Impact of storage space configuration on transaction processing performance for relational database in PostgreSQL. In: Kozielski S., Mrozek D., Kasprowski P., Małysiak-Mrozek B., Kostrzewa D. (Eds.). Beyond Databases, Architectures and Structures. Towards Efficient Solutions for Data Analysis and Knowledge Representation. BDAS 2017. Communications in Computer and Information Science. 2018;928:157–167. https://doi.org/10.1007/978-3-319-99987-6_12