Pular para conteúdo

Troubleshooting — desempenho

Interface lenta

  1. Identifique a chamada lenta no navegador (F12 › Rede): as mais pesadas são POST /api/v1/metrics/query, /topology/{id} e /entities.
  2. Consultas de métricas: o custo depende da tabela escolhida pela janela (bruto ≤ 2 dias, rollup horário ≤ 120 dias, diário acima) e do número de séries. Medido em 2 vCPU/chdb: top-10 de 200 mil volumes em 24 h ≈ 0,5 s; rollup horário ≈ 0,1 s.
    • Widgets de série temporal sem objetos fixos fazem duas consultas (top-N e depois as séries). Fixe objetos ou reduza “Máx. de séries”.
    • Dashboards com muitos widgets em 90 dias somam dezenas de consultas por carregamento.
  3. Topologia: reduza a profundidade ou o limite de objetos. Ambientes com hosts em centenas de zonas geram grafos grandes.
  4. Inventário: filtros por tipo e por nome usam índices (ix_entities_type_name, trigram). Ordenar por saúde em tipos com 200 mil objetos é mais caro.

Escalar

Gargalo Indicador Ação
ClickHouse CPU system.processes, carga alta durante merges/consultas mais vCPU, max_threads, cluster com mais shards
ClickHouse disco latência de I/O, partes acumulando NVMe, mais espaço livre, menos retenção
API CPU dos workers, latência geral QV_API_WORKERS, mais réplicas da API (sem estado)
ingestão stream acumulando (/jsz), Sistema mostra taxa abaixo do esperado mais réplicas de ingestor
engine jobs demorando (campo ms nos logs) próximo ao intervalo mais CPU/RAM; aumentar analytics.ratings_interval_s/correlation_interval_s
PostgreSQL consultas > 2 s no log (log_min_duration_statement) shared_buffers, work_mem, índices, VACUUM ANALYZE
coletor ciclos de performance perto do intervalo, timeouts mais coletores, collection.max_parallel_devices, intervalos maiores

Valores de referência e premissas: Escalabilidade e sizing. Para medir no seu hardware: python backend/tools/benchmark/scale_benchmark.py --rows 100000000 --pg-dsn ….