Audit de performance p99
Identifiez les requêtes lentes, comprenez EXPLAIN ANALYZE, les stratégies d'indexation et les 5 anti-modèles qui tuent Postgres en production.
Mesurer avant d’optimiser#
Un audit commence par des chiffres. Le Studio expose p50/p95/p99 par point de terminaison et par requête. Capturez une référence de 7 jours avant tout changement.
Les commandes CLI aura db slow-queries et aura db stats interrogent pg_stat_statements et les métriques de pool/taille de base de données sur votre projet lié, limitées à votre projet (également disponible dans Studio › Base de données et Journaux). aura db inspect indexes|tables|locks répertorie l'utilisation des index (avec ceux inutilisés signalés), la taille des tables et les lignes mortes, ainsi que les verrous bloquants - les diagnostics que /raw ne peut pas exécuter car il refuse les catalogues système.
# Les 10 requêtes les plus coûteuses (durée totale)
aura db slow-queries --limit 10
# Connexions et taille de la base de données (latences des points de terminaison : Studio > Logs)
aura db stats
pg_stat_statements en temps réel#
pg_stat_statements est installé et préchargé sur chaque nouveau projet. Il regroupe chaque requête normalisée (aucune valeur littérale n'est stockée) avec mean_exec_time, calls et rows. /raw ne le lit pas directement — la vue s'étend à l'échelle du cluster — utilisez donc les commandes ci-dessus, qui renvoient uniquement les requêtes de votre projet, ou Studio › Database.
aura db slow-queries --limit 10 --json
aura db inspect indexes # idx_scan = 0 et non unique/primaire → inutilisé
Lisez le plan comme un pro#
Une requête qui s'exécute plus longtemps que le timeout d'instruction du projet (10 s) est annulée avec STATEMENT_TIMEOUT (HTTP 504) / « annulation d'instruction pour cause de timeout d'instruction » dans aura db raw: réduire le travail ou le diviser.
Le plan vous indique pourquoi la requête est lente. Les 4 signaux à rechercher :
Seq Scansur la table > 10 000 lignes → index manquantrows (estimated) ≠ rows (actual)de ±10× → statistiques obsolètes,analyze table_nameNested Loopsur plus de 100 000 lignes → jointure par hachage préférée, peut-être un WHERE manquantMaterializeouSort Method: external merge→ RAM épuisée,work_mempour augmenter
explain (analyze, buffers, format json)
select * from orders
where customer_id = 'abc' and created_at > now() - interval '30 days';
Quand, quoi, comment#
- B-tree (par défaut) : égalité, plage, tri par. 80% des cas.
- GIN: recherche plein texte, JSONB, tableaux.
using gin (to_tsvector('french', body)). - GiST: types de plages, contraintes d'exclusion, recherche de similarité (
pg_trgm). - HNSW (pgvector) : recherche de vecteurs, > 100 000 vecteurs.
- Partiel: conditions courantes,
where deleted_at is nullpour suppression logicielle. - Couvrant:
include (...)pour éviter la recherche sur la table.
Chaque index ralentit INSERT/UPDATE/DELETE (~5-15% par index). Supprimez les index inutilisés - aura db inspect indexes les répertorie (jamais analysés, ni uniques, ni principaux).
Qu'est-ce qui tue Postgres en production#
- Requêtes N+1 — effectuez une jointure ou utilisez
!innerdans le SDK plutôt qu'une boucle - Pagination par OFFSET — au-delà de 1000, utilisez le curseur (
where id > last_seen) - SELECT * sur les grandes tables — demande uniquement les colonnes nécessaires
- Transactions longues — celles-ci bloquent le VIDE et provoquent des ballonnements. Gardez < 1 seconde
- Politiques RLS non indexées — si votre politique utilise
tenant_id = auth.tenant(), indexeztenant_id