MongoDBで「昨日まで速かったクエリが、データ量の増加とともに突然遅くなった」——そんな経験はありませんか? クエリ遅延の原因は、CPUやメモリ不足とは限りません。
多くの場合、インデックス設計の不備によってコレクションスキャンが発生し、不要なドキュメントまで読み込んでいることが原因です。
特に本番環境では、データ分布の偏りや書き込み頻度の変化によって、開発時に有効だったインデックスが次第に効かなくなることもあります。
この記事では、MongoDBのクエリ実行計画を論理的に読み解きながら、遅延を解消するためのインデックス設計のベストプラクティスを徹底解説します。
単にインデックスを追加すればよいという話ではありません。
複合インデックスの列順、カーディナリティ、選択性、カバードクエリ、部分インデックス、TTLインデックスなど、実務で押さえるべき判断基準を順に整理します。
explain()でIXSCANとCOLLSCANを正しく見分ける- 複合インデックスのESRルールを理解して列順を決める
- 書き込み性能と読み取り性能のトレードオフを評価する
- 不要なインデックスを削除して更新コストを下げる
「なぜこのクエリは遅いのか」「どのインデックスが本当に必要か」を、勘ではなくデータに基づいて判断できるようになりましょう。
MongoDBのクエリ遅延はなぜ起きるのか?根本原因を論理的に理解する

MongoDBでクエリの応答時間が突然悪化したとき、多くの開発者はまずサーバーのCPUやメモリ、ディスクI/Oを疑います。
しかし、リソースに余裕があるにもかかわらずクエリが遅い場合、その原因はインデックスの設計や利用状況にあることが少なくありません。
クエリ遅延は、単なるハードウェア性能の問題ではなく、データベースがどのようにデータを探索しているかという論理的な問題なのです。
ここでは、遅延の根本原因を理解するために、症状とメカニズム、スキャン方式の違い、実行計画の読み解き方を順に整理します。
クエリ遅延の典型的な症状と発生メカニズム
クエリ遅延の典型的な症状としては、特定のクエリだけが遅い、時間の経過とともに徐々に遅くなる、ピーク時にタイムアウトが頻発する、といったものが挙げられます。
これらの症状は、多くの場合、コレクション全体を走査するCOLLSCANが発生していることに起因します。
データ量が少ないうちは目立たなかった処理も、ドキュメント数が増えるにつれて線形的にコストが増大し、ある閾値を超えた瞬間に遅延が顕在化します。
発生メカニズムを整理すると、次のようになります。
- インデックスが存在しない、または適切なインデックスが作成されていない
- インデックスはあるが、クエリの条件や型が一致せず利用されない
- 複合インデックスの列順がクエリのパターンと合っていない
- ソートや範囲条件がインデックスの制約を超えている
これらの条件が重なると、MongoDBはインデックスを使わずに全ドキュメントを読み込むため、I/OとCPUの両方が圧迫されます。
結果として、レイテンシが増大し、スループットも低下します。
COLLSCANとIXSCANの違いを正しく把握する
MongoDBのクエリ実行には、主にCOLLSCANとIXSCANという2つのスキャン方式があります。
COLLSCANはコレクション内の全ドキュメントを順に走査する方式で、インデックスを使用しません。
一方、IXSCANはインデックスを利用して必要なドキュメントだけを効率的に特定します。
両者の違いを理解することは、クエリ最適化の第一歩です。
以下の表に、主な比較項目をまとめます。
| 項目 | COLLSCAN | IXSCAN |
|---|---|---|
| 読み取り対象 | 全ドキュメント | インデックスと該当ドキュメント |
| 計算量 | O(n) | O(log n) に近い |
| インデックス利用 | なし | あり |
| 適した場面 | 極小コレクション | 大規模コレクション |
| 主な原因 | インデックス不在・不一致 | 適切なインデックス設計 |
COLLSCANはドキュメント数に比例して処理時間が増えるため、大規模なコレクションでは致命的です。
対してIXSCANは、インデックスをたどって必要なデータに到達するため、データ量が増えても性能劣化が緩やかになります。
ただし、IXSCANであっても、インデックスの選択性が低い場合や、多くのドキュメントをフェッチする場合は十分な効果が得られません。
実行計画を確認せずにインデックスを追加するのは、勘に頼る設計と言わざるを得ません。
explain()で実行計画を読み解く手順
クエリが実際にどのように実行されているかを知るには、explain()メソッドを使用します。
以下は、MongoDBシェルで実行計画を取得する基本的な例です。
db.users.find({ age: { $gt: 30 } }).explain("executionStats")
このコマンドは、クエリの実行計画と統計情報を返します。
出力からは、winningPlanのstage、indexName、docsExamined、keysExamined、executionTimeMillisなどの重要なフィールドを確認できます。
特に注目すべきは、stageがCOLLSCANかIXSCANかという点です。
COLLSCANであれば、インデックスの追加や見直しを検討する必要があります。
実行計画を読み解く手順は、次のとおりです。
explain("executionStats")を実行して統計情報を取得するwinningPlan.stageでスキャン方式を確認するdocsExaminedとkeysExaminedの比率を評価するexecutionTimeMillisで実際の処理時間を把握する- 必要に応じてインデックスを追加し、再計測する
docsExaminedがkeysExaminedよりも極端に大きい場合、インデックスが十分に機能していない可能性があります。
また、executionTimeMillisが数百ミリ秒を超える場合は、ユーザー体験に影響を与えるため、早急な改善が求められます。
実行計画を正しく読むことが、論理的なチューニングの出発点です。
なぜインデックス設計がMongoDBのパフォーマンスを左右するのか

MongoDBにおけるインデックスは、単なる検索高速化の道具ではありません。
データの読み取りと書き込みのバランスを決定づける設計上の要です。
インデックスが適切に設計されていれば、クエリは必要なドキュメントだけを効率的に取得できます。
しかし、設計を誤ると、読み取りは遅くなり、書き込みコストは増大し、ストレージも無駄に消費します。
なぜインデックス設計がそこまで重要なのか、その理由を論理的に掘り下げていきましょう。
インデックスの基本構造とB-treeの仕組み
MongoDBのインデックスは、主にB-treeと呼ばれる木構造で実装されています。
B-treeは、データをソートされた状態で保持し、探索・挿入・削除を対数時間で実行できる平衡木です。
各ノードには複数のキーと子ノードへのポインタが格納され、ルートからリーフまで一定の深さを保つように自動的に調整されます。
この構造により、MongoDBは大量のドキュメントの中から目的のデータを少ないディスクI/Oで見つけられます。
B-treeの特徴を整理すると、次のようになります。
- キーは常にソート順で保持されるため、範囲検索やソート処理に強い
- 木の高さが平衡化されるため、最悪計算量がO(log n)に抑えられる
- リーフノードには実際のドキュメントへの参照が格納される
- インデックスはデフォルトで昇順(1)または降順(-1)を指定できる
たとえば、ageフィールドに昇順のインデックスを作成するには、以下のようにします。
db.users.createIndex({ age: 1 })
このインデックスは、ageによる等価検索や範囲検索、ソートを高速化します。
ただし、B-treeは書き込み時に木のバランスを再調整する必要があるため、インデックスの数が増えるほど書き込みコストも増加します。
ここに、読み取り性能と書き込み性能のトレードオフが生まれます。
書き込みコストと読み取り性能のトレードオフ
インデックスを追加すると、読み取りクエリは速くなりますが、その代償として書き込み処理が遅くなります。
ドキュメントの挿入、更新、削除のたびに、MongoDBは関連するすべてのインデックスを更新しなければなりません。
インデックスが多ければ多いほど、1回の書き込みにかかる時間とリソースは増大します。
このトレードオフを無視して闇雲にインデックスを追加すると、読み取りは改善しても全体のスループットが低下する恐れがあります。
以下の表に、読み取りと書き込みの観点からインデックスの影響をまとめます。
| 観点 | インデックスが多い場合 | インデックスが少ない場合 |
|---|---|---|
| 読み取り性能 | 向上しやすい | 低下しやすい |
| 書き込み性能 | 低下しやすい | 向上しやすい |
| ストレージ消費 | 増大する | 抑えられる |
| 設計の難易度 | 高くなる | 低くなる |
この表からわかるように、インデックス設計は読み取りと書き込みのバランスを最適化する作業です。
実際のアプリケーションでは、読み取りと書き込みの比率、クエリパターン、データの更新頻度を考慮し、本当に必要なインデックスだけを選択することが求められます。
不要なインデックスを削除するだけでも、書き込み性能が改善し、ストレージコストも削減できます。
インデックスは多ければよいというものではなく、戦略的に設計すべきものなのです。
MongoDBインデックス設計のベストプラクティス徹底解説

MongoDBのインデックス設計は、クエリ性能を最大限に引き出すための土台です。
ここでは、実務で特に効果を発揮する5つのベストプラクティスを取り上げます。
複合インデックスの列順からカーディナリティの評価、カバードクエリ、部分インデックス、TTLインデックスまで、それぞれの考え方と適用方法を論理的に整理していきましょう。
複合インデックスのESRルールで列順を決める
複合インデックスを作成する際、最も重要なのは列の順序です。
MongoDBでは、等価条件(Equality)、ソート条件(Sort)、範囲条件(Range)の順に列を並べるESRルールが推奨されます。
この順序に従うことで、インデックスは等価検索で候補を絞り込み、ソートをインデックス上で処理し、最後に範囲条件を適用できます。
順序を誤ると、インデックスが十分に活用されず、不要なドキュメントの読み込みが発生します。
たとえば、customerIdで等価検索し、createdAtで降順ソートし、amountで範囲検索するクエリを考えます。
この場合、インデックスは次のように作成します。
db.orders.createIndex({ customerId: 1, createdAt: -1, amount: 1 })
この順序であれば、等価条件で絞り込んだ後、ソートをインデックスに任せ、範囲条件を効率的に評価できます。
ESRルールを守ることが、複合インデックスの効果を最大化する鍵です。
カーディナリティと選択性を評価する
インデックスに適したフィールドを選ぶには、カーディナリティと選択性を評価します。
カーディナリティは、そのフィールドが取り得る値の種類の多さを指します。
選択性は、条件に一致するドキュメントの割合が少ないほど高くなります。
カーディナリティが高く、選択性が高いフィールドほど、インデックスの効果は大きくなります。
以下の表に、カーディナリティと選択性の関係をまとめます。
| フィールド例 | カーディナリティ | 選択性 | インデックス適性 |
|---|---|---|---|
| 性別 | 低い | 低い | 不向き |
| 都道府県 | 中程度 | 中程度 | 条件次第 |
| メールアドレス | 高い | 高い | 非常に適する |
| 注文日時 | 高い | 高い | 適する |
性別のように値の種類が少ないフィールドは、インデックスを作成しても候補を十分に絞り込めません。
一方、メールアドレスのように一意性が高く、ほとんどのクエリで少数のドキュメントに絞り込めるフィールドは、インデックスの恩恵が大きくなります。
カーディナリティが低いフィールドへの単独インデックスは、書き込みコストだけを増やす結果になりかねません。
カバードクエリでディスクI/Oを削減する
カバードクエリとは、クエリに必要なすべてのフィールドがインデックスに含まれており、ドキュメント本体を読み込まずに結果を返せるクエリです。
これにより、ディスクI/Oを大幅に削減でき、応答時間が向上します。
カバードクエリを実現するには、検索条件と射影(プロジェクション)の両方で使用するフィールドをインデックスに含める必要があります。
また、_idフィールドを射影から除外することも重要です。
たとえば、ageとnameを返すクエリをカバードクエリにするには、次のような複合インデックスを作成します。
db.users.createIndex({ age: 1, name: 1 })
そして、クエリでは_idを除外して射影します。
db.users.find({ age: { $gte: 20 } }, { _id: 0, age: 1, name: 1 })
実行計画でtotalDocsExaminedが0になっていれば、カバードクエリが成立しています。
ディスクI/Oを削減したい場合に有効な手法です。
部分インデックスとスパースインデックスの活用
部分インデックスは、指定した条件を満たすドキュメントだけを対象にインデックスを作成します。
スパースインデックスは、フィールドが存在するドキュメントだけをインデックスに含めます。
どちらもインデックスのサイズを小さくし、書き込みコストを抑える効果があります。
部分インデックスはより柔軟で、partialFilterExpressionを使って条件を細かく指定できます。
たとえば、ステータスがactiveの注文だけを頻繁に検索する場合、部分インデックスが有効です。
db.orders.createIndex({ status: 1 }, { partialFilterExpression: { status: "active" } })
一方、電話番号のように一部のドキュメントにしか存在しないフィールドには、スパースインデックスが適しています。
db.users.createIndex({ phone: 1 }, { sparse: true })
不要なドキュメントをインデックスから除外することで、メモリ使用量と更新コストを削減できます。
TTLインデックスで不要データを自動削除する
TTLインデックスは、指定した時間が経過したドキュメントを自動的に削除する特殊なインデックスです。
ログやセッション情報など、一定期間だけ保持すればよいデータに最適です。
TTLインデックスは日時フィールドに対して作成し、expireAfterSecondsで有効期限を秒単位で指定します。
MongoDBはバックグラウンドで定期的に期限切れドキュメントを削除します。
たとえば、セッション情報を1時間で削除するには、次のようにします。
db.sessions.createIndex({ createdAt: 1 }, { expireAfterSeconds: 3600 })
これにより、createdAtが1時間以上前のドキュメントは自動的に削除されます。
手動で削除処理を実装する必要がなくなり、データの肥大化を防げます。
ただし、削除タイミングは厳密ではないため、即時性が求められる用途には向きません。
実践的なチューニング手順と検証プロセス

インデックス設計の理論を理解したら、次は実際の環境で計測し、改善し、検証するプロセスが必要です。
MongoDBにはスロークエリログやプロファイラといった強力な計測機能が備わっており、これらを活用することでボトルネックを定量的に特定できます。
ここでは、実践的なチューニングの流れを、分析、可視化、検証の3段階に分けて解説します。
スロークエリログを分析してボトルネックを特定する
スロークエリログは、指定した閾値よりも遅いクエリを自動的に記録する仕組みです。
MongoDBではslowmsパラメータで閾値を設定でき、デフォルトは100ミリ秒です。
まずはこのログを有効化し、どのクエリが時間を消費しているかを把握しましょう。
ログを有効にするには、以下のコマンドを実行します。
db.setProfilingLevel(1, { slowms: 50 })
この設定により、50ミリ秒を超えるクエリがsystem.profileコレクションに記録されます。
次に、記録されたデータを分析します。
以下のクエリで、遅い順にクエリを確認できます。
db.system.profile.find({ millis: { $gt: 50 } }).sort({ millis: -1 }).limit(20)
分析時には、docsExaminedとkeysExaminedの比率、planSummary、opなどのフィールドに注目します。
docsExaminedが極端に大きい場合、COLLSCANが発生している可能性が高いです。
ボトルネックを特定する手順は次のとおりです。
system.profileから遅いクエリを抽出するplanSummaryでスキャン方式を確認するdocsExaminedとnreturnedの比率を評価する- 同じパターンのクエリをグループ化して優先順位を付ける
プロファイラによる計測とボトルネックの可視化
プロファイラは、データベース操作の詳細を記録する機能です。
レベルは0、1、2の3段階があり、用途に応じて使い分けます。
以下の表に、各レベルの違いをまとめます。
| レベル | 説明 | 用途 | 性能への影響 |
|---|---|---|---|
| 0 | プロファイリング無効 | 通常運用 | なし |
| 1 | 閾値超過クエリのみ記録 | スロークエリ分析 | 小さい |
| 2 | 全クエリを記録 | 詳細調査 | 大きい |
レベル1が実運用では最も現実的です。
レベル2は短時間のデバッグに限定すべきです。
収集したデータは、MongoDB Compassやmongostat、mongotopなどのツールで可視化できます。
特にCompassのパフォーマンスタブでは、実行時間の推移やインデックスの使用状況をグラフィカルに確認できます。
可視化により、特定の時間帯に集中するクエリや、インデックスが使われていないクエリを直感的に把握できます。
インデックス追加と効果検証の進め方
インデックスの追加は、必ず検証環境で効果を確認してから本番に適用します。
以下の手順で進めると、安全かつ論理的に改善できます。
- 対象クエリを特定し、現在の実行計画を
explain("executionStats")で取得する - 検証環境で候補インデックスを作成し、同じクエリの実行計画を再取得する
docsExamined、keysExamined、executionTimeMillisを比較する- 改善が確認できたら、本番環境にローリングビルドでインデックスを作成する
- 作成後、本番のスロークエリログとプロファイラで効果を再計測する
インデックス作成は書き込み性能に影響を与えるため、本番ではバックグラウンドビルドを利用します。
また、不要になったインデックスはdb.collection.dropIndex()で削除し、定期的に棚卸しを行いましょう。
検証と計測を繰り返すことで、クエリ遅延は継続的に改善できます。
陥りやすいアンチパターンと落とし穴

MongoDBのインデックス設計では、正しい知識よりも誤った思い込みが性能劣化を招くことが少なくありません。
特に本番運用では、不要なインデックスの増加や、インデックスが使われないクエリの放置が、気づかないうちにシステム全体を圧迫します。
ここでは、実務でよく見られるアンチパターンと、その見極め方を整理します。
不要なインデックスが引き起こす性能劣化
インデックスは読み取りを高速化しますが、無条件に追加すればよいわけではありません。
不要なインデックスは書き込み性能を確実に低下させます。
ドキュメントの挿入、更新、削除が発生するたびに、MongoDBは関連するすべてのインデックスを更新しなければならないためです。
インデックスが10個あれば、1回の書き込みで最大10回のインデックス更新が発生します。
これは書き込みレイテンシの増大とスループットの低下に直結します。
さらに、インデックスはメモリ上に常駐しようとするため、不要なインデックスが増えるとワーキングセットが肥大化し、キャッシュヒット率が低下します。
結果として、読み取りクエリまで遅くなるという逆説的な事態を招きます。
以下の表に、インデックス過多がもたらす影響をまとめます。
| 影響領域 | 具体的な症状 | 長期的なリスク |
|---|---|---|
| 書き込み性能 | 挿入・更新の遅延 | スループット低下 |
| メモリ | ワーキングセットの増大 | キャッシュミス増加 |
| ストレージ | インデックス領域の圧迫 | ディスク容量不足 |
| 運用 | 再構築時間の増加 | メンテナンス負荷増大 |
不要なインデックスを定期的に棚卸しし、$indexStatsなどで使用状況を確認することが重要です。
使われていないインデックスは思い切って削除しましょう。
インデックスが使われないケースの見極め方
インデックスが存在していても、クエリの書き方によっては使われません。
インデックスが使われない典型的なケースを理解しておくことが、遅延を防ぐ第一歩です。
- フィールドの型がインデックスと一致していない場合(例:文字列型のフィールドに数値で検索)
- 正規表現が前方一致でない場合(例:
/foo/はインデックスを使わないが、/^foo/は使う) $orや$nin、$notを多用し、インデックスの選択性が損なわれる場合- ソート条件がインデックスの列順と一致していない場合
- 部分インデックスの条件を満たさないクエリの場合
- カーディナリティが極端に低いフィールドへの単独インデックスの場合
たとえば、以下のクエリはインデックスが使われない典型例です。
db.users.find({ name: /tanaka/ })
この場合、nameにインデックスがあっても、正規表現が前方一致でないためCOLLSCANが発生します。
/^tanaka/のようにアンカーを付けることでインデックスが利用されます。
実行計画をexplain("executionStats")で確認し、stageがCOLLSCANになっていないかを必ずチェックしましょう。
インデックスが使われない原因を特定できれば、クエリの書き換えやインデックスの再設計によって改善できます。
運用フェーズで見直すインデックス再設計のポイント

インデックス設計は、リリース時に一度行えば終わりではありません。
運用フェーズでは、データ量の増加、アクセスパターンの変化、機能追加によって、当初は最適だったインデックスが次第に効果を失います。
定期的な再評価を行わなければ、見えないコストが蓄積し、ある日突然クエリ遅延として表面化します。
ここでは、運用中に押さえるべき再設計のポイントを整理します。
データ増加に伴うインデックスの再評価
データ量が増えると、インデックスの効果は相対的に変化します。
小規模なコレクションではCOLLSCANでも問題なかったクエリが、数百万件を超えると致命的な遅延を引き起こします。
また、データ分布の偏りが大きくなると、選択性の高いインデックスでも一部の値に対して極端に多くのドキュメントを返すようになります。
このような変化は、静的な設計時には予測しにくいものです。
再評価の際には、次の観点を定期的に確認します。
- コレクションのドキュメント数とインデックスサイズの推移
- クエリごとの
docsExaminedとnreturnedの比率 - ワーキングセットがメモリに収まっているか
- スロークエリログに新たに出現したクエリパターン
- 既存インデックスの使用頻度と最終使用日時
特に、db.collection.stats()やdb.serverStatus().metricsを定期的に取得し、インデックスサイズとメモリ使用量を追跡することが有効です。
データ増加に伴ってインデックスが肥大化し、キャッシュからあふれると、読み取り性能が急激に低下します。
データ量の変化はインデックス設計の前提を崩す最大の要因です。
四半期ごとなど、定期的な再評価のサイクルを設けましょう。
削除すべきインデックスの判断基準
不要なインデックスを特定するには、客観的な指標に基づく判断が欠かせません。
MongoDBには$indexStatsという集計ステージがあり、各インデックスの使用回数を確認できます。
以下のクエリで、使用状況を一覧できます。
db.orders.aggregate([{ $indexStats: {} }])
この結果から、accesses.opsが極端に少ないインデックスや、accesses.sinceが長期間前のインデックスを特定できます。
判断基準としては、次のようなものが考えられます。
- 作成から一定期間、一度も使用されていない
- 他のインデックスと役割が重複している
- カーディナリティが低く、選択性が乏しい
- 書き込み頻度の高いコレクションで更新コストだけを増やしている
- アプリケーションの改修により不要になった
ただし、削除前に必ず検証環境で影響を確認し、本番では監視期間を設けてから削除します。
$indexStatsの統計はMongoDBの再起動でリセットされるため、長期的な判断には外部へのメトリクス収集も併用しましょう。
不要なインデックスを削除することは、書き込み性能の改善、ストレージ削減、メモリ効率の向上につながります。
インデックスは資産ではなく、適切に管理すべきコストとして捉えることが、運用フェーズの再設計では重要です。
パフォーマンス計測と継続的改善のサイクル

インデックス設計の改善は、一度の作業で完結するものではありません。
むしろ、計測、分析、改善、検証というサイクルを継続的に回すことが、長期的なパフォーマンス維持の鍵となります。
特にMongoDBのような柔軟なスキーマを持つデータベースでは、アプリケーションの成長とともにデータの形やアクセスパターンが変化します。
その変化に追従するためには、属人的な勘ではなく、再現性のある計測プロセスを確立する必要があります。
継続的改善のサイクルは、次の4段階で構成されます。
- 計測:スロークエリログ、プロファイラ、メトリクスを収集する
- 分析:ボトルネックを特定し、優先順位を付ける
- 改善:インデックスの追加、変更、削除を実施する
- 検証:改善効果を定量的に確認し、記録する
このサイクルを定期的に、たとえば月次や四半期ごとに回すことで、問題が顕在化する前に手を打てます。
重要なのは、改善のたびにビフォーアフターの数値を記録することです。
記録がなければ、その変更が本当に効果があったのかを判断できません。
また、変更が別のクエリに悪影響を与えていないかを確認するためにも、全体のメトリクスを俯瞰する視点が欠かせません。
ベンチマークを正しく取るための手順
パフォーマンス改善の効果を正しく評価するには、ベンチマークの取り方そのものが適切でなければなりません。
条件がばらついた計測では、得られた数値の信頼性が低く、誤った意思決定を招きます。
ベンチマークを取る際は、以下の手順を厳守しましょう。
- 計測対象のクエリとデータセットを固定する
- ウォームアップを十分に行い、キャッシュ状態を安定させる
- 同じ条件で複数回実行し、中央値やパーセンタイルで評価する
- 他の負荷がかかっていない状態で計測する
- 実行計画と実行時間の両方を記録する
特に、単発の実行時間だけを見て判断するのは危険です。
キャッシュの有無や同時実行数によって結果は大きく変動します。
以下の表に、評価時に見るべき指標をまとめます。
| 指標 | 意味 | 改善の目安 |
|---|---|---|
| executionTimeMillis | クエリ実行時間 | 短縮されるほど良い |
| docsExamined | 走査したドキュメント数 | 削減されるほど良い |
| keysExamined | 走査したインデックスキー数 | 削減されるほど良い |
| nreturned | 返却ドキュメント数 | 変化しないのが理想 |
docsExaminedとnreturnedの比率が1に近づくほど、効率的なクエリであると言えます。
逆に、docsExaminedがnreturnedの何十倍もある場合、インデックスが十分に機能していません。
ベンチマークは、改善の前後で同一条件を保ち、複数回の計測結果を統計的に扱うことが重要です。
こうした丁寧な計測を積み重ねることで、インデックス設計の妥当性を論理的に裏付けられるようになります。
まとめ:MongoDBのクエリ遅延を解消するインデックス設計の要点

MongoDBのクエリ遅延は、突発的に発生するように見えて、その多くは論理的な原因を持っています。
本記事では、遅延の根本原因から実行計画の読み解き方、インデックス設計のベストプラクティス、実践的なチューニング手順、そして運用フェーズでの再設計までを一貫して解説しました。
ここで、重要なポイントを改めて整理します。
まず押さえるべきは、クエリが遅い原因を勘で判断しないことです。
explain("executionStats")を使えば、COLLSCANが発生しているのか、IXSCANが機能しているのかを客観的に確認できます。
docsExaminedとnreturnedの比率を評価し、不要なドキュメントを読み込んでいないかを検証しましょう。
実行計画を読む習慣が、すべての改善の出発点になります。
インデックス設計では、以下の原則が特に重要です。
- 複合インデックスはESRルール(Equality、Sort、Range)に従って列順を決める
- カーディナリティと選択性の高いフィールドを優先する
- カバードクエリを活用してディスクI/Oを削減する
- 部分インデックスやスパースインデックスで対象を絞る
- TTLインデックスで不要データを自動的に管理する
一方で、インデックスは多ければよいわけではありません。
不要なインデックスは書き込み性能を低下させ、メモリを圧迫し、ストレージを消費します。
$indexStatsで使用状況を定期的に確認し、使われていないインデックスは削除する判断も必要です。
以下の表に、設計時に問うべき観点をまとめます。
| 観点 | 問いかけ | 判断のポイント |
|---|---|---|
| 必要性 | このインデックスはどのクエリを支えるか | 使用頻度と効果 |
| 列順 | 等価、ソート、範囲の順になっているか | ESRルール |
| 選択性 | 候補を十分に絞り込めるか | カーディナリティ |
| コスト | 書き込みとストレージへの影響は許容範囲か | トレードオフ |
| 寿命 | 将来も使われ続けるか | 定期的な再評価 |
運用フェーズでは、データ増加やアクセスパターンの変化に応じてインデックスを再評価します。
スロークエリログやプロファイラで計測し、ベンチマークを正しく取ることで、改善効果を定量的に確認できます。
単発の実行時間ではなく、複数回の計測の中央値やパーセンタイルで評価することが、信頼性の高い判断につながります。
最後に、継続的改善のサイクルを忘れないでください。
計測、分析、改善、検証を繰り返すことで、クエリ遅延は再発しにくくなります。
インデックス設計は一度きりの作業ではなく、アプリケーションの成長に合わせて育てていくものです。
論理的に計測し、データに基づいて判断する姿勢こそが、MongoDBのパフォーマンスを長期的に維持する鍵となるでしょう。


コメント