# Performance аудит: Sentry Tracing + EXPLAIN slow queries

> Аудит по issue [#70](https://git.gendsgn.ru/lekss361/gendesign/issues/70) (B4-3,
> ⚙️ Backend API quality). Дата: 2026-06-13. EXPLAIN-замеры — READ-ONLY на prod
> (`gendesign-postgres-1`, PostgreSQL 16.4 + PostGIS 3.4), без DDL на проде.
>
> Источник правды по решениям — Obsidian vault. Здесь — версионированная копия рядом с кодом.

## TL;DR

- **Tracing включён** (drift): GlitchTip `traces_sample_rate=0.05`, авто-инструментация
  FastApi/Sqlalchemy/Httpx/Celery (`app/main.py`, `app/workers/celery_app.py`).
- **EXPLAIN top-5 hot-path** прогнан на проде с реальными параметрами (район
  `Академический`, region 66). 4 из 5 запросов — в пределах p95-таргетов.
- **Найден 1 явный missing-index** (большая выгода): analyze «district price ranges»
  по `objective_lots` (~1.12М строк) на плотном районе — **cold 5286 ms / warm 499 ms**,
  Bitmap Heap Scan ~41k блоков. Исправлено миграцией
  **`data/sql/153_objective_lots_district_price_idx.sql`** (частичный covering-index
  → Index Only Scan).
- **pgBouncer** пока **не требуется** (см. §5) — ops-decision при росте конкурентных
  соединений >50.

## 1. Sentry / GlitchTip Performance (статус)

Инструментация активна в обоих процессах:

```python
sentry_sdk.init(
    traces_sample_rate=settings.glitchtip_traces_sample_rate,  # default 0.05
    integrations=[StarletteIntegration(), FastApiIntegration(),
                  CeleryIntegration(...), SqlalchemyIntegration(),
                  HttpxIntegration(), LoggingIntegration(...)],
)
```

- `SqlalchemyIntegration` создаёт span на каждый SQL → в GlitchTip видно время по
  запросам внутри транзакции `/parcels/{id}/analyze` и др.
- `before_send_transaction=scrub_sensitive_query` redact-ит секреты из span-URL (см.
  `docs/PII_152FZ_Audit.md` §3) — tracing не светит api-keys.
- Замечание по sample-rate: 0.05 (5%) — экономно. Для прицельного сбора p95 на
  hot-path можно временно поднять (env `GLITCHTIP_TRACES_SAMPLE_RATE`) на период замера,
  затем вернуть. Это конфиг-tuning, не код.

## 2. Top-5 hot-path запросов — EXPLAIN (ANALYZE, BUFFERS) на проде

Параметры: `region_code=66`, `district='Академический'` (самый плотный район),
`cad='66:41:0303035'`. Размеры hot-таблиц: `objective_lots` 1.12М строк, `domrf_realization`
144k, `objective_corpus_room_month` 78k, `domrf_kn_objects` 10.7k, `domrf_kn_sales_agg` 2.6k,
`cad_buildings` 38k, `cad_quarters_geom` 11k. `cad_parcels_geom` — **VIEW** (не базовая
таблица), физически бьёт `cad_parcels`/`cad_buildings`.

| # | Запрос (код) | Endpoint | План | Exec (cold/warm) | Вердикт |
|---|---|---|---|---|---|
| 1 | `market_pulse` `analytics_queries.py:27` | `/analytics/market-pulse` ≤500ms | Bitmap Index Scan `idx_realization_region` | **3.3 ms** | OK |
| 2 | analyze geom UNION `parcels.py:1331` | `/parcels/{id}/analyze` ≤3с | Append + Index Scan на PK (3 ветки, 2 `never executed` из-за `LIMIT 1`) | **37.6 ms** | OK |
| 3 | `_district_market_saturation` `analytics_queries.py:1426` | analyze/recommend | Aggregate; seq scan `domrf_kn_sales_agg` (2.6k строк, оптимален при таком размере) | **6.0 ms** | OK |
| 4 | `_district_velocity_trend` `analytics_queries.py:1468` | recommend | Bitmap Index Scan `objective_crm_district_class_idx` → heap 1691 блоков | cold **283 ms** / warm **14.9 ms** | OK (см. §3) |
| 5 | `_competitors_two_dim` `analytics_queries.py:2158` | analyze | Bitmap Index Scan `obj_district_class_active_idx` + `DISTINCT ON` 800→126 + ST_DWithin in-mem | **66 ms** | OK |
| 5b | competitors count tier-1 `analytics_queries.py:1731` | analyze | **Index Only Scan** `obj_district_class_active_idx` | **1.0 ms** | OK |

### Запрос-нарушитель (вне таблицы top-5, но критичен)

| Запрос | Endpoint | План ДО | Exec ДО |
|---|---|---|---|
| analyze «District price ranges» `parcels.py:2123` (`MIN/MAX/PERCENTILE_CONT/COUNT` по `objective_lots WHERE district=:dn AND price_per_m2_rub …`) | `/parcels/{id}/analyze` ≤3с | Bitmap Index Scan `objective_lots_district_class_idx` (matches ~182k) → **Bitmap Heap Scan ~41k блоков** (price_per_m2_rub в heap) → filter до 152k | **cold 5286 ms / warm 499 ms** |

Это **пробивает** analyze p95 ≤3с на холодном кэше и на плотных районах. Корень: индекс
`(district, class)` даёт district-match, но агрегируемая колонка `price_per_m2_rub` не в
индексе → планировщик идёт в heap за ценой каждой из 182k строк (~320 МБ I/O cold).

## 3. Выявленные проблемы и что сделано

### P1 (исправлено) — missing covering-index на `objective_lots`

**Миграция `data/sql/153_objective_lots_district_price_idx.sql`:**

```sql
CREATE INDEX IF NOT EXISTS idx_objective_lots_district_price
    ON objective_lots (district, price_per_m2_rub)
    WHERE price_per_m2_rub IS NOT NULL;
```

Обе колонки (фильтр `district` + агрегируемое `price_per_m2_rub`) теперь в индексе →
планировщик делает **Index Only Scan** (читает ~283 листовых страницы вместо 41k
heap-блоков), heap не трогается. Частичный (`WHERE price_per_m2_rub IS NOT NULL`) —
индексируем ~919k из 1.12М строк, зеркалит предикат запроса. Idempotent, не-CONCURRENTLY
(deploy.yml гоняет в транзакции). **Ожидаемый эффект:** district-price block уходит с
сотен мс (warm) / секунд (cold) в десятки мс.

> **Важно — VACUUM обязателен для реализации выигрыша.** Проверено на проде через
> аналогичный существующий индекс `objective_lots_rooms_area_idx (rooms_int, area_pd)`:
> запрос той же формы действительно идёт `Index Only Scan` (паттерн подтверждён), НО при
> устаревшей visibility map даёт `Heap Fetches: 29637` (страницы `dirtied` во время скана)
> → Index Only Scan всё равно лезет в heap за видимостью, выигрыш частично теряется
> (замер ~404 ms). Поэтому после deploy P1: повторить EXPLAIN запроса из §2, убедиться в
> `Index Only Scan using idx_objective_lots_district_price`, и **обязательно**
> `VACUUM ANALYZE objective_lots` (или дождаться autovacuum) — чтобы visibility map дал
> «Heap Fetches: 0» и реальный exec упал в десятки мс. Без VACUUM индекс создан, но
> эффект приглушён.

### P2 (документировано, индекс НЕ нужен) — cold-cache на `objective_corpus_room_month`

`_district_velocity_trend` (#4): cold 283 ms — это first-touch disk I/O (1709 блоков),
warm 14.9 ms. Индекс по `district` уже есть (`objective_crm_district_class_idx`); 283 мс —
не отсутствие индекса, а холодный heap-fetch `deals_total_count` (нет в индексе). Таблица
108 МБ полностью кэшируется после прогрева → реальный p95 под нагрузкой ≈ warm. Covering-
индекс дал бы выигрыш только на cold-start; при 108 МБ / постоянном трафике recommend это
не стоит лишнего индекса. **Решение: не добавлять**, оставить на наблюдение через tracing.

### P3 (документировано, не проблема) — высокий seq_scan на `domrf_kn_objects`

`pg_stat_user_tables`: `domrf_kn_objects` `seq_scan=87771`. Но таблица — 10.7k строк
(9 МБ); seq scan для `MAX(snapshot_date)`-подзапросов дешёв. `objective_lots`
`seq_tup_read` высок из-за ETL `SELECT * FROM objective_lots` (`objective_etl.py:364`) и
`COUNT(*)/MAX(snapshot_date)` без фильтра (landing KPI / admin_scrape) — full-scan там
неизбежен, индекс не помогает. Hot-path JOIN'ы по `objective_lots` идут через
`project_name`/`district`-индексы. **Действий не требуется.**

## 4. p95-цели (issue #70)

| Endpoint | Target p95 | Доминирующие запросы | Статус (по EXPLAIN) |
|---|---|---|---|
| `/analytics/market-pulse` | ≤500 ms | #1 (3.3 ms) | **в пределах** с запасом |
| `/parcels/{id}/analyze` | ≤3 с | #2 (37 ms) + #5 (66 ms) + district-price (был 5.3с cold) | **после P1** — district-price в десятки мс → analyze укладывается; до P1 cold-кэш пробивал |
| `/analytics/recommend` | ≤2 с | #3 (6 ms) + #4 (cold 283/warm 15 ms) + competitors | **в пределах** на warm; cold-start recommend стоит замерить через tracing после deploy |

> Эти цифры — single-query exec на проде, не сквозной p95 endpoint'а (включает Python-
> сериализацию, внешние HTTP в analyze — Open-Meteo через `weather_cache`, последовательные
> lookup'ы ИРД/ОКН/ТЭП). Реальный p95 снимать по GlitchTip-tracing (§1) после P1 + прогрева.

## 5. Рекомендации (ops-decision)

| # | Тема | Рекомендация |
|---|---|---|
| **R1** | Замер p95 | Временно поднять `GLITCHTIP_TRACES_SAMPLE_RATE` (напр. 0.2) на 1–2 дня после deploy P1, снять реальный p95 hot-path в GlitchTip, вернуть 0.05. |
| **R2** | analyze — последовательные lookup'ы | Issue #70 предлагает `asyncio.gather` для независимых district/POI/competitors. **Блокер:** `analyze_parcel` — `sync def` (под uvicorn идёт в threadpool, см. `parcels.py:909` и `weather_cache.py`); SQLAlchemy-сессия sync. Параллелизация требует рефактора на async-сессии или `run_in_threadpool` per-lookup — отдельный PR, вне scope этого аудита. После P1 основной DB-нарушитель снят, выгода от распараллеливания ниже. |
| **R3** | pgBouncer | **Пока не нужен.** Размеры данных умеренные, запросы укладываются в pool. Вводить при устойчивом росте конкурентных соединений >50 (метрика из issue) или если `pool_timeout` начнёт всплывать в логах (ср. инцидент #1202 — audit-write на event loop). Ops-decision. |
| **R4** | VACUUM (обязательно) | После применения P1 — `VACUUM ANALYZE objective_lots`. Не опционально: на проде аналогичный индекс при stale visibility map давал `Heap Fetches: 29637` (~404 ms) вместо 0 — без VACUUM Index Only Scan лезет в heap и выигрыш приглушается (§3 P1). |

## 6. Acceptance (issue #70)

- [x] EXPLAIN top-5 hot-path прогнан на проде с реальными цифрами (§2).
- [x] Явный missing-index найден и исправлен миграцией `data/sql/153` (§3 P1).
- [x] p95-цели зафиксированы + статус по каждой (§4).
- [x] Tracing-статус + рекомендации по замеру / pgBouncer / async-рефактору (§1, §5).
- [x] Audit-doc.

## Ссылки (код)

- Tracing init: `backend/app/main.py`, `backend/app/workers/celery_app.py`
- Hot-path SQL: `backend/app/services/analytics_queries.py`, `backend/app/api/v1/parcels.py`
- Миграция-фикс: `data/sql/153_objective_lots_district_price_idx.sql`
- analyze sync-def контекст: `backend/app/api/v1/parcels.py:909`, `backend/app/services/weather_cache.py`