4 wichtige Gründe für ein Upgrade auf MongoDB 7.0

Steve Jurczak and Karthic Subramanian
September 15, 2023 | Updated: September 21, 2023

In letzter Zeit waren wir unterwegs und sorgten bei einer Reihe von Veranstaltungen in Großstädten auf der ganzen Welt für Schlagzeilen. Eines der großen Highlights ist die Veröffentlichung von MongoDB 7.0, das eine umfassende Suite von Funktionen bietet, die darauf ausgelegt sind, Abläufe zu rationalisieren, die Leistung zu verbessern und die Sicherheit zu erhöhen. Mit dieser Veröffentlichung bestätigt sich MongoDB erneut als erste Wahl für Unternehmen, die die Produktivität ihrer Entwicklungsteams bei der Erstellung moderner, verteilter Anwendungen steigern möchten. Version 7.0 verfügt über alle in früheren Versionen veröffentlichten Funktionen sowie zusätzliche Funktionen, die Entwicklern das Erstellen von Software erleichtern sollen.

#1 – Verbesserte Leistung

MongoDB 7.0 bringt erhebliche Verbesserungen bei der Arbeit mit Time Series , insbesondere bei anspruchsvollen, großvolumigen Datensätzen aller Formen. Diese Verbesserungen führen zu einer verbesserten Speicheroptimierung und -komprimierung sowie einer verbesserten Abfrageleistung. Entwickler werden eine noch bessere Handhabung von Daten mit hoher Kardinalität, verbesserte Skalierbarkeit und Gesamtleistung erleben; So können Sie Time Series effizienter und kostengünstiger managed. Change streams unterstützt jetzt noch umfassendere Anwendungsfälle: die Handhabung von Änderungen in großen Dokumenten, sogar mit Vorbildern und Nachbildern, ohne unerwartete Fehler zu verursachen.

#2 – Reibungslosere Migrationen

Aktualisierungen der Cluster-to-Cluster Sync (Mongosync) ermöglichen eine effizientere Datenmigration in einer Vielzahl von Szenarien. Cluster-to-Cluster Sync bietet jetzt eine größere Flexibilität bei der Synchronisierung zwischen cluster mit unterschiedlichen Topologien, z. B. von Sekundär-festlegen zu sharded cluster. Die gefilterte Synchronisierung ermöglicht die Synchronisierung bestimmter Daten anstelle des gesamten cluster. Atlas Live Migrate unterstützt jetzt Migrationen für cluster , auf denen MongoDB 6.0.4+ ausgeführt wird Bereitstellung von Migrationen, die schneller und robuster sind, wenn es während des Migrationsprozesses zu Unterbrechungen kommt.

#3 – Optimierte Entwicklererfahrung

Mit neuen Verbesserungen der aggregation pipeline – einschließlich zusammengesetzter Index, ungefährer Perzentile und bitweiser Operatoren – können Entwickler von größerer Flexibilität und Leistung bei der Indizierung und Abfrage von Daten profitieren. Mit MongoDB 7.0 können Entwickler auch Benutzerrollenvariablen innerhalb aggregation pipeline implementieren, sodass eine Single View basierend auf den Berechtigungen der LogBenutzer unterschiedliche Daten anzeigen kann. Unterstützung für feinkörnige Aktualisierungen und Löschungen in collection Time Series und neue Metriken zur Auswahl eines shard key tragen dazu bei, den Entwickleraufwand zu reduzieren und den Entwicklungsprozess zu rationalisieren.

#4 – Stärkere Sicherheitskontrollen

MongoDB 7.0 stärkt die Sicherheitsfunktionen durch Queryable Encryption, um Kunden dabei zu helfen, sensible Daten zu verschlüsseln und Gleichheitsabfragen für vollständig randomisierte verschlüsselte Daten durchzuführen. Die Sicherheitsverbesserungen stellen sicher, dass Entwickler Anwendungen mit Zuversicht erstellen und bereitstellen können, da sie wissen, dass ihre Daten geschützt sind und den neuesten Sicherheitsstandards und Protokollen entsprechen.

Warum warten?

Mit einer Vielzahl neuer Funktionen und Verbesserungen, die Ihr Team produktiver machen sollen, ist MongoDB 7.0 die perfekte Wahl für Unternehmen, die ihre Entwicklung auf die nächste Stufe heben möchten. Von verbesserter Leistung bis hin zu stärkeren Sicherheitsfunktionen macht es MongoDB 7.0 einfacher, das nächste große Ding zu entwickeln. Registrieren Sie sich jetzt für Atlas und beginnen Sie noch heute mit dem Bau.

Wenn Sie eine Anleitung zum Upgrade auf 7.0 benötigen, bietet unser professionelles Serviceteam Upgrade-Unterstützung an, um einen reibungslosen Übergang zu gewährleisten. Weitere Informationen finden Sie unter MongoDB Consulting.

← Previous

Construire avec des modèles : Un résumé

Alors que nous terminons la série "Building with Patterns", c'est l'occasion de récapituler les problèmes que les modèles abordés ont permis de résoudre et de mettre en évidence certains des avantages et des compromis de chaque modèle. La question la plus fréquente concernant les modèles de conception est la suivante : "Je conçois une application pour faire X, comment dois-je modéliser les données ?". Comme nous espérons que vous l'avez découvert au cours de cette série d’articles, il y a beaucoup d'éléments à prendre en considération pour répondre à cette question. Cependant, nous avons inclus un schéma d’exemples de cas d’utilisation que nous avons trouvé utile pour au moins fournir un guide initial sur les modèles de modélisation des données pour les cas d'utilisation génériques. Exemples de cas d'utilisation Le graphique ci-dessous indique ce que nous avons constaté après des années d'expérience avec nos clients en ce qui concerne les modèles de conception de schéma utilisés dans une variété d'applications. Il ne s'agit pas d'une définition "gravée dans le marbre" de règles indiquant quel modèle de conception peut être utilisé pour un type d'application particulier. Examinez ceux qui sont fréquemment utilisés dans votre cas d'utilisation. Mais, n'écartez pas les autres, ils peuvent tout de même s'appliquer. La façon dont vous concevez le schéma de données de votre application dépend fortement la manière dont vous accédez aux données. Résumés des modèles de conception Approximation Le modèle Approximation est utile lorsque des calculs coûteux sont fréquemment effectués et que la précision de ces calculs n'est pas une priorité absolue. Avantages Moins d'écritures dans la base de données. Maintenir des chiffres statistiquement valables. Inconvénients Les chiffres exacts ne sont pas représentés. Doit être implémenté dans l'application.’ Attribut Le modèle Attribut est utile pour les problèmes liés à l'existence de documents volumineux comportant de nombreux champs similaires, mais un sous-ensemble de champs partageant des caractéristiques communes et sur lesquels on souhaite effectuer un tri ou une requête. Lorsque les champs à trier ne se trouvent que dans un petit sous-ensemble de documents. Ou lorsque ces deux conditions sont réunies dans les documents. Avantages Moins d'index sont nécessaires. Les requêtes deviennent plus simples à écrire et sont généralement plus rapides. Bucket Le modèle Bucket est une excellente solution lorsqu'il s'agit de gérer un flux de données, comme dans les applications Time Series, Real-Time Analytics ou Internet of Things (IoT)). Avantages Réduit le nombre total de documents dans une collection. Améliore les performances de index. Peut simplifier l'accès aux données en tirant parti de la préagrégation. Computed Lorsqu'il existe des schémas d'accès aux données très intensifs en lecture et que ces données doivent être calculées de manière répétée par l'application, le modèle Calculé (Computed Pattern) est une excellente option à explorer. Avantages Réduction de la charge du CPU pour les calculs fréquents. Les requêtes deviennent plus simples à écrire et sont généralement plus rapides. Inconvénients Il peut être difficile d'identifier le besoin de ce modèle. L'application ou l'utilisation excessive du modèle doit être évitée, sauf en cas de nécessité. Document Versioning Lorsque vous êtes confronté à la nécessité de conserver des versions antérieures de documents dans MongoDB, le modèle Document Versioning est une solution possible. Avantages Facile à mettre en œuvre, même sur des systèmes existants. Aucun impact sur les performances des requêtes sur la dernière révision. nconvénients Double le nombre d'écritures. Les requêtes doivent cibler la bonne collection. Extended Reference Le modèle Extended Reference est particulièrement utile lorsque votre application doit effectuer un grand nombre d'opérations de jointure pour regrouper des données accédées fréquemment ensemble. Avantages Améliore les performances lorsqu'il y a beaucoup d'opérations de jointure. Des lectures plus rapides et une réduction du nombre total de jointures. Inconvénients Duplication des données. Outliner Constatez-vous que certaines requêtes ou certains documents ne correspondent pas au modèles de données habituels ? Ces exceptions sont-elles à l'origine de votre solution d'application ? Si c'est le cas, le modèle des valeurs aberrantes est une excellente solution à cette situation. Avantages Empêche que quelques documents ou requêtes ne déterminent la solution d'une application. Les requêtes sont adaptées aux cas d'utilisation "typiques", mais les cas aberrants sont toujours pris en compte. Inconvénients Souvent adaptés à des requêtes spécifiques, les requêtes ad hoc risquent donc de ne pas donner de bons résultats. Une grande partie de ce modèle est réalisée avec le code de l'application. Pre-allocation Lorsque vous connaissez la structure de votre document et que votre application doit simplement la remplir de données, le modèle Pre-Allocation est le bon choix. Avantages Simplification de la conception lorsque la structure du document est connue à l'avance. Inconvénients Simplicité contre performance. Polymorphic Le modèle Polymorphic est la solution lorsqu'il existe une variété de documents qui présentent plus de similitudes que de différences et que les documents doivent être conservés dans une collection unique. Avantages Facile à mettre en œuvre. Les requêtes peuvent porter sur une seule collection. Schema Versioning Pratiquement toutes les applications peuvent bénéficier du Schema Versioning, car des modifications du schéma de données interviennent fréquemment au cours de la durée de vie d'une application. Ce modèle permet aux versions précédentes et actuelles des documents de coexister dans une collection. Avantages Aucun temps d'arrêt n'est nécessaire. Contrôle de la migration des schémas. Réduction de la dette technique future. Inconvénients Il se peut que deux index soient nécessaires pour le même champ lors de la migration. Subset Pattern Le modèle Subset résout le problème du dépassement de la capacité mémoire par les documents volumineux dont une grande partie des données n'est pas utilisée par l'application. Avantages Réduction de la taille globale des données de travail. Temps d'accès au disque plus court pour les données les plus fréquemment utilisées. Inconvénients Nous devons gérer le sous-ensemble. La récupération de données supplémentaires nécessite des accès supplémentaires à la base de données. Tree Lorsque les données ont une structure hiérarchique arborescente et qu'elles sont fréquemment interrogées, le modèle Tree est le schéma à suivre. Avantages Amélioration des performances en évitant les opérations de jointure multiples. Inconvénients Les mises à jour de l’arbre doivent être gérées dans l'application. Conclusion Comme nous espérons que vous l'avez vu dans cette série, le modèle document de MongoDB offre une grande flexibilité dans la façon dont vous modélisez les données. Cette flexibilité est incroyablement puissante, mais elle doit être exploitée en fonction des manières d'accèder aux données de votre application. N'oubliez pas que la conception du schéma dans MongoDB a un impact considérable sur les performances de votre application. Nous avons constaté que les problèmes de performance sont souvent dus à une mauvaise conception du schéma. Gardez à l'esprit que pour améliorer encore la puissance du modèle document, ces modèles de conception de schémas peuvent être utilisés ensemble, lorsque cela s'avère judicieux. Par exemple, le schéma Versioning peut être utilisé en conjonction avec n'importe quel autre schéma au fur et à mesure que votre application évolue. Avec les douze modèles de conception de schémas abordés, vous disposez des outils et des connaissances nécessaires pour exploiter la puissance de la flexibilité du modèle document.

September 15, 2023

Next →

MongoDB and Partners: Building the AI Future, Together

If you’re like me, over the past year you’ve closely watched AI’s developments—and the world’s reactions to them. From infectious excitement about AI’s capabilities, to impatience with its cost and return on investment, every day has been filled with AI twists and turns. It’s been quite the roller coaster. During the ride, from time to time I’ve wondered where AI falls on the Gartner hype cycle, which gives "a view of how a technology or application will evolve over time." Have we hit the "peak of inflated expectations" only to fall into the "trough of disillusionment?" Or is the hype cycle an imperfect guide, as The Economist argues? The reality is that it takes time for any new technology—even transformative ones like AI—to take hold. And every advance, no matter how big, has had its detractors. A famous example is that of Picasso (!), who in 1968 said, “Computers are useless. They can only give you answers.” (!!) For our part, MongoDB is convinced that AI is a once-in-a-generation technology that will enhance every future application—a belief that has been reinforced by the incredible work our partners have shared at MongoDB’s 2024 events. Speeding AI development MongoDB is committed to helping organizations of all sizes succeed with AI, and one way we’re doing that is by collaborating with the MongoDB partner ecosystem to create powerful, user-friendly AI development tools and solutions. For example, Fireworks.ai —which is a member of the MongoDB AI Applications Program ecosystem —created an inference solution that hosts gen AI models and supports containerized deployments. This tool makes it easier for developers to build and deploy powerful applications with a range of easy-to-use tools and customization options. They can choose to use state-of-the-art, open-source language, image, and multimodal foundation models off the shelf, or they can customize and fine-tune models to their needs. Jointly, Fireworks.ai and MongoDB provide a solution for developers who want to leverage highly curated and optimized open-source models and combine these with their organization’s own proprietary data—and to do so with unparalleled speed and security. “MongoDB is one of the most sophisticated database providers, and it’s very easy to use,” said Benny Chen , cofounder of Fireworks.ai. "We want developers to be able to use these tools, and we want to work with providers who enable and empower developers." Nomic , another MAAP ecosystem member, also enables developers with best-in-class solutions across the entire unstructured data workflow. Their Embed offering, available through the Nomic API , allows users to vectorize large-scale datasets for use in text, image, and multimodal retrieval applications, including retrieval-augmented generation (RAG), using only their web browser. The Nomic-MongoDB solution is a highly efficient, open-weight model that developers can use to visualize the unstructured datasets they store in MongoDB Atlas . These insights help users quickly discover trends and articulate data-driven value propositions. Nomic also supported the recently announced vector quantization in MongoDB Atlas Vector Search , which reduces vector sizes while preserving performance. Last—but hardly least!—there’s our new reference architecture with MAAP partners AWS and Anthropic. Announced at MongoDB.local London , the reference architecture supports building memory-enhanced AI agents, and is designed to streamline complex processes and develop smarter, more responsive applications. For more—including a link to the code on Github— check out the MongoDB Developer Center . Making AI work for anyone and everyone The companies MongoDB partners with aren’t just making gen AI easier for developers—they’re building tools for everyone. For example, Capgemini has invested $2 billion in gen AI and is training 100,000 of its employees in the technology. GenYoda, a solution that helps insurance professionals with their daily work, is a product of this investment. GenYoda leverages MongoDB Atlas Vector Search to analyze large amounts of customer data, like policy statements, premiums, claims history, and health information. Using GenYoda, insurance professionals can quickly analyze underwriters’ reports to make informed decisions, create longitudinal health summaries, and streamline customer interactions to improve contact center efficiency. GenYoda can ingest 100,000 documents in just a few hours and respond to users’ queries in two to three seconds—a metric on par with the most widely used gen AI models. And it produces results: in one example, by using Capgemini’s solution an insurer was able to increase productivity by 15%, add new reports 25% faster (thus speeding decision-making), and reduce the manual effort of searching PDFs, increasing efficiency by 10%. Building the future of AI together So, what’s next? Honestly, I’m as curious as you are. But I’m also incredibly excited. At MongoDB, we’re active participants in the AI revolution, working to embrace the possibilities that lie ahead. The future of gen AI is bright, and I can’t wait to see what we’ll build together. To learn more about how MongoDB can accelerate your AI journey, explore the MongoDB AI Applications Program .

November 4, 2024