Von über 6 Minuten auf 2 Sekunden: N+1-Abfragen in einer Praxis-Software beseitigt
Eine Personaleinsatz-Software für rund 200 Zahnarztpraxen war so langsam, dass Mitarbeiter zum Schichtbeginn die Startseite öffneten und erst einmal Kaffee kochen gingen. Mit einem eigenen Benchmark-System habe ich die Engpässe gemessen, über 10.000 Datenbankabfragen pro Aufruf auf meist maximal 10 reduziert und die Antwortzeiten von bis zu 6 Minuten auf ca. 2 Sekunden gesenkt.
- Kategorie
- Performance
- Kontext
- Personaleinsatz-Software für ca. 200 Zahnarztpraxen
- Rolle
- Softwareentwickler (ito consult)
- Zeitraum
- November 2024
- Dauer
- ca. 2 Monate
- Tech-Stack
- PHPSymfonyDoctrineMySQLJavaScript
- schwerster Endpunkt
- 6 min → 2 s
- typische langsame Endpunkte
- 30 s → 2 s
- DB-Abfragen pro Aufruf
- 10.000+ → ≤10
- Praxen profitieren
- ~200
Ausgangslage
Die Software plant den Personaleinsatz in rund 200 Zahnarztpraxen mit jeweils 10 bis 60 Mitarbeitern. Viele Seiten und API-Endpunkte brauchten etwa 30 Sekunden, der schwerste über 6 Minuten.
Im Alltag sah das so aus: Zum Schichtbeginn öffneten Mitarbeiter die Startseite und gingen erst einmal Kaffee kochen. Danach trauten sie sich nicht, die Seite neu zu laden, weil das wieder so lange gedauert hätte. Entsprechend häuften sich die Beschwerden.
Analyse & Vorgehen
Statt einzelne Stellen nach Gefühl zu optimieren, habe ich zuerst eine verlässliche Messgrundlage geschaffen: ein eigenes Benchmark-System in Symfony und JavaScript.
- Es simuliert die Seitenaufrufe aller Nutzer aller Kunden.
- Es misst die Antwortzeit jeder Route einzeln.
- Es stellt die Ergebnisse als Grafiken dar, sodass die langsamsten Stellen sofort sichtbar werden.
Die Messungen zeigten ein klares Muster: massive N+1-Abfragen. Im Code liefen Schleifen in Schleifen, und in jeder Iteration wurden erneut Daten aus der Datenbank geladen. Ein einziger Seitenaufruf löste so über 10.000 Datenbankabfragen aus. Hinzu kam teure Objekt-Hydration für Daten, die nur gelesen wurden.
Lösung
- Abfragen gebündelt: Statt pro Schleifendurchlauf einzeln nachzuladen, werden die benötigten Daten vorab in wenigen gezielten Abfragen geholt. Aus über 10.000 Abfragen wurden in den meisten Fällen höchstens 10.
- Arrays statt Entities: Wo nur gelesen wird, nutze ich Array-Hydration statt vollständiger Doctrine-Objekte. Die Daten werden einmal geladen, nach Schlüsseln indiziert und im weiteren Ablauf wiederverwendet.
- Nachweis per Benchmark: Nach jeder Optimierung lief dieselbe Simulation erneut, und der Vorher-Nachher-Vergleich der Grafiken zeigte den Effekt objektiv.
Ergebnis
Typische langsame Endpunkte wurden von ca. 30 Sekunden auf ca. 2 Sekunden beschleunigt, der schwerste von über 6 Minuten auf ca. 2 Sekunden. Die Praxen können die Software wieder normal nutzen, ohne Wartezeit zum Schichtbeginn und ohne Angst vor dem Neuladen.
Das komplette Performance-Projekt einschließlich Analyse dauerte etwa zwei Monate und wurde vollständig ohne generative KI umgesetzt.
Erkenntnisse
Erst messen, dann optimieren. Ein reproduzierbarer Benchmark zeigt, wo es wirklich weh tut, macht Fortschritt für alle sichtbar und belegt das Ergebnis mit Zahlen statt mit Bauchgefühl.