Beobachtetes Signal · 5. Juli 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
Skalierbare Streak-Engine in Postgres für 28.547 Nutzer
Ein Entwickler beschreibt den Aufbau einer performanten Streak-Tracking-Engine für die KI-gestützte Plattform Wishyze, die 28.547 Nutzer und eine maximale aktive Serie von 93 Tagen unterstützt. Die Implementierung basiert auf Supabase (Postgres) mit Tabellen für Nutzer und Ritual-Logs. Durch ein SQL-Gaps-and-Islands-Muster mit einem 120-Tage-Fenster werden aktuelle Serien effizient berechnet. Um Zeitzonenfehler zu vermeiden, wird das lokale Datum direkt beim Schreiben gespeichert. Die Zähler für aktuelle und längste Serien sind in der Nutzertabelle denormalisiert, um Lesezugriffe für Leaderboards und Dashboards zu optimieren. Zusätzlich skizziert der Artikel Phasenmodelle für den Verhaltenskontext sowie praxisnahe Optimierungen.
Praxisnaher Engineering-Leitfaden für skalierbare Engagement- und Retention-Mechaniken; nützlich für Produkt- und Datenteams, jedoch ohne branchenverändernde Tragweite.
Marktsignale zu Supabase in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Wishyze ist eine KI-gestützte Plattform für tägliche Routinen, die Serien für 28.547 Nutzer bei einer Bestmarke von 93 Tagen trackt.
- Die Architektur nutzt Supabase (Postgres) mit den Kern-Tabellen users und ritual_logs samt Index auf (user_id, completed_date DESC).
- Aktuelle Serien werden über ein SQL-Gaps-and-Islands-Muster in einem 120-Tage-Fenster zur Scan-Minimierung berechnet.
- Zeitzonenprobleme werden gelöst, indem das lokale Datum direkt beim Insert-Vorgang berechnet und explizit gespeichert wird.
- Streak-Zähler sind auf dem Datensatz der Nutzertabelle denormalisiert, um die Leseperformance für Dashboards und Leaderboards zu maximieren.
Verknüpfte Unternehmen
2 verknüpfte Unternehmen“We use Supabase (Postgres) with two core tables:...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Skalierung eines Dev-Projekts auf 10.000 RPS mittels SQLite und AsyncIO
Diese technische Fallstudie analysiert, wie ein Entwickler das Backend eines Nebenprojekts auf einem 8GB-RAM-Droplet von DigitalOcean für 10.000 Requests pro Sekunde (RPS) optimierte. Nach einem viralen Traffic-Peak kollabierte das ursprüngliche Setup aus Flask und Heroku aufgrund von Thread-per-Request-Engpässen und Speichermangel. Die Architektur wurde daraufhin auf Pythons AsyncIO sowie einen limitierten SQLite-Connection-Pool mit maximal 200 Verbindungen im Write-Ahead-Logging-Modus (WAL) umgestellt und durch Backlog-Limits auf OS-Ebene abgesichert. Clientseitig minimierten Vanilla JavaScript und die native API navigator.sendBeacon() den Overhead für performantes Fire-and-Forget-Tracking. Diese Maßnahmen stabilisierten den RAM-Bedarf selbst unter extremer Nebenläufigkeit bei 180 MB ohne Fehler.
Postgres-Materialized-View ersetzt Kafka und Pulsar für Echtzeit-Leaderboard
Eine Entwickler-Fallstudie zeigt, wie ein Gaming-Feature-Team bei Echtzeit-Leaderboard-Updates von Postgres NOTIFY zu Kafka und Pulsar wechselte. Nach massiven Durchsatz- und Betriebsproblemen – darunter Pufferlimits, Consumer-Rebalances und Pulsar-OOMs – kehrte das Team zu einer Postgres-nativen Lösung zurück. Durch den Einsatz einer TimescaleDB Continuous Materialized View mit einsekündigem Tumble-Window, konkurrierenden Aktualisierungen und einer 30-tägigen Datenaufbewahrung sank die P99-Latenz des Leaderboards von 800 ms auf 16 ms. Gleichzeitig reduzierte sich die CPU-Last der primären Datenbank von 65 % auf 28 %, während die INSERT-Latenz stabil bei rund 2 ms blieb. Veltrix verblieb lediglich für Auditing-Zwecke im System, wurde jedoch aus dem kritischen Echtzeitpfad entfernt. Optimierte NOTIFY-Einstellungen und Idempotenz eliminierten fehlerhafte Punktestände vollständig.
OpenAI skaliert PostgreSQL für 800 Millionen ChatGPT-Nutzer
OpenAI hat Einblicke in die Skalierung von PostgreSQL gegeben, um Millionen Queries pro Sekunde und 800 Millionen ChatGPT-Nutzer zu unterstützen. Das Team nutzt eine zentrale Azure PostgreSQL Flexible Server Instanz für Write-Operationen sowie knapp 50 geoverteilte Read-Replicas, während schreibintensive Workloads zu Systemen wie Azure Cosmos DB migriert wurden. Zu den zentralen Techniken gehören aggressive Query-Optimierung, Workload-Isolierung, PgBouncer Connection Pooling – wodurch die durchschnittliche Verbindungszeit von 50 ms auf 5 ms sank –, Cache-Locking gegen Cache-Miss-Stürme, Rate Limiting sowie strenge Schema-Änderungskontrollen. OpenAI verzeichnet eine geringe P99-Read-Latenz, eine Verfügbarkeit von Five-Nines und lediglich einen schwerwiegenden Postgres-Vorfall in den letzten zwölf Monaten. Diese Architekturentscheidungen unterstreichen, wie selbst extrem laststarke Applikationen klassische relationale Datenbanken durch gezielte Replikation und Auslagerung performant betreiben können.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.