Sharding y Particionamiento de Bases de Datos

Introducción

Cuando un servidor de base de datos no puede manejar la carga, tienes tres opciones: comprar una máquina más grande (escalado vertical), agregar réplicas de lectura (escalado horizontal de lectura), o dividir los datos entre múltiples servidores (sharding). El sharding es el más difícil pero la única opción para escalado horizontal ilimitado. Esta guía cubre estrategias, trade-offs y consideraciones operativas.

Particionamiento vs Sharding

Término	Definición	Alcance
Particionamiento	Dividir una tabla en piezas más pequeñas dentro de una base de datos	Nodo único
Sharding	Distribuir particiones entre múltiples servidores de base de datos	Multi-nodo
Horizontal	Dividir filas por partition key	Filas distribuidas
Vertical	Dividir columnas en tablas separadas	Columnas separadas

Particionamiento Vertical

Separa columnas de una tabla ancha en tablas separadas, típicamente por patrón de acceso.

-- Antes: tabla única ancha
CREATE TABLE users (
    id SERIAL PRIMARY KEY,
    username VARCHAR(50),
    email VARCHAR(100),
    profile_json JSONB,
    avatar_url VARCHAR(500),
    preferences_json JSONB,
    created_at TIMESTAMP
);

-- Después: columnas frecuentes en users, raramente accedidas en user_profiles
CREATE TABLE users (
    id SERIAL PRIMARY KEY,
    username VARCHAR(50),
    email VARCHAR(100),
    created_at TIMESTAMP
);

CREATE TABLE user_profiles (
    user_id INT PRIMARY KEY REFERENCES users(id),
    profile_json JSONB,
    avatar_url VARCHAR(500),
    preferences_json JSONB
);

Cuándo usar: Cuando algunas columnas se acceden 100x más que otras. Reduce I/O para queries comunes.

Particionamiento Horizontal (Particionamiento de Tabla)

Divide filas de una tabla dentro del mismo servidor.

-- PostgreSQL particionamiento declarativo por rango
CREATE TABLE events (
    id BIGSERIAL,
    event_type VARCHAR(50),
    created_at TIMESTAMP NOT NULL,
    data JSONB
) PARTITION BY RANGE (created_at);

CREATE TABLE events_2024_01 PARTITION OF events
    FOR VALUES FROM ('2024-01-01') TO ('2024-02-01');

CREATE TABLE events_2024_02 PARTITION OF events
    FOR VALUES FROM ('2024-02-01') TO ('2024-03-01');

Beneficios: Pruning de queries (solo escanea particiones relevantes), archivado más fácil (detach particiones viejas), vacuum/analyze más rápido.

Estrategias de Sharding

1. Range Sharding

Divide datos por rangos contiguos de la shard key.

Shard 1: user_id 1 - 1,000,000
Shard 2: user_id 1,000,001 - 2,000,000
Shard 3: user_id 2,000,001 - 3,000,000

Pros	Contras
Queries de rango eficientes	Hotspots si los datos están sesgados
Fácil de entender	Rebalance requiere mover bloques grandes
Natural para series de tiempo

Mejor para: Datos de series de tiempo, particionamiento por fecha, workloads append-only.

2. Hash Sharding

Aplica una función hash a la shard key y mapea a un shard.

def get_shard(user_id, num_shards=4):
    return hash(user_id) % num_shards

Pros	Contras
Distribución uniforme	Queries de rango requieren escanear todos los shards
Sin hotspots por sesgo	Agregar shards requiere rehashing (costoso)

Mejor para: Keys uniformemente distribuidos, workloads OLTP con lookups puntuales.

3. Consistent Hashing

Variante de hash sharding que minimiza rebalancing al agregar/eliminar shards.

Solo 1/4 de las keys se mueven al agregar un 4to nodo (vs 1/2 con hash simple).

4. Directory-Based Sharding

Mantiene una tabla de búsqueda que mapea keys a shards. Permite asignación flexible y manual.

CREATE TABLE shard_directory (
    tenant_id INT PRIMARY KEY,
    shard_id INT NOT NULL,
    region VARCHAR(20)
);

Mejor para: SaaS multi-tenant donde tenants necesitan aislamiento geográfico.

Eligiendo una Shard Key

Buena Shard Key	Mala Shard Key
Alta cardinalidad (muchos valores únicos)	Baja cardinalidad (ej: país con 5 opciones)
Datos accedidos juntos permanecen juntos	Datos frecuentemente unidos viven en shards distintos
Distribución uniforme	Sesgada (1% de usuarios genera 50% de eventos)
Inmutable (o raramente cambia)	Cambia frecuentemente (causa migración de datos)

El Problema del Hotspot

Soluciones: Sub-sharding (dividir la key caliente), write splitting (distribuir writes de la key caliente), capa de cache (absorber reads en Redis).

Queries Cross-Shard y Transacciones

Enfoque	Trade-off
Scatter-gather	Consulta todos los shards, agrega. Lento.
Índice secundario global	Mantiene índice en key no-shard. Agrega amplificación de escritura.
CQRS / read model	Replica datos a store analítico para queries cross-shard.
Evita transacciones cross-shard	Diseña alrededor de ellas. Usa sagas para operaciones multi-shard.

Mejores Prácticas

• Planifica rebalancing desde el día uno — la gravedad de datos es real
• Mantén transacciones dentro de un shard — cross-shard son dolorosas
• Monitorea métricas a nivel shard — uso desigual de CPU/memoria/disco señala necesidad de rebalance
• Usa routing a nivel aplicación primero — tu app conoce la shard key
• Testea con volúmenes de datos de producción — hotspots y sesgo solo aparecen a escala

Errores Comunes

• Elegir shard key con baja cardinalidad
• Asumir que hash sharding elimina todos los hotspots
• JOINs cross-shard (no existen; debes hacerlos en código de aplicación)
• No planificar rebalancing hasta que un shard está 90% lleno
• Hacer sharding demasiado temprano (< 10M filas o < 1K escrituras/segundo)

Preguntas Frecuentes

¿Cuándo debería empezar a hacer sharding?

Cuando hayas agotado el escalado vertical y réplicas de lectura. Señales típicas: CPU de servidor único > 70% sostenido, throughput de escritura es el cuello de botella, o necesitas distribución geográfica. La mayoría de aplicaciones nunca necesitan sharding.

¿Puedo cambiar la shard key más tarde?

Técnicamente sí, prácticamente no. Cambiar la shard key requiere reescribir todos los datos. Diseña tu shard key como inmutable.

¿Cómo manejo consultas que necesitan unir datos de múltiples shards?

Evita los JOINs cross-shard en la base de datos. En su lugar, diseña tu esquema para que las consultas más frecuentes caigan en un único shard (query-based sharding), o usa patrones de aplicación como CQRS con tablas de lectura desnormalizadas. Para reportes analíticos, replica los datos a un data warehouse.