MongoDB für Hochfrequenz-Telemetrie (Mongodb Fuer Hochfrequenz Telemetrie)

MongoDB für Hochfrequenz-Telemetrie

High-frequency device pings do not belong in relational fact tables; Mongo holds raw traces, then downsample feeds PostGIS.

device ping → Mongo collection → downsample

Ham ping ile ERP satırını karıştırmayın.

Begriffe, dort definiert, wo sie zuerst auftauchen

📦 Operational Store
Vom ERP beschriebenes MySQL — gut für Ops, schlecht für Analytics.

📦 Analytics Store
Bereinigtes PostgreSQL/PostGIS für Geo-Queries und Reports.

📦 Telemetry Store
Dokumentenspeicher (MongoDB) für hochfrequente Location-Events.

📦 Search Index
Elasticsearch-Cluster für entity-übergreifende Ops-Suche.

Wer diese Schichten vermischt, erzeugt falsche Wahrheit in Analytics und auf der Karte.

Form des Problems

High-frequency device pings do not belong in relational fact tables; Mongo holds raw traces, then downsample feeds PostGIS.

device ping → Mongo collection → downsample

Die Trennung, die trägt

Ham ping ile ERP satırını karıştırmayın.

device ping → Mongo collection → downsample
        ↓
   explicit contract → frontend

Frontend-Brücke

Ops-Karten, Wait-Geofence-UI und MFEs konsumieren Read Models — nie rohes ERP/MySQL.

Die am häufigsten verwechselten Zuordnungen

❌ ERP-MySQL = Analytics-DB
✓ ERP ist Write-Store; Analytics lebt in PostGIS

❌ Karte vertraut blind public/Vendor-Routern
✓ Produktion braucht Ihre API/OSRM-Kante

❌ ML-Outputs mit PII loggen
✓ Eval und Serving achten Privacy

Checkliste zur Prüfung des eigenen Systems

1. Welcher Store ist Source of Truth?
2. Welchen API-Vertrag ruft das Frontend?
3. Was passiert bei Node-Verlust im Cluster?
4. Wie wird Lag dem Operator gezeigt?
5. Deny-list: Domain/Vendor-Leakage?

Was aus diesem Teil bleiben sollte

1. Polyglotte Stores dienen unterschiedlichen Lasten.
2. Frontends konsumieren saubere Read Models, nicht das ERP.
3. ML/OSRM braucht API-Vertrag vor der Karte.

Eine schöne Karte aus schmutziger Quelle bleibt eine Lüge.