مدیریت ردیابی تغییرات (Change Tracking)

یکی از قابلیت‌های اصلی EF Core، ردیابی خودکار تغییرات (Change Tracker) در موجودیت‌ها (Entities) است. هنگامی که یک موجودیت از پایگاه داده بازیابی می‌شود، EF Core یک "عکس فوری" (snapshot) از وضعیت اولیه آن تهیه می‌کند. سپس هنگام فراخوانی متد SaveChangesAsync، وضعیت فعلی موجودیت را با عکس اولیه مقایسه کرده و دستورات UPDATE لازم را تولید می‌کند. این فرآیند اگرچه بسیار مفید است، اما هزینه‌بر بوده و حافظه مصرف می‌کند.

استفاده از AsNoTracking() برای کوئری‌های فقط-خواندنی

در سناریوهایی که داده‌ها فقط برای نمایش بازیابی می‌شوند و هیچ تغییری روی آن‌ها اعمال نخواهد شد (Read-Only)، غیرفعال کردن ردیابی تغییرات می‌تواند تأثیر شگرفی بر بهبود عملکرد داشته باشد. با افزودن متد AsNoTracking() به کوئری، شما به EF Core اعلام می‌کنید که نیازی به ردیابی این موجودیت‌ها نیست. این کار باعث کاهش مصرف حافظه و حذف سربار پردازشی مربوط به مقایسه وضعیت موجودیت‌ها می‌شود.

مثال:

var products = await _context.Products
    .AsNoTracking()
    .Where(p => p.IsAvailable)
    .ToListAsync();

استفاده از AsNoTracking() به خصوص در لیست‌ها و گزارش‌هایی که داده‌های زیادی را نمایش می‌دهند، یک بهینه‌سازی ضروری است.

بهینه‌سازی کوئری‌ها (Query Optimization)

نحوه نوشته شدن کوئری‌های LINQ تأثیر مستقیمی بر دستورات SQL تولید شده و در نهایت بر عملکرد برنامه دارد. درک چگونگی ترجمه LINQ به SQL کلید اصلی بهینه‌سازی است.

فیلتر کردن داده‌ها در سمت سرور

همیشه سعی کنید داده‌ها را تا حد امکان در پایگاه داده فیلتر کنید و از کشاندن حجم زیادی از اطلاعات به حافظه برنامه و سپس فیلتر کردن آن‌ها (Client-side filtering) بپرهیزید. EF Core به طور پیش‌فرض تلاش می‌کند تا عبارات Where را به WHERE در SQL ترجمه کند، اما باید مراقب باشید که عملیاتی را در کوئری خود به کار نبرید که قابل ترجمه به SQL نباشد، زیرا این امر منجر به بارگذاری تمام داده‌ها در حافظه و اجرای فیلتر در سمت کلاینت می‌شود.

• روش صحیح (Server-side):

  var recentOrders = await _context.Orders
      .Where(o => o.OrderDate > DateTime.UtcNow.AddDays(-7))
      .ToListAsync();
  

• روش غلط (Client-side):

  // این کد تمام سفارش‌ها را به حافظه می‌آورد و سپس فیلتر می‌کند!
  var allOrders = await _context.Orders.ToListAsync();
  var recentOrders = allOrders
      .Where(o => o.OrderDate > DateTime.UtcNow.AddDays(-7));
  

انتخاب ستون‌های مورد نیاز (Projection)

یکی از اشتباهات رایج، بازیابی تمام ستون‌های یک جدول در حالی است که تنها به تعداد محدودی از آن‌ها نیاز داریم. این کار باعث افزایش ترافیک شبکه و مصرف حافظه می‌شود. با استفاده از دستور Select در LINQ، می‌توانید تنها ستون‌هایی که نیاز دارید را انتخاب کنید. این تکنیک که Projection نامیده می‌شود، EF Core را وادار می‌کند تا یک کوئری بهینه SELECT با ستون‌های مشخص تولید کند.

مثال:

var productInfos = await _context.Products
    .AsNoTracking()
    .Select(p => new { p.Name, p.Price }) // تنها نام و قیمت را انتخاب می‌کند
    .ToListAsync();

استفاده از Any به جای Count

هنگامی که فقط می‌خواهید بررسی کنید آیا حداقل یک رکورد با شرط مشخصی وجود دارد یا خیر، همیشه از متد Any() استفاده کنید. استفاده از Count() > 0 باعث می‌شود پایگاه داده تمام رکوردهای منطبق را شمارش کند که عملیاتی بسیار سنگین‌تر است، در حالی که Any() به محض یافتن اولین رکورد، کار را متوقف کرده و true برمی‌گرداند.

• بهینه: if (await _context.Users.AnyAsync(u => u.Email == email))

• ناکـارآمد: if (await _context.Users.CountAsync(u => u.Email == email) > 0)

استراتژی‌های بارگذاری داده‌های مرتبط (Data Loading Strategies)

در مدل‌های داده‌ای رابطه‌ای، موجودیت‌ها اغلب با یکدیگر در ارتباط هستند. نحوه بارگذاری این داده‌های مرتبط تأثیر زیادی بر عملکرد دارد.

بارگذاری مشتاقانه (Eager Loading)

در این روش، داده‌های مرتبط به همراه کوئری اصلی با استفاده از متد Include() بارگذاری می‌شوند. این کار باعث می‌شود تمام داده‌های مورد نیاز در یک درخواست (round-trip) به پایگاه داده دریافت شوند. Eager Loading برای زمانی مناسب است که شما مطمئن هستید به داده‌های مرتبط نیاز خواهید داشت.

var blog = await _context.Blogs
    .Include(b => b.Posts) // بارگذاری تمام پست‌های مرتبط
    .FirstOrDefaultAsync(b => b.BlogId == 1);

مشکل N+1: مراقب باشید که استفاده بیش از حد از Include می‌تواند منجر به تولید کوئری‌های SQL بسیار پیچیده و کند شود. همچنین، اگر Include را در یک حلقه به کار ببرید، ممکن است با مشکل معروف N+1 مواجه شوید؛ یعنی یک کوئری برای بارگذاری موجودیت‌های اصلی و N کوئری اضافی برای بارگذاری داده‌های مرتبط هر کدام از آن‌ها.

بارگذاری صریح (Explicit Loading)

این روش به شما اجازه می‌دهد تا داده‌های مرتبط را در زمان دلخواه و به صورت جداگانه بارگذاری کنید. این تکنیک زمانی مفید است که شما بر اساس یک شرط خاص نیاز به بارگذاری داده‌های مرتبط دارید.

var blog = await _context.Blogs.FindAsync(1);
// ... کدهای دیگر

if (userHasPermission)
{
    await _context.Entry(blog).Collection(b => b.Posts).LoadAsync();
}

بارگذاری تنبل (Lazy Loading)

در این روش، داده‌های مرتبط تنها زمانی از پایگاه داده خوانده می‌شوند که به آن‌ها دسترسی پیدا کنید. این ویژگی نیازمند تعریف property های navigation به صورت virtual و نصب پکیج Microsoft.EntityFrameworkCore.Proxies است. اگرچه Lazy Loading می‌تواند راحت باشد، اما اغلب منبع مشکلات عملکردی پنهان است، زیرا ممکن است بدون آنکه متوجه باشید، کوئری‌های متعددی در حلقه‌ها یا بخش‌های مختلف کد به پایگاه داده ارسال شود (مشکل N+1). استفاده از این روش نیازمند دقت و آگاهی کامل از زمان و تعداد فراخوانی‌ها به پایگاه داده است.

کوئری‌های تقسیم شده (Split Queries)

هنگامی که از Include برای بارگذاری چندین رابطه یک-به-چند (one-to-many) استفاده می‌کنید، EF Core یک کوئری SQL واحد با JOIN های متعدد تولید می‌کند. این امر می‌تواند منجر به "انفجار کارتزین" (Cartesian Explosion) شود که حجم زیادی از داده‌های تکراری را منتقل می‌کند. از EF Core 5 به بعد، می‌توان با استفاده از AsSplitQuery() به EF Core دستور داد تا برای هر Include یک کوئری جداگانه تولید کند. این کار سربار انتقال داده‌های تکراری را حذف کرده و در بسیاری از موارد عملکرد را بهبود می‌بخشد.

var blogs = await _context.Blogs
    .Include(b => b.Posts)
    .Include(b => b.Contributors)
    .AsSplitQuery() // کوئری را به چند بخش تقسیم می‌کند
    .ToListAsync();

عملیات دسته‌ای (Bulk Operations)

به طور پیش‌فرض، EF Core برای هر عملیات Add, Update یا Remove یک دستور جداگانه به پایگاه داده ارسال می‌کند. هنگامی که با تعداد زیادی موجودیت سر و کار دارید (مثلاً افزودن ۱۰۰۰ رکورد)، ارسال ۱۰۰۰ درخواست مجزا به پایگاه داده بسیار ناکارآمد است.

برای حل این مشکل، می‌توان از کتابخانه‌های جانبی مانند EFCore.BulkExtensions استفاده کرد که عملیات دسته‌ای را به صورت بهینه و با یک یا چند دستور SQL اجرا می‌کنند.

مثال با EFCore.BulkExtensions:

var productList = new List<Product>();
// ... افزودن هزاران محصول به لیست

await _context.BulkInsertAsync(productList);

از EF Core 7 به بعد، متدهای ExecuteUpdateAsync و ExecuteDeleteAsync به صورت داخلی اضافه شده‌اند که به شما اجازه می‌دهند بدون نیاز به بارگذاری موجودیت‌ها در حافظه، عملیات آپدیت و حذف را به صورت دسته‌ای و بهینه اجرا کنید.

await _context.Products
    .Where(p => p.Price < 10)
    .ExecuteDeleteAsync();

کش کردن (Caching)

کش کردن یک استراتژی کلیدی برای کاهش تعداد درخواست‌ها به پایگاه داده است. نتایج کوئری‌هایی که به طور مکرر اجرا می‌شوند و داده‌های آن‌ها به ندرت تغییر می‌کنند، کاندیداهای عالی برای کش شدن هستند.

کش سطح دوم (Second-Level Caching)

EF Core به طور پیش‌فرض مکانیزم کش سطح اول (First-Level Cache) را از طریق DbContext پیاده‌سازی می‌کند؛ یعنی موجودیت‌هایی که در یک نمونه از DbContext ردیابی می‌شوند، در صورت درخواست مجدد، از حافظه خوانده می‌شوند. اما این کش بین نمونه‌های مختلف DbContext به اشتراک گذاشته نمی‌شود.

برای پیاده‌سازی کش سطح دوم که نتایج کوئری‌ها را در یک حافظه مشترک (مانند MemoryCache یا Redis) ذخیره می‌کند، می‌توان از کتابخانه‌هایی مانند EFCoreSecondLevelCacheInterceptor استفاده کرد. این کار باعث می‌شود که اگر کوئری مشابهی توسط کاربران مختلف اجرا شود، نتیجه از کش خوانده شده و از اجرای مجدد آن روی پایگاه داده جلوگیری شود.

نتیجه‌گیری

بهینه‌سازی عملکرد در EF Core یک فرآیند چندوجهی است که نیازمند درک عمیق از نحوه عملکرد این فریم‌ورک و تعامل آن با پایگاه داده است. هیچ راه‌حل واحدی برای همه مشکلات وجود ندارد، اما با به کارگیری هوشمندانه تکنیک‌هایی مانند استفاده از AsNoTracking، نوشتن کوئری‌های بهینه با Projection، انتخاب استراتژی مناسب برای بارگذاری داده‌ها، اجرای عملیات دسته‌ای و استفاده از مکانیزم‌های کش، می‌توان به شکل قابل توجهی کارایی و مقیاس‌پذیری برنامه‌های مبتنی بر EF Core را افزایش داد. همواره عملکرد برنامه خود را با ابزارهای پروفایلینگ (مانند SQL Server Profiler یا MiniProfiler) تحلیل کرده و گلوگاه‌ها را شناسایی کنید تا بتوانید بهینه‌سازی‌های خود را به صورت هدفمند اعمال نمایید.