# ClickHouse-Migration: CPU-Last bei DB-Abfragen von 100% auf 10-20%

Eine Migration auf ClickHouse kann die CPU-Auslastung bei analytischen Datenbankabfragen von 100% auf 10-20% senken. Was Entscheider im E-Commerce über Voraussetzungen und Aufwand wissen müssen.

**ClickHouse-Migration senkt CPU-Auslastung bei analytischen Datenbankabfragen von 100 % auf 10 bis 20 % – durch spaltenorientierte Architektur und gezielte Query-Optimierung lassen sich laut ClickHouse Engineering Guide (2026) Billionen von Datensätzen in Millisekunden abfragen.** Für mittelständische E-Commerce-Unternehmen bedeutet unkontrollierte CPU-Last bei Datenbankabfragen direkte Betriebskosten und Systemausfälle im Tagesgeschäft. ClickHouse reduziert den Rechenaufwand strukturell: weniger gelesene Daten, frühzeitiges Filtern vor Joins und Aggregationen sowie verlagertes Processing auf den Ingest-Zeitpunkt. Wer diese Architekturprinzipien konsequent umsetzt, schafft skalierbare Analyseinfrastruktur ohne überproportional wachsende Infrastrukturkosten.

# ClickHouse-Migration: CPU-Auslastung bei Datenbankabfragen von 100 % auf 10-20 % senken

ClickHouse erreicht nach Herstellerangaben eine Abfrage-Performance im Bereich von Billionen Zeilen pro Sekunde. Der entscheidende Hebel dabei ist eine konsequent spaltenorientierte Datenhaltung kombiniert mit drei architektonischen Grundprinzipien: weniger Daten lesen, keine unnötige Verarbeitung zur Abfragezeit, Filterung vor teuren Operationen wie Joins und Aggregationen. Wer diese Prinzipien beim Clusterbetrieb umsetzt, berichtet laut Praxisberichten von einer Reduktion der CPU-Last auf 10 bis 20 Prozent gegenüber dem Ausgangszustand.

## Was hinter der Performance-Lücke steckt

Herkömmliche zeilenorientierte Datenbanken lesen bei jeder Abfrage vollständige Datensätze, auch wenn nur wenige Spalten benötigt werden. ClickHouse liest ausschließlich die angefragten Spalten. Damit sinkt die I/O-Last direkt proportional zur Spaltenselektion. Gleichzeitig ermöglichen primäre Indizes in Kombination mit sparsamen Granulat-Strukturen, dass Abfragen gezielt auf die relevanten Datenbereiche zugreifen, anstatt vollständige Table Scans durchzuführen.

Ein weiterer Faktor sind Ultra-High-Core-Count-Prozessoren. Intel-Performance-Ingenieure dokumentierten, dass Prozessoren der Granite-Rapids-Generation bis zu 128 P-Cores pro Sockel und Sierra-Forest-Varianten bis zu 288 E-Cores pro Sockel bereitstellen. Analytische Datenbanken wie ClickHouse profitieren theoretisch von dieser Parallelisierungskapazität, stehen aber gleichzeitig vor Herausforderungen durch NUMA-Effekte, Cache-Kohärenz und Lock Contention, die bei steigender Core-Zahl überproportional wachsen.

## Vier praktische Implikationen für mittelständische E-Commerce-Betriebe

### 1. Index-Design vor der Migration festlegen

Die Wahl des primären Sortierschlüssels bestimmt, wie viele Granulate bei einer Abfrage übersprungen werden können. Queries sollten zunächst auf Filtermuster analysiert werden. Wer häufig nach Zeitstempel und Kunden-ID filtert, sortiert den primären Index entsprechend. Das Ergebnis: Abfragen lesen nur den relevanten Datensatz, der Rest bleibt unberührt. Nachträgliche Index-Korrekturen erfordern in der Regel einen vollständigen Tabellen-Rebuild.

Für E-Commerce-Teams, die parallel Shop-Integrationen betreiben, lohnt sich ein Blick auf fehlertolerante API-Architekturen, die ebenfalls Daten-Overhead durch gezieltes Routing reduzieren: [ERP-Shop-Integration mit Retry und Circuit Breaking](/erp-shop-integration-retry-circuit-breaking-dead-letter-queue/).

### 2. Verarbeitung zur Ingest-Zeit verlagern

ClickHouse empfiehlt, Transformationen und Vorberechnungen nicht zur Abfragezeit durchzuführen, sondern bereits beim Dateneinfügen über Materialized Views abzubilden. Das spart CPU-Zyklen im Read-Pfad erheblich. Für mittelständische Betriebe bedeutet das konkret: Produktstatistiken, Bestandsaggregationen oder Preisberechnungen werden einmalig beim Schreiben kalkuliert, nicht bei jedem Dashboard-Aufruf neu. Vergleichbare Prinzipien gelten für die Echtzeit-Synchronisation zwischen ERP und Shop: [Change Data Capture für Echtzeit-Produktdaten](/change-data-capture-echtzeit-produktdaten-erp-shop-synchronisation/).

### 3. NUMA-Topologie beim Cluster-Sizing berücksichtigen

Auf Servern mit sehr hoher Core-Zahl (400 und mehr Cores auf Multi-Sockel-Systemen, laut Intel-Dokumentation) entstehen ohne NUMA-bewusstes Scheduling Latenzspitzen durch Remote-Memory-Zugriffe. Für ClickHouse-Cluster-Konfigurationen bedeutet das: Thread-Affinität, NUMA-Node-Zuweisung und Memory-Allocation-Strategien müssen explizit konfiguriert werden, nicht dem Standard überlassen. Gerade bei wachsenden Produktkatalog-Abfragen und Echtzeitbeständen zahlt sich ein sauberes Cluster-Design sofort aus.

Ähnliche Prinzipien der Infrastruktur-Auslegung gelten für serverlose Ausführungsumgebungen: [AWS Lambda CPU-Overhead beim Streaming optimieren](/aws-lambda-web-functions-cpu-overhead-streaming-optimieren/).

### 4. Nur notwendige Spalten selektieren, Filter zuerst anwenden

`SELECT *` ist in ClickHouse besonders kostspielig, weil es den Vorteil der Spaltenorientierung vollständig aufhebt. Jede zusätzliche Spalte bedeutet zusätzliche I/O- und CPU-Last. Die Empfehlung aus dem offiziellen Optimierungsleitfaden lautet eindeutig: erst filtern, dann aggregieren, nie umgekehrt. Für analytische Abfragen über große Bestell- oder Kundenhistorien reduziert dieses Muster die Datenmenge vor teuren Joins signifikant.

Wer parallele Query-Optimierungen auch im Bereich relationaler Datenbanken evaluiert, findet ergänzende Ansätze unter: [PostgreSQL Full-Text Search mit BM25-Ranking für Enterprise-Shops](/postgresql-full-text-search-bm25-ranking-enterprise-shops-durchsatz/).

## Fazit

Die CPU-Entlastung von bis zu 80-90 Prozent ist kein Marketing-Versprechen, sondern das Ergebnis konsequenter Anwendung architektonischer Grundprinzipien: richtiges Index-Design, Vorverlagerung von Berechnungen, NUMA-bewusstes Cluster-Setup und disziplinierte Abfrageformulierung. Mittelständische E-Commerce-Unternehmen, die ClickHouse als analytische Schicht einführen oder migrieren, sollten diese vier Hebel bereits in der Planungsphase adressieren, nicht erst im Betrieb.

## Quellen

- [The definitive guide to ClickHouse query optimization (2026) | ClickHouse](https://clickhouse.com/resources/engineering/clickhouse-query-optimisation-definitive-guide)
- [Steps to optimize your ClickHouse® cluster for peak performance | Tinybird](https://www.tinybird.co/blog/optimize-clickhouse-cluster)
- [Optimizing ClickHouse for Intel's ultra-high core count processors | ClickHouse Blog](https://clickhouse.com/blog/optimizing-clickhouse-intel-high-core-count-cpu)

## Häufige Fragen

Warum verursacht ClickHouse bei analytischen Abfragen so hohe CPU-Auslastung?

Hohe CPU-Last entsteht meist, weil ClickHouse zu viele Daten liest und verarbeitet. Im Gegensatz zu zeilenorientierten Datenbanken arbeitet ClickHouse spaltenbasiert. Sind Indizes nicht auf häufige Filterkriterien abgestimmt, liest das System ganze Datenbereiche statt gezielter Blöcke. Das Ergebnis: unnötige Rechenlast bei jeder Abfrage. Der erste Schritt zur Optimierung ist daher die Analyse, wie viel Daten pro Abfrage tatsächlich gelesen werden.

Welche konkreten Maßnahmen reduzieren die CPU-Auslastung am wirkungsvollsten?

Drei Prinzipien wirken am stärksten: Erstens, Indizes konsequent an den häufigsten Filterfeldern ausrichten, um die gelesene Datenmenge zu minimieren. Zweitens, nur benötigte Spalten selektieren statt SELECT *. Drittens, Filter vor rechenintensiven Operationen wie Joins oder Aggregationen anwenden, damit diese nur auf bereits reduzierten Datensätzen arbeiten. Transformationen lassen sich zusätzlich per Materialized Views auf den Ingest-Zeitpunkt verlagern, was die Abfragelast deutlich senkt.

Wie wirkt sich die CPU-Architektur des Servers auf ClickHouse-Performance aus?

Moderne Prozessoren wie Intels Granite Rapids bieten bis zu 128 P-Cores pro Socket, Sierra Forest bis zu 288 E-Cores. Solche hohen Kernzahlen sind für ClickHouse Chance und Herausforderung zugleich. Mehr Kerne ermöglichen mehr Parallelverarbeitung, jedoch entstehen bei schlecht optimierten Abfragen neue Engpässe: Lock Contention, Cache-Kohärenzprobleme und NUMA-Effekte verschlechtern sich mit steigender Kernzahl. Eine saubere Abfrageoptimierung ist daher Voraussetzung, um Hardware-Ressourcen effizient zu nutzen.

Lässt sich die CPU-Last durch Cluster-Konfiguration allein reduzieren?

Eine optimierte Cluster-Konfiguration unterstützt die Performance, ersetzt jedoch keine Abfrageoptimierung. Wer unnötige Arbeit zur Abfragezeit nicht vermeidet, skaliert lediglich das Problem auf mehr Hardware. Sinnvoll ist eine Kombination: Abfragen so gestalten, dass sie weniger Daten lesen, und gleichzeitig den Cluster auf die tatsächliche Workload abstimmen. Infrastrukturmaßnahmen allein führen selten zu den angestrebten 10 bis 20 Prozent CPU-Auslastung.

Wie lässt sich prüfen, ob eine ClickHouse-Abfrage bereits optimal konfiguriert ist?

ClickHouse stellt Werkzeuge bereit, mit denen sich genau messen lässt, wie viele Zeilen und Bytes eine Abfrage liest. Der entscheidende Indikator ist die gelesene Datenmenge im Verhältnis zur Ergebnismenge. Ist diese Relation hoch, liest die Abfrage zu viel. Prüfen Sie dann, ob Primärindizes und Sortierkeys zu den verwendeten Filterfeldern passen und ob Aggregationen erst nach einem initialen Filter stattfinden. Diese Analyse ist der Ausgangspunkt jeder erfolgreichen Optimierung.

---

*Dieser Artikel wurde von einem KI-System automatisiert erstellt. Kennzeichnung gemäß Art. 50 der EU-KI-Verordnung.*

---
Quelle: https://e-companion.de/clickhouse-migration-cpu-auslastung-optimieren · e-companion UG, Oberasbach bei Nürnberg · Kontakt: https://e-companion.de/kontakt