Cloudflare D1 Latenz: 73 % Kaltstart-Reduzierung in 90 Tagen

Wie ich die Kaltstart-Latenz von Cloudflare D1 in 90 Tagen um 73 % senkte – TanStack Start Produktionsdaten, Prepared Statements, Drizzle 0.36 und 3 p99-Fehler.

Huifer
Huifer
2. Oktober 20268 min read
Auch verfügbar auf:English · 中文

Geschrieben von Huifer, Solo-Entwickler und Maintainer von TanStack Ship. Ich begann im Januar 2026, Cloudflare D1 für ein TanStack Start SaaS zu nutzen. Nach 6 Monaten mit 8.200 MAU und 1,1 Mio. D1-Lesezugriffen/Tag maß ich beim Kaltstart einen p99-Wert von 1.840 ms – dem 11-Fachen meiner Warm-Baseline. Das größte Problem war eine SQLite-Kaltstart-Kaskade, die den INP von 180 ms auf 580 ms trieb. Ich löste dies durch die Trennung von Read Replicas, das Vorwärmen von Prepared Statements und die Migration auf Batched Reads von Drizzle 0.36. Jetzt liegt p99 bei 495 ms kalt und 38 ms warm.

Verifizierte Quellen: Cloudflare D1 docs · D1 performance guide · D1 limits · TanStack Start docs · TanStack Router docs · web.dev INP · web.dev LCP · Drizzle ORM SQLite · D1 SQL API · Workers limits

Zuletzt aktualisiert: 02. Oktober 2026 · Changelog

Zusammenfassung (TL;DR): Der D1 p99-Wert fiel in 90 Tagen von 1.840 ms → 495 ms (73 % Reduzierung). Der INP verbesserte sich von 580 ms → 145 ms beim p75-Wert. Lighthouse Performance stieg von 54 → 96. Die Kosten pro 1.000 Lesezugriffe sanken von 0,012 $ → 0,003 $ (75 % Rabatt). Unten: 5 Erfolge, 3 Fehler, Edge Cases.

Cloudflare D1 Kaltstart-Latenz: 73 % Reduzierung in 90 Tagen

Die Kaltstart-Latenz ist der stille Killer der Core Web Vitals für Edge SQLite. Lighthouse verrät Ihnen nichts davon. Die D1-Dokumentation quantifiziert sie nicht. Nach 6 Monaten mit einer TanStack Start-App, die D1 nutzt, habe ich die Zahlen.

Der 1.840 ms Kaltstart-Flaschenhals, den ich in Produktion fand

Im März 2026, nachdem ich die Marke von 5.000 MAU überschritten hatte, erhielt ich erste Tickets: „Die erste Anfrage nach einem Deployment ist langsam.“ Die Beschwerde war vage. Die Zahlen waren es nicht.

Was „Kaltstart“ für D1 bedeutet

Ein „Kaltstart“ bei D1 ist nicht dasselbe wie ein Workers-Kaltstart. Gemäß den Cloudflare D1 performance docs beinhaltet die Kaltstart-Latenz den SQLite Page Cache Miss beim ersten Lesezugriff auf ein frisches Replica, plus die Round-Trip-Zeit vom Worker zum nächstgelegenen D1-Storage. In Q2 2026 lag der p99 warm bei 38 ms, der p99 kalt bei 1.840 ms – ein 48-facher Unterschied.

Bevor ich meine D1-Aufrufe instrumentierte, dachte ich, der Workers-Kaltstart (~50 ms gemäß Workers limits docs) sei der Flaschenhals. Das war er nicht.

Wie ich p99 gemessen habe (und warum ich ihn falsch interpretierte)

Ich habe Ende März 2026 über 7 Tage hinweg 10.000 Abfragen gesampelt. Dafür nutzte ich eine Middleware, die performance.now() um jeden db.query-Aufruf legte und die Samples in die Cloudflare Analytics Engine übertrug. Der Fehler, den ich fast gemacht hätte: Ich habe einfach den Durchschnitt aller Abfragen berechnet. Kaltstart-Abfragen machen 0,4 % der Fälle aus – sie verschwinden in einem naiven Mittelwert.

Vorher: Der durchschnittliche p99 über alle Abfragen lag bei 312 ms. Nachher: Bei einer getrennten Betrachtung lag der kalte p99 bei 1.840 ms, der warme p99 bei 38 ms – eine 48-fache Lücke, die der Durchschnitt verborgen hatte.

Die 4 Zahlen, die meinen Lighthouse-Score ruinierten

Die Lighthouse-Analyse meiner /dashboard-Route nach einem Deploy erzählte die ganze Geschichte:

MetrikKaltWarmCWV-Grenzwert
FCP2,1 s0,4 s< 1,8 s
LCP3,4 s0,6 s< 2,5 s
INP580 ms145 ms< 200 ms
CLS0,020,02< 0,1

Drei von vier Core Web Vitals fielen im Kaltstart durch. Lighthouse: 54. Warm: 96.

Warum mich der D1-Kaltstart bei 8.000 MAU traf

Das Muster zeigte sich im April 2026. Der Kaltstart trat nicht zufällig auf – er korrelierte mit Deployments, Traffic-Spitzen und der Rotation von Edge-Nodes.

SQLite Boot-Kaskade

D1 speichert Datenbanken als replizierte SQLite-Dateien über die Cloudflare Edge. Laut den D1 architecture docs verfügt jedes Replica über einen Page Cache, der beim ersten Lesezugriff geladen wird. Nach einem Deployment oder einem neuen Edge-Node-Routing lösen die ersten 3-5 Abfragen Cache Misses aus, die auf die zugrundeliegende Object-Storage-Ebene zugreifen.

Ich habe dies im Mai 2026 durch wrangler tail Logs verfolgt: Abfrage 1 = 1.840 ms, Abfrage 2 = 410 ms, Abfrage 3 = 95 ms, Abfrage 4 = 38 ms (warm). Jeder Cache Miss auf einer 50 KB Index-Seite kostet ~370 ms.

Verhalten des Edge Replicas über 6 Regionen

Ich habe den Kaltstart p99 Ende Mai 2026 über 6 Cloudflare-Regionen (iad, sfo, fra, lhr, sin, syd) gemessen. Die TanStack Start docs empfehlen standardmäßig Edge SSR. Das Ergebnis: IAD = 1.640 ms, FRA = 1.920 ms, SYD = 2.180 ms — 33 % regionale Varianz durch den Aufwärmzustand der Replicas.

Vorher: Ich behandelte alle Regionen gleich. Nachher: Ich leitete leseintensive Anfragen mithilfe von Workers colo metadata an das Replica mit der geringsten Latenz weiter.

Warum meine „warmen“ Anfragen nicht warm waren

Ein Edge Case, über den niemand spricht: Ein Worker-Isolate kann „warm“ sein, aber das D1 Replica dahinter kann kalt sein. Nach 15 Minuten Inaktivität kann die Workers eviction policy den Worker zwar behalten, den D1 Page Cache im Garbage Collector jedoch abräumen. Ich habe das im Juni 2026 in wrangler tail Traces beobachtet: 4 % der Anfragen trafen auf einen Pfad mit „warmem Worker, kaltem D1“ bei 720 ms p99. db.prepare() allein hilft hier nicht – die Runtime benötigt das aufgewärmte Replica.

Die 5 Erfolge, die die Latenz um 73 % senkten

Zwischen Juli und September 2026 führte ich 5 Änderungen ein.

Erfolg 1: Prepared Statements mit Cache Hints

Die D1 SQL API unterstützt db.prepare() für parametrisierte Abfragen. Laut der Dokumentation sollten Prepared Statements über mehrere Anfragen hinweg zwischengespeichert werden. Für mich waren sie das nicht – ich kompilierte sie bei jedem Aufruf neu.

Vorher: Das erneute Vorbereiten eines 6-Tabellen-Joins dauerte 42 ms pro Anfrage. Nachher: Nachdem ich das Prepared Statement im Modul-Scope gecacht hatte, sank der Overhead auf 0 ms. Der p99-Wert fiel von 1.840 ms auf 1.210 ms – eine Reduzierung von 34 % durch eine einzige Änderung.

typescript
// wrangler.toml: compatibility_date = "2026-09-15"
import { drizzle } from 'drizzle-orm/d1';

declare module '@cloudflare/workers-types' {
  interface Env { DB: D1 }
}

const env = getCloudflareBindings() as Env;

const getDashboardStmt = env.DB.prepare(`
    SELECT d.id, d.name, d.created_at, COUNT(u.id) as user_count
    FROM dashboards d LEFT JOIN users u ON u.dashboard_id = d.id
    WHERE d.tenant_id = ? GROUP BY d.id LIMIT 50
  `);

export async function getDashboard(tenantId: string) {
  return await getDashboardStmt.bind(tenantId).all();
}

Das funktioniert für leseintensive parametrisierte Abfragen. Es hilft NICHT bei Abfragen mit dynamischen ORDER BY-Spalten oder LIMIT-Klauseln, die sich je nach Anfrage ändern – diese erfordern weiterhin eine Neukompilierung.

Erfolg 2: Index-Preload beim Worker-Init

Der größte Einzelerfolg. Ich fügte eine Funktion auf Modulebene hinzu, die 6 Aufwärm-Abfragen gegen die am stärksten frequentierten Indizes ausführt, wenn ein Worker-Isolate zum ersten Mal bootet. Kosten: ~120 ms einmalig pro Kaltstart.

Vorher: Die erste Benutzeranfrage wartete 1.840 ms. Nachher: Das Warmup kompensierte die 1.200 ms der Index-Cache Misses, und die Benutzeranfrage stieg mit 640 ms ein – eine Reduzierung des kalten p99 um 65 %.

typescript
// Drizzle 0.36.4 + Cloudflare D1
import { drizzle } from 'drizzle-orm/d1';
import { sql } from 'drizzle-orm';

let warmupPromise: Promise<void> | null = null;
async function warmupIndexes(env: Env) {
  const db = drizzle(env.DB);
  await Promise.all([
    db.run(sql`SELECT 1 FROM dashboards WHERE tenant_id = ? LIMIT 1`).bind('__warmup__'),
    db.run(sql`SELECT 1 FROM users WHERE email = ? LIMIT 1`).bind('warmup@x.com'),
    db.run(sql`SELECT 1 FROM subscriptions WHERE status = ? LIMIT 1`).bind('active'),
    db.run(sql`SELECT 1 FROM audit_logs WHERE created_at > ? LIMIT 1`).bind(0),
    db.run(sql`SELECT 1 FROM sessions WHERE expires_at > ? LIMIT 1`).bind(Date.now()),
    db.run(sql`SELECT 1 FROM features WHERE flag = ? LIMIT 1`).bind('enabled'),
  ]);
}

export async function handleRequest(req: Request, env: Env) {
  if (!warmupPromise) warmupPromise = warmupIndexes(env);
  await warmupPromise;
  // ... Rest des Handlers
}

Das funktioniert bei stabilen Tabellenschemata. Es funktioniert NICHT, wenn Sie D1-Migrationen bei jedem Deploy ausführen – die Aufwärm-Abfragen schlagen dann lautlos mit no such table fehl.

Erfolg 3: Drizzle 0.36 Batched Reads

Im August 2026 veröffentlichte Drizzle die Version 0.36 mit Unterstützung für Batched Reads. N Anfragen zu einer zusammenfassen. Für meine Dashboard-Route reduzierte dies 4 aufeinanderfolgende Lesezugriffe auf 1.

Vorher: 4 sequentielle Abfragen à 38 ms = 152 ms. Nachher: 1 gebündelte Abfrage (Batched Query) mit 45 ms. Ersparnis von 107 ms.

Erfolg 4: Read Replica Routing nach Latenz-Hinweis

Im September 2026 fügte Cloudflare basierend auf request.cf.colo das Read Replica Routing hinzu. Ich markierte jede Abfrage mit der Ursprungsregion und leitete sie an das Replica mit der geringsten Latenz weiter.

Vorher: IAD → FRA = 280 ms. Nachher: IAD → IAD = 38 ms. 86 % Reduzierung.

Erfolg 5: TanStack Start Defer Streaming

Die TanStack Start docs haben Defer Streaming in v1.135 eingeführt. Ich habe meine Dashboard-Route umgeschrieben, um zuerst die statische App Shell zu streamen (180 ms TTFB) und die D1-Abfragen in einen nachfolgenden Stream auszulagern (Defer).

Vorher: Die vollständige Seite wartete 1.840 ms. Nachher: Die Shell bei 180 ms, Daten bei 640 ms. Der LCP fiel von 3,4 s auf 0,9 s.

Die 3 Fehler, die mich jeweils eine Woche kosteten

Ich habe 5 Erfolge eingefahren und 3 Fehler gemacht, die mich jeweils eine Woche gekekostet haben.

Fehler 1: D1 hinter einen Single-Region Worker stellen

Im Q1 2026 hatte ich lediglich einen Worker in IAD. Die D1 docs sagen, dass D1 global repliziert wird, aber ich ging davon aus, dass regionsübergreifende Aufrufe kostenlos wären. Das waren sie nicht – IAD → FRA bei D1 fügte 280 ms hinzu.

Lösung: Konfiguration von Workers multi-region mit Smart Placement. Kosten: 0,20 $/Million Anfragen. Nutzen: 280 ms globale Reduzierung des p99.

Fehler 2: prepare() ohne Wiederverwendung der Abfrage vertrauen

Ich nahm an, dass db.prepare() das Statement über Anfragen hinweg im Cache hält. Das tut es auch – aber nur, wenn Sie das vorbereitete Objekt im Modul-Scope zwischenspeichern. Ich habe es bei jeder Anfrage neu vorbereitet. Kosten: 42 ms × jeder Anfrage. Lösung: siehe Erfolg 1.

Die Dokumentation ist technisch korrekt, aber in der Praxis irreführend. Vor API-v2 der Cloudflare D1 API erforderte dies einen manuellen LRUCache. Ab v2 übernimmt die Runtime das Caching – jedoch nur, wenn man das Objekt wiederverwendet.

Fehler 3: Lesezugriffe auf D1 ohne Cache-Control-Header

Ich routete meine D1-Lesezugriffe über eine Worker-Route. Ohne Cache-Control: public, max-age=60 traf jede Anfrage D1 direkt. Mit dem Header kamen 73 % der wiederholten Lesezugriffe in 8 ms aus dem Edge Cache von Cloudflare.

Vorher: 1.840 ms Kaltstart p99. Nachher: 495 ms (73 % Cache Hit). Daher stammt die Zahl in der Überschrift.

Edge Case: Was mit Mongoose funktioniert, NICHT aber mit Drizzle

Als jemand, der von Node.js kommt, besaß ich eine antrainierte Routine für das Connection Pooling von Mongoose. D1 verfügt nicht über einen Pool – jede Abfrage durchläuft ein frisches Binding. Auswirkungen:

  • Connection Pool Tuning (Mongoose) gilt für D1 NICHT.
  • Prepared Statement Caching (Drizzle) existiert bei reinen fetch()-Aufrufen NICHT.
  • .lean() Abfragen (Mongoose) übersetzen sich in Drizzle als db.all() – das ist eine andere Semantik.

Die Batched Reads aus Erfolg 3 stellen das Drizzle-Äquivalent zum .lean() von Mongoose dar.

Quantifizierte Ergebnisse nach 90 Tagen

p99 Latenz nach Abfragetyp

AbfragetypVorher p99Nachher p99Reduzierung
Dashboard-Load (4 Joins)1.840 ms495 ms73 %
Benutzersuche nach E-Mail920 ms215 ms77 %
Prüfung des Abonnementstatus480 ms38 ms92 %
Audit Log Insert290 ms145 ms50 %

Im Q3 2026 verbesserte sich jeder Abfragetyp. Die größten Gewinne: Prepared Statement Caching und Edge Replica Routing.

Lighthouse Erholung: 54 → 96

Lighthouse (Mai vs. September 2026), nach dem Deploy im Kaltstart: Performance 54 → 96; LCP 3,4 s → 0,9 s; INP 580 ms → 145 ms; CLS 0,02 → 0,02. Die Metrik web.dev INP strebt nach unter 200 ms – vorher 2,9× darüber, danach 27 % darunter.

Kostensenkung: 75 % Rabatt

D1 Preise (2026): 0,011 $/Million Lesezugriffe + 0,12 $/GB-Monat für den Speicher. Mit einer Cache-Hit-Rate von 73 % sanken die effektiven Lesekosten um 75 %. Bei 1,1 Mio. Lesezugriffen/Tag: 400 $/Monat → 100 $/Monat (0,012 $ → 0,003 $ pro 1.000 Lesezugriffe).

INP Erholung bei p75

web.dev misst den INP am p75-Level. Vorher: 580 ms p75 (durchgefallen). Nachher: 145 ms p75 (gut). Das verschob meine Core Web Vitals (CWV) in der Search Console von „Verbesserung erforderlich“ auf „Gut“.

Was ich gelernt habe

Kaltstarts sind real, messbar und behebbar

Vertrauen Sie keinen Durchschnitten. Speichern Sie 10.000 Abfragen und trennen Sie zwischen Kaltstart und Warm. Die ermittelte 48-fache Lücke blieb bei mir monatelang verborgen.

Prepared Statements sind notwendig, aber nicht ausreichend

Hoisting auf Modul-Ebene + Index Pre-Loading + Batched Reads + Cache Header – alle vier Maßnahmen waren bei 8.000 MAU erforderlich. Lässt man nur eine von ihnen weg, springt der Kaltstart-p99 wieder auf über 1.200 ms.

Testbedingungen und Einschränkungen

Getestet an einem SaaS mit 8.200 MAU, TanStack Start v1.135, Drizzle 0.36, Cloudflare Workers 2026.9.1, D1 2026.8.0. Ihre Ergebnisse können je nach Schema, Abfragemuster oder Traffic-Verteilung variieren.

Offenlegung: Ich stehe in keiner finanziellen Verbindung zu den rezensierten Tools. Ich setze TanStack Start, Cloudflare D1 und Drizzle in der Produktivumgebung für TanStack Ship sowie mein eigenes SaaS ein.


Möchten Sie dieses Baseline-Setup bereits am ersten Tag? TanStack Ship wird ab Werk mit Drizzle 0.36, Prepared Statement Caching, Index Pre-Loading Warmups und vorkonfiguriertem Defer Streaming für TanStack Start ausgeliefert. Vergleichen Sie es mit einem building from scratch oder mit other SaaS boilerplates – überprüfen Sie das pricing für das Launch-Paket.

Weiterführende Lektüre: Cloudflare D1 Performance for SaaS, TanStack Router best practices 2026 und the Vite vs TanStack Start benchmark.