Todos los productos
Search

Este producto

    Database Autonomy Service:Detección de anomalías

    Centro de documentos

    Database Autonomy Service:Detección de anomalías

    Última actualización: Sep 07, 2026

    Detectar anomalías a tiempo es fundamental para la operación y el mantenimiento diarios de las bases de datos. Database Autonomy Service (DAS) ofrece una función de detección de anomalías que utiliza aprendizaje automático y datos de monitoreo detallados. Esta función detecta anomalías de forma automática las 24 horas del día, los 7 días de la semana, sin necesidad de activarla manualmente. En comparación con las alertas basadas en reglas o umbrales, esta función identifica cambios anómalos en las bases de datos con mayor rapidez.

    Requisitos previos

    • La instancia de base de datos destino debe ser de uno de los siguientes tipos:

      Base de datos

      Región

      • ApsaraDB RDS for MySQL

      • MyBase for MySQL

      • Nube pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), , China (Fuzhou - Local Region - Decommissioning), China (Chengdu), China (Zhengzhou), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Malaysia (Johor), Indonesia (Jakarta), Philippines (Manila), Thailand (Bangkok), UAE (Dubai), Saudi Arabia (Riyadh), Germany (Frankfurt), US (Silicon Valley), US (Virginia), UK (London) y Mexico

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance y China North 2 Finance (versión preliminar solo por invitación)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      • General Industry Cloud

        China (Ulanqab)

      ApsaraDB RDS for PostgreSQL

      • Nube pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), Philippines (Manila), UAE (Dubai), Germany (Frankfurt), US (Silicon Valley), US (Virginia) y UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance y China South 1 Finance

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      ApsaraDB RDS for SQL Server

      • Nube pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), UAE (Dubai), Germany (Frankfurt), US (Silicon Valley), US (Virginia) y UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance y China South 1 Finance

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      PolarDB for MySQL Standard Edition y Enterprise Cluster Edition

      • Nube pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), Philippines (Manila), Germany (Frankfurt), US (Silicon Valley), US (Virginia) y UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance y China North 2 Finance (versión preliminar solo por invitación)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      • Community Edition

      • Tair (Enterprise Edition) Memory-optimized

      • Nube pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Malaysia (Johor), Indonesia (Jakarta), Philippines (Manila), Thailand (Bangkok), UAE (Dubai), Saudi Arabia (Riyadh), Germany (Frankfurt), US (Silicon Valley), US (Virginia) y UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance y China North 2 Finance (versión preliminar solo por invitación)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      Tair (Enterprise Edition) Persistent memory-optimized and disk-based

      • Nube pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Beijing), China (Zhangjiakou), China (Hong Kong), Singapore, Germany (Frankfurt) y US (Virginia)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      MongoDB

      • Nube pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), Philippines (Manila), Thailand (Bangkok), Malaysia (Johor), Germany (Frankfurt), UK (London), Saudi Arabia (Riyadh), UAE (Dubai), Mexico, US (Virginia), US (Atlanta) y US (Silicon Valley)

    • La instancia de base de datos destino está registrada en DAS y su estado de conexión es Normal Access.

      Nota

      Para obtener más información sobre cómo registrar una instancia de base de datos, consulte Connect an Alibaba Cloud database to DAS.

    Funciones

    Esta función utiliza aprendizaje automático y datos de monitoreo detallados para ofrecer detección automática de anomalías las 24 horas del día, los 7 días de la semana, sin necesidad de activarla manualmente. En comparación con las alertas basadas en reglas o umbrales, identifica cambios anómalos en la base de datos con mayor rapidez.

    Elemento

    Alertas tradicionales

    Detección de anomalías de DAS

    Método

    Basado en reglas y umbrales.

    Basado en inteligencia artificial.

    Alcance de la detección

    Principalmente métricas de monitoreo.

    Métricas de monitoreo, sentencias SQL, registros, bloqueos y eventos de operación y mantenimiento.

    Oportunidad

    Como mínimo 5 minutos; puede tardar hasta un día.

    Casi en tiempo real.

    Principio de detección

    Impulsado por fallas.

    Impulsado por anomalías.

    Reconocimiento de patrones periódicos

    No compatible.

    Automático.

    Adaptabilidad

    No se adapta a las características del negocio.

    Se adapta a las características del negocio.

    Capacidad predictiva

    No disponible.

    Disponible.

    Consultar los resultados de la detección de anomalías

    En el Autonomy Center de DAS, consulte los eventos anómalos detectados dentro de un rango de tiempo específico.

    1. Inicie sesión en la consola de DAS.

    2. En el panel de navegación izquierdo, haga clic en Intelligent O&M Center > Instance Monitoring.

    3. Busque la instancia destino y haga clic en su ID para abrir la página de detalles de la instancia.

    4. En el panel de navegación izquierdo, haga clic en Autonomy Center.

    5. Seleccione un rango de tiempo para consultar los eventos anómalos detectados durante ese periodo.

    Habilitar la suscripción de eventos

    Después de habilitar la suscripción de eventos, DAS envía notificaciones a través de los canales configurados, como mensajes SMS, cuando detecta eventos anómalos. Esto le permite identificar rápidamente los cambios anómalos en la base de datos. Para obtener más información, consulte Enable event subscription.

    Nota

    Los eventos anómalos tienen un nivel de gravedad Warning. Ajuste el nivel de gravedad de las notificaciones de eventos según sus necesidades.

    Preguntas frecuentes

    • En las Anomaly Snapshots de un evento de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection), ¿cómo se calcula el múltiplo de cambio de las métricas en Analysis of Abnormal Metrics?

      Change multiple = Actual metric value / Predicted metric value. DAS utiliza los datos históricos por hora de la instancia de base de datos para predecir el valor actual de la métrica. Este valor predicho sirve como línea base y se compara con el valor real de la métrica para calcular el múltiplo de cambio. En la tabla Related Information de la página Anomaly Snapshot > Analysis of Abnormal Metrics, la columna Related Metrics muestra el nombre de cada métrica junto con su porcentaje de cambio. Por ejemplo: mysql.innodb_rows_read↑112890276.00%, mysql.innodb_rows_updated↑122309.00%, mysql.select_ps↑576.00%, mysql.cpu_usage↑8444.00% y mysql.active_session↑1711.00%.

    • ¿Por qué una instancia o nodo recién creado con tráfico estable genera varios eventos de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection)?

      La función de detección de anomalías de DAS primero construye un modelo de predicción basado en los datos históricos de la instancia. Después, utiliza este modelo para detectar anomalías. En una instancia o nodo recién creado, los datos de rendimiento de referencia son relativamente bajos. Por lo tanto, el modelo de predicción generado a partir de estos datos también tiene una línea base baja. Cuando comienzan las operaciones del negocio, las métricas pueden desviarse significativamente de las predicciones del modelo durante un tiempo. Esto provoca picos falsos y activa eventos frecuentes de detección de anomalías.

      Nota

      Una vez que se acumulan suficientes datos, DAS reconstruye automáticamente un modelo de predicción más preciso. Los eventos de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection) causados por picos falsos dejarán de ocurrir.

    • ¿Por qué no se activa un evento de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection) aunque las métricas de rendimiento de la instancia muestren anomalías evidentes durante unos segundos?

      La función de detección de anomalías de DAS utiliza promedios de datos por minuto para realizar la detección. Las anomalías que duran solo unos segundos pueden atenuarse debido a su impacto mínimo en los datos promediados. Esto impide su detección y evita que se active un evento de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection).

    Documentación relacionada

    Utilice las funciones de autonomía de DAS para gestionar automáticamente las anomalías de la base de datos.