SQL request behavior identification - Database Autonomy Service

L'augmentation de votre charge de travail entraîne une hausse du nombre de requêtes SQL, ce qui fait grimper les métriques de surveillance de la base de données. De nombreuses requêtes partageant des caractéristiques similaires, il est difficile d'identifier individuellement les requêtes SQL problématiques à l'aide de la fonctionnalité d'analyse SQL complète. La fonctionnalité abnormal SQL request identification de Database Autonomy Service (DAS) utilise l'apprentissage automatique pour regrouper et filtrer les requêtes SQL. Cela vous permet d'identifier rapidement et avec précision les requêtes SQL anormales.

Prérequis

L'instance exécute l'une des versions suivantes :
- ApsaraDB RDS for MySQL 5.6, 5,7 ou 8,0
- ApsaraDB MyBase for MySQL 5.6, 5,7 ou 8,0
Le service d'autonomie DAS est activé pour l'instance. Pour plus d'informations, consultez Autonomy Center.
DAS Enterprise Edition est activé pour l'instance. Pour plus d'informations, consultez Enable Enterprise Edition.

Scénarios

Scénario : Votre charge de travail comprend un grand nombre de modèles SQL. Quelle que soit la méthode de tri utilisée, il est difficile de trouver rapidement les requêtes SQL anormales. Sur la page SQL Performance Analysis, vous pouvez consulter les métriques clés de chaque modèle SQL dans la liste des requêtes lentes, telles que average execution time, percentage, execution count, average rows scanned et average rows returned, ainsi qu'un graphique de tendance d'exécution. Recherchez les requêtes SQL anormales présentant une augmentation soudaine du temps d'exécution sur le graphique de tendance, par exemple les requêtes lentes dont le temps d'exécution moyen dépasse 4 secondes. Cliquez sur Optimize dans la ligne correspondante pour diagnostiquer et optimiser la requête.

Solution : La fonctionnalité abnormal SQL request identification vous aide à localiser rapidement les problèmes de performance de deux manières :

Approche 1 : Lorsque votre activité génère un volume élevé de requêtes, DAS peut classer les modèles SQL en fonction de leur comportement. Par exemple, si vous avez des centaines de pages de modèles SQL et que le tri ne vous aide pas à identifier ceux qui sont problématiques, utilisez la fonctionnalité abnormal SQL request identification. DAS utilise des algorithmes backend pour identifier des modèles comportementaux similaires et regrouper les modèles SQL, ce qui améliore l'efficacité du dépannage. La page d'analyse des requêtes SQL affiche un tableau trié par cpu_usage correlation. Le tableau comprend des colonnes telles que Aggregated chart (graphique de tendance), Number of SQL templates, Average latency, Execution count ratio, Rows scanned et Latency ratio.
Approche 2 : La fonctionnalité abnormal SQL request identification vous aide à enquêter sur les problèmes en corrélant le comportement SQL avec les anomalies de métriques. Le graphique suivant montre la tendance d'une métrique anormale. Dans ce graphique, les pics d'utilisation du CPU et de sessions actives coïncident avec une chute soudaine des requêtes pour une catégorie spécifique de modèles SQL. Cela indique que les requêtes de cette catégorie sont bloquées pendant le pic de sessions actives.

Procédure

Connectez-vous à la console DAS.
Dans le volet de navigation de gauche, cliquez sur Intelligent O&M Center > Instance Monitoring .
Recherchez l'instance cible et cliquez sur son ID pour ouvrir la page des détails de l'instance.
Dans le volet de navigation de gauche, cliquez sur Autonomy Center.
Sélectionnez une plage horaire pour afficher les événements de cette période.

Pour un événement time series exception detection, par exemple, cliquez sur Details.
1. Cliquez sur l'onglet Anomaly Snapshots. Dans la section Analysis of Abnormal Metrics, consultez les causes de l'anomalie et les modifications associées des métriques.
2. Dans la zone Performance Metrics, sélectionnez différentes catégories de métriques anormales pour afficher leur distribution.
3. Dans la zone SQL Request Behavior Analysis, sélectionnez une métrique et ses métriques associées à analyser.
  
  DAS analyse les données des 1 000 premiers modèles SQL, classés par temps d'exécution total. Étant donné que cette fonctionnalité repose sur les données d'analyse SQL complètes de DAS Enterprise Edition, l'analyse prend généralement de 1 à 5 minutes, selon le volume de données et le temps de calcul disponible.
4. Consultez les résultats de l'analyse.
  
  Vous pouvez afficher les métriques SQL les plus corrélées à l'anomalie, ainsi que les modèles SQL associés et leurs statistiques.
  
  Remarque
  Une valeur de corrélation proche de 1,00 indique une association plus forte avec l'anomalie.

Interprétation des résultats

Grâce à l'identification des requêtes SQL anormales, vous pouvez observer les tendances de fluctuation pour des modèles SQL similaires.

Bien que cette catégorie de requêtes SQL présente un bref pic, son calendrier ne s'aligne pas sur le pic de la métrique. Par conséquent, cette catégorie n'est pas considérée comme la cause principale de l'anomalie de la métrique, comme illustré dans la figure suivante. Les résultats de l'identification des requêtes SQL anormales sont affichés dans un tableau comportant deux onglets : execution count et rows scanned. Le tableau répertorie les modèles SQL par catégorie agrégée, telle que count_type_1 à count_type_4, et fournit des métriques telles que Number of SQL templates, Average latency, Execution count ratio, CPU usage similarity, IOPS usage similarity, Rows scanned et Latency ratio. Vous pouvez cliquer sur View pour voir plus de détails.
Le graphique montre que les pics d'utilisation du CPU et de sessions actives coïncident avec une chute soudaine des requêtes pour une catégorie de modèles SQL. Cela indique que les requêtes SQL de cette catégorie sont probablement bloquées lorsque le nombre de sessions actives augmente brusquement.