Fitur Diagnose pada AnalyticDB for MySQL menganalisis kesehatan kluster Anda selama periode waktu tertentu. Fitur ini mengkorelasikan data pemantauan, log, dan informasi status tabel berdasarkan dimensi seperti penggunaan resource, beban, SQL, operator, dan penyimpanan untuk membantu Anda memecahkan masalah secara lebih efisien.
Prosedur
-
Masuk ke Konsol AnalyticDB for MySQL. Di pojok kiri atas, pilih wilayah kluster. Di panel navigasi sebelah kiri, klik Clusters, lalu klik ID kluster target.
-
Di panel navigasi sebelah kiri, klik Monitoring Information.
-
Arahkan kursor ke kurva metrik atau pilih rentang waktu dari daftar drop-down, lalu klik Diagnose.
PentingAnda dapat mendiagnosis data dari 14 hari terakhir. Rentang waktu maksimum untuk satu diagnosis adalah satu jam.
Halaman hasil diagnostik akan terbuka secara otomatis.
Laporan diagnostik
Hasil diagnostik mencakup deteksi bad SQL, deteksi pola abnormal, deteksi metrik bisnis, deteksi lapisan komputasi, dan deteksi lapisan penyimpanan.
Bad SQL
Laporan deteksi bad SQL menampilkan 10 kueri teratas untuk masing-masing metrik berikut, diurutkan secara menurun: Top Stages SQL, Most Memory-Consuming SQL, Most CPU-Consuming SQL, Top Data Read SQL, Top Data Output SQL, dan Most Time-Consuming SQL. Untuk metrik Most Time-Consuming SQL, sistem secara otomatis menjalankan diagnosa mandiri pada setiap kueri di latar belakang. Klik ikon 
di sebelah kiri kolom Actions untuk langsung melihat hasil diagnosa SQL. Untuk menganalisis kueri lebih lanjut, klik Diagnose di kolom Actions guna membuka halaman detail kueri, melihat rencana eksekusi, dan melakukan analisis self-service.
Pola abnormal
Deteksi ini mengidentifikasi pola SQL dengan metrik abnormal—seperti lonjakan jumlah pengiriman atau penggunaan memori puncak—dalam periode waktu yang ditentukan. Deteksi ini mencakup Peak Memory, Query Duration, Operator Cost, Amount of Output Data, dan Query Submission. Setiap pola yang terdeteksi mencakup tiga bidang berikut:
-
SQL pattern: Templat SQL. Anda dapat menggunakan templat ini untuk mengidentifikasi pernyataan SQL spesifik yang sesuai dengan pola abnormal tersebut.
-
Detection Result Details: Penyebab anomali, termasuk detail seperti nilai persentil serta perbandingan nilai minimum dan maksimum.
-
Other Related Metrics: Metrik terkait untuk pola abnormal saat ini, seperti peak memory, operator cost, dan query duration, guna membantu Anda melakukan penilaian dan analisis menyeluruh.
Metrik bisnis
Deteksi metrik bisnis memeriksa berbagai metrik bisnis kluster, termasuk deteksi koneksi kluster dan deteksi waktu respons kueri.
Koneksi kluster
Deteksi ini membandingkan data dari rentang waktu yang ditentukan (misalnya, pukul 14.00 hingga 15.00) dengan data dari rentang waktu yang sama pada tiga hari sebelumnya. Jika 80% titik data menunjukkan laju pertumbuhan lebih dari 20% dibandingkan periode yang sama pada tiga hari sebelumnya, jumlah koneksi ditandai sebagai meningkat. Dalam kasus ini, Anda perlu memeriksa adanya trafik bisnis baru atau koneksi abnormal.
Waktu respons kueri
Deteksi waktu respons kueri menggunakan logika yang sama dengan deteksi koneksi kluster. Jika 80% titik data menunjukkan laju pertumbuhan lebih dari 20% dibandingkan periode yang sama pada tiga hari sebelumnya, waktu respons kueri ditandai sebagai meningkat. Anda perlu memeriksa adanya peningkatan trafik atau kueri lambat.
Laju pertumbuhan dihitung menggunakan rumus berikut: (Titik data saat ini - Titik data sebelumnya) / Titik data sebelumnya × 100.
Lapisan komputasi
Deteksi lapisan komputasi mencakup deteksi operator abnormal, deteksi status node, deteksi kesenjangan penggunaan CPU, deteksi rata-rata penggunaan CPU untuk kelompok sumber daya, deteksi kesenjangan penggunaan CPU antar kelompok sumber daya, dan analisis korelasi metrik deret waktu.
Operator abnormal
-
Detail operator
Deteksi ini mengidentifikasi operator abnormal (misalnya, operator Join, Aggregation, Sort, dan Window), diurutkan secara menurun berdasarkan metrik yang dipilih. Anda dapat menganalisis operator abnormal menggunakan bidang seperti konsumsi memori, konsumsi CPU, serta volume data input dan output. Anda juga dapat mengklik Diagnose di kolom Actions untuk melihat rencana eksekusi asli operator dan mengidentifikasi pernyataan SQL sumbernya.
-
Rangkuman operator
Karena beberapa operator abnormal secara kolektif dapat meningkatkan konsumsi resource, deteksi ini juga menyediakan ringkasan agregat dua kategori utama: operator dengan konsumsi CPU tertinggi dan operator dengan konsumsi memori tertinggi. Ringkasan ini membantu Anda melihat nilai maksimum berbagai metrik operator dan mengidentifikasi operator abnormal.
Status node
Node pelaksana yang mengalami tekanan tinggi atau memiliki exception internal dapat menjadi tidak sehat, sehingga menyebabkan kegagalan kueri atau kueri lambat. Deteksi ini secara otomatis memeriksa status semua node pelaksana selama periode waktu yang ditentukan dan melaporkan exception jika ada node yang tidak sehat, membantu Anda mengidentifikasi akar penyebab masalah terkait.
Kesenjangan penggunaan CPU
Deteksi ini memeriksa apakah penggunaan CPU seimbang di antara berbagai node pelaksana. Jika penggunaan CPU maksimum di seluruh node pelaksana mencapai dua kali rata-rata penggunaan CPU mereka, dan kondisi ini berlangsung lebih dari 80% dari periode waktu yang ditentukan, sistem akan melaporkan adanya kesenjangan penggunaan CPU di antara node pelaksana. Jika hal ini terjadi, pertimbangkan untuk memantau kluster dan memeriksa adanya kesenjangan data. Untuk informasi lebih lanjut, lihat diagnostik pemodelan data.
Hasil deteksi memiliki tiga tingkat: NORMAL, WARNING, dan CRITICAL. Jika tingkatnya CRITICAL, prioritaskan penyelesaian masalah untuk mencegah dampak terhadap beban kerja bisnis Anda.
Rata-rata penggunaan CPU untuk kelompok sumber daya
Deteksi ini memeriksa rata-rata penggunaan CPU kelompok sumber daya selama periode waktu yang ditentukan. Jika penggunaan CPU kelompok sumber daya melebihi 80% dan kondisi ini berlangsung lebih dari 80% dari periode waktu yang ditentukan, sistem akan menandai kelompok sumber daya tersebut sebagai memiliki penggunaan CPU tinggi. Jika hal ini terjadi, pertimbangkan untuk mengevaluasi apakah perlu menyesuaikan resource kelompok sumber daya tersebut. Untuk informasi lebih lanjut, lihat mengubah kelompok sumber daya.
Hasil deteksi memiliki tiga tingkat: NORMAL, WARNING, dan CRITICAL. Jika tingkatnya CRITICAL, prioritaskan penyelesaian masalah untuk mencegah dampak terhadap beban kerja bisnis Anda.
Kesenjangan penggunaan CPU antar kelompok sumber daya
Deteksi ini memeriksa apakah penggunaan CPU seimbang di antara berbagai kelompok sumber daya. Jika penggunaan CPU kelompok sumber daya dengan penggunaan tertinggi lebih dari 1,5 kali rata-rata penggunaan CPU di seluruh kelompok sumber daya, dan kondisi ini berlangsung lebih dari 80% dari periode waktu yang ditentukan, sistem akan melaporkan adanya kesenjangan penggunaan CPU antar kelompok sumber daya. Jika hal ini terjadi, pertimbangkan untuk mengevaluasi apakah perlu menyesuaikan resource di antara berbagai kelompok sumber daya. Untuk informasi lebih lanjut, lihat mengubah kelompok sumber daya.
Hasil deteksi memiliki tiga tingkat: NORMAL, WARNING, dan CRITICAL. Jika tingkatnya CRITICAL, prioritaskan penyelesaian masalah untuk mencegah dampak terhadap beban kerja bisnis Anda.
Korelasi metrik deret waktu
Saat metrik Average CPU Utilization of Compute Node dan Maximum CPU Utilization of Compute Node abnormal, analisis ini mengidentifikasi metrik terkait yang mungkin menjadi penyebabnya. Metrik potensial sebagai akar masalah meliputi QPS, BUILD jobs, Update TPS, Deletion TPS, dan Write TPS.
Sebagai contoh, jika QPS berkorelasi dengan peningkatan Average CPU Utilization of Compute Node, hal ini menunjukkan bahwa volume kueri tinggi menyebabkan peningkatan penggunaan CPU pada node komputasi.
Untuk analisis korelasi yang akurat, pastikan periode diagnosis mencakup waktu terjadinya anomali metrik utama.
Lapisan penyimpanan
Deteksi lapisan penyimpanan mencakup deteksi pembuatan dan akses tabel, deteksi status node, deteksi penggunaan CPU maksimum, deteksi penggunaan CPU rata-rata, deteksi kesenjangan penggunaan CPU, dan analisis korelasi metrik deret waktu.
Pembuatan dan akses tabel
-
Deteksi akses tabel
Deteksi akses tabel secara otomatis memeriksa tabel yang diakses selama periode waktu yang ditentukan. Deteksi ini mencakup lima metrik: volume baca data maksimum, volume baca data rata-rata, durasi baca data maksimum, durasi baca data rata-rata, dan jumlah akses tabel. Hasilnya diurutkan secara menurun berdasarkan metrik saat ini.
-
Detail tabel dengan kesenjangan data
Pada AnalyticDB for MySQL, tabel partisi mengharuskan Anda memilih bidang yang terdistribusi merata sebagai bidang distribusi. Saat data ditulis, data tersebut didistribusikan ke berbagai node pekerja berdasarkan bidang distribusi ini. Bidang distribusi yang tidak seragam menyebabkan kesenjangan data. Fitur ini mendeteksi kesenjangan data dengan terlebih dahulu mengidentifikasi tabel terbesar, lalu menganalisis distribusi datanya. Mengoptimalkan tabel yang miring dapat meningkatkan performa kueri, menyeimbangkan volume data di seluruh disk space, dan mengurangi risiko disk lock.
-
Detail tabel dengan partisi tidak tepat
Deteksi ini pertama-tama mengidentifikasi tabel dengan volume data terbesar, lalu memeriksa apakah tabel tersebut memiliki partisi yang tidak wajar.
Status node
Node pekerja yang mengalami tekanan tinggi atau memiliki exception internal dapat menjadi tidak sehat, sehingga menyebabkan kegagalan kueri atau kueri lambat. Deteksi ini secara otomatis memeriksa status semua node pekerja selama periode waktu yang ditentukan dan melaporkan exception jika ada node yang tidak sehat, membantu Anda mengidentifikasi akar penyebab masalah terkait.
Penggunaan CPU maksimum
Deteksi ini memeriksa penggunaan CPU maksimum semua node pekerja selama periode waktu yang ditentukan. Jika penggunaan CPU maksimum di seluruh node pekerja melebihi 90% dan kondisi ini berlangsung lebih dari 80% dari periode waktu yang ditentukan, sistem akan menandai penggunaan CPU sebagai tinggi. Dalam kasus ini, periksa adanya kueri lambat. Untuk informasi lebih lanjut, lihat Kueri lambat khas.
Hasil deteksi memiliki tiga tingkat: NORMAL, WARNING, dan CRITICAL. Jika tingkatnya CRITICAL, prioritaskan penyelesaian masalah untuk mencegah dampak terhadap beban kerja bisnis Anda.
Penggunaan CPU rata-rata
Deteksi ini memeriksa rata-rata penggunaan CPU semua node pekerja selama periode waktu yang ditentukan. Jika rata-rata penggunaan CPU di seluruh node pekerja melebihi 80% dan kondisi ini berlangsung lebih dari 80% dari periode waktu yang ditentukan, sistem akan menandai penggunaan CPU sebagai tinggi. Dalam kasus ini, periksa adanya kueri lambat. Untuk informasi lebih lanjut, lihat Kueri lambat khas.
Hasil deteksi memiliki tiga tingkat: NORMAL, WARNING, dan CRITICAL. Jika tingkatnya CRITICAL, prioritaskan penyelesaian masalah untuk mencegah dampak terhadap beban kerja bisnis Anda.
Kesenjangan penggunaan CPU
Deteksi ini memeriksa apakah penggunaan CPU seimbang di antara berbagai node pekerja. Jika penggunaan CPU maksimum di seluruh node pekerja mencapai dua kali rata-rata penggunaan CPU mereka, dan kondisi ini berlangsung lebih dari 80% dari periode waktu yang ditentukan, sistem akan melaporkan adanya kesenjangan penggunaan CPU di antara node pekerja. Jika hal ini terjadi, pertimbangkan untuk memantau kluster dan memeriksa adanya kesenjangan data. Untuk informasi lebih lanjut, lihat diagnostik pemodelan data.
Hasil deteksi memiliki tiga tingkat: NORMAL, WARNING, dan CRITICAL. Jika tingkatnya CRITICAL, prioritaskan penyelesaian masalah untuk mencegah dampak terhadap beban kerja bisnis Anda.
Korelasi metrik deret waktu
Saat metrik Average CPU Utilization of Storage Node dan Maximum CPU Utilization of Storage Node abnormal, analisis ini mengidentifikasi metrik terkait yang mungkin menjadi penyebabnya. Metrik potensial sebagai akar masalah meliputi QPS, BUILD jobs, Update TPS, Deletion TPS, dan Write TPS.
Sebagai contoh, jika QPS berkorelasi dengan peningkatan Average CPU Utilization of Storage Node, hal ini menunjukkan bahwa volume kueri tinggi menyebabkan peningkatan penggunaan CPU pada node penyimpanan.
Untuk analisis korelasi yang akurat, pastikan periode diagnosis mencakup waktu terjadinya anomali metrik utama.