Identifikasi perilaku permintaan SQL - Database Autonomy Service

Saat workload meningkat, jumlah permintaan SQL juga bertambah, sehingga metrik pemantauan database ikut naik. Karena banyak permintaan memiliki karakteristik serupa, identifikasi individual terhadap permintaan SQL bermasalah menjadi sulit hanya dengan menggunakan fitur analisis SQL lengkap. Fitur abnormal SQL request identification dari Database Autonomy Service (DAS) memanfaatkan pembelajaran mesin untuk mengelompokkan dan memfilter kueri SQL, sehingga memungkinkan Anda mengidentifikasi permintaan SQL abnormal secara cepat dan akurat.

Prasyarat

Instans menjalankan salah satu versi berikut:
- ApsaraDB RDS for MySQL 5.6, 5.7, atau 8.0
- ApsaraDB MyBase for MySQL 5.6, 5.7, atau 8.0
Layanan otonomi DAS diaktifkan untuk instans tersebut. Untuk informasi selengkapnya, lihat Autonomy Center.
DAS Enterprise Edition diaktifkan untuk instans tersebut. Untuk informasi selengkapnya, lihat Enable Enterprise Edition.

Skenario

Skema: Workload Anda mencakup sejumlah besar templat SQL. Terlepas dari cara pengurutan yang digunakan, menemukan permintaan SQL abnormal secara cepat tetap sulit. Pada halaman SQL Performance Analysis, Anda dapat melihat metrik utama untuk setiap templat SQL dalam daftar slow query, seperti average execution time, percentage, execution count, average rows scanned, dan average rows returned, beserta grafik tren eksekusinya. Cari permintaan SQL abnormal yang menunjukkan lonjakan tiba-tiba pada waktu eksekusi di grafik tren—misalnya, slow query dengan average execution time melebihi 4 detik—lalu klik Optimize pada baris yang sesuai untuk mendiagnosis dan mengoptimalkan kueri tersebut.

Solusi: Fitur abnormal SQL request identification membantu Anda mengidentifikasi masalah performa dengan cepat melalui dua cara:

Pendekatan 1: Saat bisnis Anda menangani volume permintaan yang besar, DAS dapat mengklasifikasikan templat SQL berdasarkan perilaku permintaannya. Misalnya, jika Anda memiliki ratusan templat SQL dan pengurutan tidak membantu mengidentifikasi yang bermasalah, gunakan fitur abnormal SQL request identification. DAS menggunakan algoritma backend untuk mengenali pola perilaku serupa dan mengelompokkan templat SQL tersebut, sehingga meningkatkan efisiensi troubleshooting. Halaman analisis permintaan SQL menampilkan tabel yang diurutkan berdasarkan cpu_usage correlation, mencakup kolom seperti Aggregated chart (grafik tren), Number of SQL templates, Average latency, Execution count ratio, Rows scanned, dan Latency ratio.
Pendekatan 2: Fitur abnormal SQL request identification membantu Anda menyelidiki masalah dengan menghubungkan perilaku SQL terhadap anomali metrik. Grafik berikut menunjukkan tren metrik abnormal. Pada grafik tersebut, waktu puncak penggunaan CPU dan active sessions bertepatan dengan penurunan tiba-tiba permintaan untuk kategori templat SQL tertentu, yang mengindikasikan bahwa permintaan dalam kategori tersebut kemungkinan diblokir saat terjadi lonjakan active session.

Prosedur

Masuk ke DAS console.
Di panel navigasi sebelah kiri, klik Intelligent O&M Center > Instance Monitoring.
Temukan instans target dan klik ID instans untuk membuka halaman detail instans.
Di panel navigasi sebelah kiri, klik Autonomy Center.
Pilih rentang waktu untuk melihat event dalam periode tersebut.

Untuk event time series exception detection, misalnya, klik Details.
1. Klik tab Anomaly Snapshots. Di bagian Analysis of Abnormal Metrics, lihat penyebab anomali dan perubahan metrik terkait.
2. Di area Performance Metrics, pilih kategori metrik abnormal yang berbeda untuk melihat distribusinya.
3. Di area SQL Request Behavior Analysis, pilih metrik dan metrik terkaitnya untuk dianalisis.
  
  DAS menganalisis data dari 1.000 templat SQL teratas, diurutkan berdasarkan total execution time. Karena fitur ini bergantung pada data analisis SQL lengkap dari DAS Enterprise Edition, proses analisis biasanya memerlukan waktu 1 hingga 5 menit, tergantung pada volume data dan waktu komputasi yang tersedia.
4. Lihat hasil analisis.
  
  Anda dapat melihat metrik SQL yang paling berkorelasi dengan anomali, serta templat SQL terkait dan statistiknya.
  
  Catatan
  Nilai korelasi yang lebih mendekati 1,00 menunjukkan hubungan yang lebih kuat dengan anomali.

Interpretasi hasil

Dengan fitur abnormal SQL request identification, Anda dapat mengamati tren fluktuasi untuk templat SQL yang serupa.

Meskipun kategori permintaan SQL ini menunjukkan lonjakan singkat, waktunya tidak sejalan dengan lonjakan metrik. Oleh karena itu, kategori ini tidak dianggap sebagai penyebab utama anomali metrik, seperti yang ditunjukkan pada gambar berikut. Hasil abnormal SQL request identification ditampilkan dalam tabel yang memiliki dua tab: execution count dan rows scanned. Tabel tersebut mencantumkan templat SQL berdasarkan kategori agregat, seperti count_type_1 hingga count_type_4, dan menyediakan metrik seperti Number of SQL templates, Average latency, Execution count ratio, CPU usage similarity, IOPS usage similarity, Rows scanned, dan Latency ratio. Anda dapat mengklik View untuk melihat detail lebih lanjut.
Grafik menunjukkan bahwa waktu puncak penggunaan CPU dan active sessions bertepatan dengan penurunan tiba-tiba permintaan untuk kategori templat SQL tertentu. Hal ini mengindikasikan bahwa permintaan SQL dalam kategori tersebut kemungkinan terblokir saat jumlah active session melonjak.