Identifikasi Permintaan SQL Tidak Normal - Database Autonomy Service

Seiring meningkatnya beban kerja bisnis, jumlah permintaan SQL juga bertambah, sehingga metrik pemantauan database meningkat. Beberapa permintaan SQL memiliki karakteristik serupa, membuat identifikasi permintaan SQL tidak normal menjadi sulit jika menggunakan fitur analisis permintaan SQL penuh. Untuk mengatasi hal ini, Database Autonomy Service (DAS) menyediakan fitur abnormal SQL request identification yang menggunakan pembelajaran mesin untuk mengumpulkan dan memfilter permintaan SQL secara cepat, efisien, dan akurat.

Prasyarat

Instansi database yang ingin Anda kelola harus berupa salah satu tipe berikut:
- ApsaraDB RDS for MySQL 5.6, 5.7, atau 8.0
- ApsaraDB MyBase for MySQL 5.6, 5.7, atau 8.0
Instansi database harus terhubung ke DAS. Untuk informasi lebih lanjut, lihat Pusat Otonomi.
DAS Edisi Perusahaan harus diaktifkan untuk instansi database tersebut. Untuk informasi lebih lanjut, lihat bagian Aktifkan dan Kelola DAS Edisi Ekonomi dan DAS Edisi Perusahaan dalam topik "Aktifkan dan Kelola DAS Edisi Ekonomi dan DAS Edisi Perusahaan".

Skenario

Skenario: Sejumlah besar template SQL digunakan untuk permintaan bisnis Anda. Anda tidak dapat mengidentifikasi permintaan SQL tidak normal dalam waktu singkat setelah mereka dimulai, terlepas dari cara pengurutan template SQL. Pada gambar berikut, grafik permintaan per detik (QPS) yang dilingkari merah dan biru menggambarkan dua jenis permintaan SQL tidak normal. 275

Solusi: Gunakan fitur abnormal SQL request identification untuk mengidentifikasi masalah kinerja. Berikut adalah solusi yang dapat digunakan:

Solusi 1: Jika instansi database Anda menerima sejumlah besar permintaan, gunakan DAS untuk mengklasifikasikan template SQL berdasarkan perilaku SQL. Misalnya, jika ratusan halaman template SQL digunakan, Anda tidak dapat dengan cepat mengidentifikasi template SQL tidak normal hanya dengan mengurutkan semua template. Dalam hal ini, gunakan fitur abnormal SQL request identification. Fitur ini menggunakan algoritma backend DAS untuk mengidentifikasi profil perilaku SQL yang serupa, kemudian mengumpulkan dan mengklasifikasikan sejumlah besar template SQL untuk membantu Anda mengidentifikasi masalah secara lebih efisien.
Solusi 2: Gunakan fitur abnormal SQL request identification untuk menyelesaikan masalah terkait pengecualian metrik berdasarkan periode ketika pengecualian terjadi. Gambar berikut menunjukkan tren metrik tidak normal. Dalam gambar ini, waktu ketika utilisasi CPU dan jumlah sesi aktif mencapai nilai puncak bertepatan dengan waktu ketika kemunculan template SQL dari kategori saat ini tiba-tiba menurun. Ini menunjukkan bahwa permintaan SQL yang menggunakan template SQL dari kategori ini diblokir ketika jumlah sesi aktif melonjak.

Prosedur

Masuk ke Konsol DAS.
Di panel navigasi sisi kiri, pilih Intelligent O&M Center > Instance Monitoring.
Di halaman yang muncul, temukan instansi database yang ingin Anda kelola dan klik ID instansi. Halaman detail instansi akan muncul.
Di halaman detail instansi, klik Autonomy Center di panel navigasi sisi kiri.
Tentukan rentang waktu dan klik Cari untuk melihat peristiwa dalam rentang waktu yang ditentukan.
Klik Details dari suatu peristiwa untuk melihat detail peristiwa tersebut. Dalam contoh ini, time series exception detection digunakan.
1. Di bagian Analysis of Abnormal Metrics pada tab Anomaly Snapshots, lihat penyebab pengecualian dan perubahan metrik terkait.
2. Di bagian Performance Metrics, pilih berbagai jenis metrik tidak normal untuk melihat distribusi metrik yang dipilih dalam rentang waktu yang ditentukan.
3. Di bagian SQL Request Behavior Analysis, pilih metrik pemantauan dan metrik terkait untuk melakukan analisis.
  DAS menganalisis 1.000 template SQL teratas. Permintaan SQL yang dihasilkan berdasarkan template ini telah menghabiskan waktu paling banyak. Fitur analisis permintaan SQL penuh dari DAS Edisi Perusahaan mengambil dan menganalisis data SQL lengkap dari instansi database. Proses ini memakan waktu. Durasi bervariasi berdasarkan ukuran data. Dalam kebanyakan kasus, sistem membutuhkan waktu sekitar 1 hingga 5 menit untuk menganalisis data.
4. Lihat hasil analisis.
  Lihat metrik SQL yang paling berkorelasi dengan metrik tidak normal. Anda juga dapat melihat template SQL yang sesuai dan statistiknya.
  Catatan
  Nilai yang lebih mendekati 1,00 menunjukkan korelasi yang lebih tinggi dengan metrik tidak normal.

Informasi tambahan

Anda dapat melihat bahwa template SQL serupa memiliki tren kemunculan yang serupa dengan menggunakan fitur identifikasi permintaan SQL tidak normal.

Jika permintaan SQL yang menggunakan template SQL dari suatu kategori melonjak untuk periode waktu yang singkat, tetapi waktu lonjakan berbeda dari waktu lonjakan metrik, template SQL dari kategori ini tidak paling berkorelasi dengan metrik tidak normal.
Gambar berikut menunjukkan tren metrik tidak normal. Titik waktu ketika utilisasi CPU dan jumlah sesi aktif mencapai nilai puncak bertepatan dengan titik waktu ketika permintaan SQL yang menggunakan template SQL dari kategori tersebut tiba-tiba menurun. Ini menunjukkan bahwa permintaan SQL yang menggunakan template SQL dari kategori ini diblokir ketika jumlah sesi aktif melonjak.