O recurso Diagnose do AnalyticDB for MySQL analisa a integridade do cluster em um período específico. Ele correlaciona dados de monitoramento, logs e informações de status das tabelas em dimensões como níveis de recursos, carga, SQL, operadores e armazenamento para ajudar você a solucionar problemas com mais eficiência.
Procedimento
Faça login no console do AnalyticDB for MySQL. No canto superior esquerdo, selecione a região do cluster. No painel de navegação à esquerda, clique em Clusters e, em seguida, clique no ID do cluster desejado.
No painel de navegação à esquerda, clique em Monitoring Information.
-
Passe o mouse sobre uma curva de métrica ou selecione um intervalo de tempo na lista suspensa e clique em Diagnose.
ImportanteÉ possível diagnosticar dados dos últimos 14 dias. O intervalo máximo de tempo para um único diagnóstico é de uma hora.
A página de resultados do diagnóstico será aberta automaticamente.
Relatório de diagnóstico
Os resultados do diagnóstico incluem detecção de SQL problemático, detecção de padrões anormais, detecção de métricas de negócios, detecção da camada de computação e detecção da camada de armazenamento.
SQL problemático
O relatório de detecção de SQL problemático lista as 10 principais consultas para cada uma das seguintes métricas, classificadas em ordem decrescente: Top Stages SQL, Most Memory-Consuming SQL, Most CPU-Consuming SQL, Top Data Read SQL, Top Data Output SQL e Most Time-Consuming SQL. Para a métrica Most Time-Consuming SQL, o sistema executa automaticamente um autodiagnóstico em cada consulta em segundo plano. Clique no ícone 
à esquerda da coluna Actions para visualizar imediatamente os resultados do diagnóstico de SQL. Para analisar uma consulta mais detalhadamente, clique em Diagnose na coluna Actions para acessar a página de detalhes da consulta, visualize o plano de execução e realizar uma análise de autoatendimento.
Padrões anormais
Esta detecção identifica padrões de SQL com métricas anormais — como aumento repentino na contagem de submissões ou no pico de uso de memória — dentro do período especificado. A detecção inclui Peak Memory, Query Duration, Operator Cost, Amount of Output Data e Query Submission. Cada padrão detectado contém os três campos a seguir:
SQL pattern: O modelo de SQL. Use este modelo para identificar as instruções SQL específicas que correspondem ao padrão anormal.
Detection Result Details: A causa da anomalia, incluindo detalhes como valores percentis e comparações entre valores mínimos e máximos.
Other Related Metrics: Métricas relacionadas ao padrão anormal atual, como pico de memória, custo do operador e duração da consulta, para auxiliar em uma avaliação e análise abrangentes.
Métricas de negócios
A detecção de métricas de negócios verifica várias métricas operacionais do cluster, incluindo detecção de conexões do cluster e detecção de tempo de resposta de consultas.
Conexões do cluster
Esta detecção compara os dados do intervalo de tempo especificado (por exemplo, 14:00 às 15:00) com os dados do mesmo intervalo nos três dias anteriores. Se 80% dos pontos de dados apresentarem taxa de crescimento superior a 20% em comparação com os mesmos períodos nos três dias anteriores, o número de conexões será sinalizado como crescente. Nesse caso, verifique se há novo tráfego de negócios ou conexões anormais.
Tempo de resposta de consultas
A detecção de tempo de resposta de consultas utiliza a mesma lógica da detecção de conexões do cluster. Se 80% dos pontos de dados mostrarem taxa de crescimento superior a 20% em relação aos mesmos períodos nos três dias anteriores, o tempo de resposta da consulta será sinalizado como crescente. Verifique se há aumento de tráfego ou consultas lentas.
A taxa de crescimento é calculada pela seguinte fórmula: (Current data point - Past data point) / Past data point × 100.
Camada de computação
A detecção da camada de computação inclui detecção de operadores anormais, detecção de status de nós, detecção de assimetria de utilização de CPU, detecção de utilização média de CPU para grupos de recursos, detecção de assimetria de utilização de CPU entre grupos de recursos e análise de correlação de métricas de séries temporais.
Operadores anormais
-
Operator details
Esta detecção identifica operadores anormais (por exemplo, operadores Join, Aggregation, Sort e Window), classificados em ordem decrescente pela métrica selecionada. Analise os operadores anormais usando campos como consumo de memória, consumo de CPU e quantidade de dados de entrada e saída. Também é possível clicar em Diagnose na coluna Actions para visualizar o plano de execução original do operador e identificar a instrução SQL de source.
-
Operator summary
Como múltiplos operadores anormais podem aumentar coletivamente o consumo de recursos, esta detecção também fornece um resumo agregado de duas categorias principais: operadores que mais consomem CPU e operadores que mais consomem memória. Esse resumo ajuda a visualizar os valores máximos para diferentes métricas de operadores e a identificar operadores anormais.
Status do nó
Um nó executor sob alta pressão ou com exceções internas pode ficar não íntegro, causando falhas ou lentidão nas consultas. Esta detecção verifica automaticamente o status de todos os nós executores durante o período especificado e relata uma exceção se algum nó estiver não íntegro, ajudando a identificar a causa dos problemas relacionados.
Assimetria de utilização de CPU
Esta verificação avalia se a utilização de CPU está equilibrada entre os diferentes nós executores. Se a utilização máxima de CPU em todos os nós executores for o dobro da utilização média, e esse estado persistir por mais de 80% do período especificado, o sistema relatará assimetria de utilização de CPU entre os nós executores. Se isso ocorrer, considere monitorar o cluster e verificar se há assimetria de dados. Para obter mais informações, consulte data modeling diagnostics.
Os resultados da detecção possuem três níveis: NORMAL, WARNING e CRITICAL. Se o nível for CRITICAL, priorize a resolução do problema para evitar impactos nas cargas de trabalho de negócios.
Utilização média de CPU para grupos de recursos
Esta detecção verifica a utilização média de CPU dos grupos de recursos durante o período especificado. Se a utilização de CPU de um grupo de recursos exceder 80% e esse estado persistir por mais de 80% do período especificado, o sistema sinalizará o grupo de recursos por alta utilização de CPU. Caso isso ocorra, avalie a necessidade de ajustar os recursos do grupo de recursos. Para obter mais informações, consulte modifique a resource group.
Os resultados da detecção possuem três níveis: NORMAL, WARNING e CRITICAL. Se o nível for CRITICAL, priorize a resolução do problema para evitar impactos nas cargas de trabalho de negócios.
Assimetria de utilização de CPU entre grupos de recursos
Esta detecção verifica se a utilização de CPU está equilibrada entre os diferentes grupos de recursos. Se a utilização de CPU do grupo de recursos com maior uso for superior a 1,5 vezes a utilização média de CPU entre os grupos de recursos, e esse estado persistir por mais de 80% do período especificado, o sistema relatará assimetria de utilização de CPU entre os grupos de recursos. Se isso ocorrer, considere avaliar o ajuste de recursos entre os diferentes grupos de recursos. Para obter mais informações, consulte modifique a resource group.
Os resultados da detecção possuem três níveis: NORMAL, WARNING e CRITICAL. Se o nível for CRITICAL, priorize a resolução do problema para evitar impactos nas cargas de trabalho de negócios.
Correlação de métricas de séries temporais
Quando as métricas Average CPU Utilization of Compute Node e Maximum CPU Utilization of Compute Node apresentam anomalias, esta análise identifica métricas correlacionadas que podem ser a causa. As possíveis métricas de causa raiz incluem QPS, BUILD jobs, Update TPS, Deletion TPS e Write TPS.
Por exemplo, se QPS se correlacionar com um aumento na Average CPU Utilization of Compute Node, isso sugere que um alto volume de consultas está elevando o uso de CPU dos nós de computação.
Para uma análise de correlação precisa, garanta que o período de diagnóstico cubra o momento em que as anomalias das métricas principais ocorreram.
Camada de armazenamento
A detecção da camada de armazenamento inclui detecção de criação e acesso a tabelas, detecção de status de nós, detecção de utilização máxima de CPU, detecção de utilização média de CPU, detecção de assimetria de utilização de CPU e análise de correlação de métricas de séries temporais.
Criação e acesso a tabelas
-
Table access detection
A detecção de acesso a tabelas verifica automaticamente as tabelas acessadas durante o período especificado. Ela inclui cinco métricas: volume máximo de leitura de dados, volume médio de leitura de dados, duração máxima de leitura de dados, duração média de leitura de dados e número de acessos à tabela. Os resultados são classificados em ordem decrescente com base na métrica atual.
-
Details of tables with data skew
No AnalyticDB for MySQL, tabelas particionadas exigem a seleção de um campo uniformemente distribuído como campo de distribuição. Quando os dados são gravados, eles são distribuídos para diferentes nós de trabalho com base nesse campo de distribuição. Um campo de distribuição não uniforme causa assimetria de dados. Este recurso detecta a assimetria de dados identificando primeiro as maiores tabelas e depois analisando sua distribuição de dados. Otimizar tabelas com assimetria pode melhorar o desempenho das consultas, equilibrar o volume de dados no espaço em disco e reduzir o risco de bloqueios de disco.
-
Details of tables with improper partitioning
Esta detecção localiza primeiro as tabelas com os maiores volumes de dados e, em seguida, verifica se essas tabelas possuem particionamento inadequado.
Status do nó
Um nó de trabalho sob alta pressão ou com exceções internas pode ficar não íntegro, causando falhas ou lentidão nas consultas. Esta detecção verifica automaticamente o status de todos os nós de trabalho durante o período especificado e relata uma exceção se algum nó estiver não íntegro, ajudando a identificar a causa dos problemas relacionados.
Utilização máxima de CPU
Esta detecção verifica a utilização máxima de CPU de todos os nós de trabalho durante o período especificado. Se a utilização máxima de CPU em todos os nós de trabalho exceder 90% e esse estado persistir por mais de 80% do período especificado, o sistema sinalizará alta utilização de CPU. Nesse caso, verifique se há consultas lentas. Para obter mais informações, consulte Typical slow queries.
Os resultados da detecção possuem três níveis: NORMAL, WARNING e CRITICAL. Se o nível for CRITICAL, priorize a resolução do problema para evitar impactos nas cargas de trabalho de negócios.
Utilização média de CPU
Esta detecção verifica a utilização média de CPU de todos os nós de trabalho durante o período especificado. Se a utilização média de CPU em todos os nós de trabalho exceder 80% e esse estado persistir por mais de 80% do período especificado, o sistema sinalizará alta utilização de CPU. Nesse caso, verifique se há consultas lentas. Para obter mais informações, consulte Typical slow queries.
Os resultados da detecção possuem três níveis: NORMAL, WARNING e CRITICAL. Se o nível for CRITICAL, priorize a resolução do problema para evitar impactos nas cargas de trabalho de negócios.
Assimetria de utilização de CPU
Esta verificação avalia se a utilização de CPU está equilibrada entre os diferentes nós de trabalho. Se a utilização máxima de CPU em todos os nós de trabalho for o dobro da utilização média, e esse estado persistir por mais de 80% do período especificado, o sistema relatará assimetria de utilização de CPU entre os nós de trabalho. Se isso ocorrer, considere monitorar o cluster e verificar se há assimetria de dados. Para obter mais informações, consulte data modeling diagnostics.
Os resultados da detecção possuem três níveis: NORMAL, WARNING e CRITICAL. Se o nível for CRITICAL, priorize a resolução do problema para evitar impactos nas cargas de trabalho de negócios.
Correlação de métricas de séries temporais
Quando as métricas Average CPU Utilization of Storage Node e Maximum CPU Utilization of Storage Node apresentam anomalias, esta análise identifica métricas correlacionadas que podem ser a causa. As possíveis métricas de causa raiz incluem QPS, BUILD jobs, Update TPS, Deletion TPS e Write TPS.
Por exemplo, se QPS se correlacionar com um aumento na Average CPU Utilization of Storage Node, isso sugere que um alto volume de consultas está elevando o uso de CPU dos nós de armazenamento.
Para uma análise de correlação precisa, garanta que o período de diagnóstico cubra o momento em que as anomalias das métricas principais ocorreram.