SQL request behavior identification - Database Autonomy Service: Central de Documentação do Alibaba Cloud

À medida que a carga de trabalho aumenta, o número de requisições SQL também cresce, elevando as métricas de monitoramento do banco de dados. Como muitas requisições compartilham características semelhantes, torna-se difícil identificar individualmente as problemáticas usando apenas o recurso de análise completa de SQL. O recurso de abnormal SQL request identification do Database Autonomy Service (DAS) usa machine learning para agrupar e filtrar consultas SQL. Isso permite localizar requisições SQL anormais de forma rápida e precisa.

Pré-requisitos

A instância executa uma das seguintes versões:
- ApsaraDB RDS for MySQL 5.6, 5,7 ou 8,0
- ApsaraDB MyBase for MySQL 5.6, 5,7 ou 8,0
O serviço de autonomia do DAS está ativado para a instância. Para mais informações, consulte Central de Autonomia.
O DAS Enterprise Edition está ativado para a instância. Para mais informações, consulte Ativar Enterprise Edition.

Cenários

Cenário: sua carga de trabalho inclui um grande número de modelos SQL. Independentemente da ordenação aplicada, é difícil encontrar rapidamente requisições SQL anormais. Na página SQL Performance Analysis, visualize métricas principais para cada modelo SQL na lista de consultas lentas, como tempo médio de execução, porcentagem, contagem de execuções, média de linhas verificadas e média de linhas retornadas, além de um gráfico de tendência de execução. Procure requisições SQL anormais com aumento repentino no tempo de execução no gráfico de tendências, como consultas lentas cujo tempo médio excede 4 segundos. Clique em Optimize na linha correspondente para diagnosticar e otimizar a consulta.

Solução: o recurso de abnormal SQL request identification ajuda a localizar problemas de desempenho rapidamente de duas maneiras:

Abordagem 1: quando o negócio processa um grande volume de requisições, o DAS classifica os modelos SQL com base no comportamento das requisições. Por exemplo, se houver centenas de páginas de modelos SQL e a ordenação não ajudar a identificar os problemáticos, utilize o recurso de abnormal SQL request identification. O DAS usa algoritmos de backend para identificar padrões comportamentais semelhantes e agrupar os modelos SQL, melhorando a eficiência da solução de problemas. A página de análise de requisições SQL exibe uma tabela ordenada por correlação de uso de CPU. A tabela inclui colunas como Gráfico agregado (gráfico de tendências), Número de modelos SQL, Latência média, Proporção de contagem de execuções, Linhas verificadas e Proporção de latência.
Abordagem 2: o recurso de abnormal SQL request identification auxilia na investigação de problemas ao correlacionar o comportamento do SQL com anomalias de métricas. O gráfico a seguir mostra a tendência de uma métrica anormal. Nele, os picos de utilização de CPU e sessões ativas coincidem com uma queda repentina nas requisições de uma categoria específica de modelo SQL. Isso indica que as requisições dessa categoria estão bloqueadas durante o pico de sessões ativas.

Procedimento

Faça login no console do DAS.
No painel de navegação à esquerda, clique em Intelligent O&M Center > Instance Monitoring.
Localize a instância desejada e clique no ID da instância para abrir a página de detalhes.
No painel de navegação à esquerda, clique em Autonomy Center.
Selecione um intervalo de tempo para visualizar os eventos desse período.

Para um evento de time series exception detection, por exemplo, clique em Details.
1. Clique na aba Anomaly Snapshots. Na seção Analysis of Abnormal Metrics, visualize as causas da anomalia e as alterações relacionadas nas métricas.
2. Na área Performance Metrics, selecione diferentes categorias de métricas anormais para visualizar sua distribuição.
3. Na área SQL Request Behavior Analysis, selecione uma métrica e suas métricas associadas para análise.
  
  O DAS analisa dados dos 1.000 principais modelos SQL, classificados pelo tempo total de execução. Como esse recurso depende dos dados de análise completa de SQL do DAS Enterprise Edition, a análise geralmente leva de 1 a 5 minutos, dependendo do volume de dados e do tempo de computação disponível.
4. Visualize os resultados da análise.
  
  É possível ver as métricas SQL mais correlacionadas com a anomalia, juntamente com os modelos SQL relacionados e suas estatísticas.
  
  Nota
  Um valor de correlação mais próximo de 1,00 indica uma associação mais forte com a anomalia.

Interpretar os resultados

Com a identificação de requisições SQL anormais, observe as tendências de flutuação para modelos SQL semelhantes.

Embora esta categoria de requisição SQL apresente um pico breve, seu momento não coincide com o pico da métrica. Portanto, essa categoria não é considerada a causa principal da anomalia da métrica, conforme mostrado na figura a seguir. Os resultados da identificação de requisições SQL anormais são exibidos em uma tabela com duas abas: contagem de execuções e linhas verificadas. A tabela lista os modelos SQL por categoria agregada, como count_type_1 a count_type_4, e fornece métricas como Número de modelos SQL, Latência média, Proporção de contagem de execuções, Similaridade de uso de CPU, Similaridade de uso de IOPS, Linhas verificadas e Proporção de latência. Clique em View para ver mais detalhes.
O gráfico mostra que os picos de utilização de CPU e sessões ativas coincidem com uma queda repentina nas requisições de uma categoria de modelo SQL. Isso indica que as requisições SQL dessa categoria provavelmente estão bloqueadas quando o número de sessões ativas aumenta abruptamente.