Todos os produtos
Search

Este produto

    Database Autonomy Service:Detecção de anomalias

    Central de documentação

    Database Autonomy Service:Detecção de anomalias

    Última atualização: Jul 09, 2026

    A detecção oportuna de anomalias em bancos de dados é essencial para as operações e manutenção diárias. O Database Autonomy Service (DAS) oferece um recurso de detecção de anomalias que usa machine learning e dados de monitoramento detalhados para identificar irregularidades automaticamente 24 horas por dia, sem necessidade de ativação manual. Em comparação com alertas baseados em regras ou limiares, esse recurso detecta alterações anormais nos bancos de dados com muito mais agilidade.

    Pré-requisitos

    • A instância de banco de dados de destino deve ser de um dos seguintes tipos:

      Database

      Region

      • ApsaraDB RDS for MySQL

      • MyBase for MySQL

      • Public cloud

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), , China (Fuzhou - Local Region - Decommissioning), China (Chengdu), China (Zhengzhou), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Malaysia (Johor), Indonesia (Jakarta), Philippines (Manila), Thailand (Bangkok), UAE (Dubai), Saudi Arabia (Riyadh), Germany (Frankfurt), US (Silicon Valley), US (Virginia), UK (London), and Mexico

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance, and China North 2 Finance (invitation-only preview)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      • General Industry Cloud

        China (Ulanqab)

      ApsaraDB RDS for PostgreSQL

      • Public cloud

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), Philippines (Manila), UAE (Dubai), Germany (Frankfurt), US (Silicon Valley), US (Virginia), and UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, and China South 1 Finance

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      ApsaraDB RDS for SQL Server

      • Public cloud

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), UAE (Dubai), Germany (Frankfurt), US (Silicon Valley), US (Virginia), and UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, and China South 1 Finance

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      PolarDB for MySQL Standard Edition and Enterprise Cluster Edition

      • Public cloud

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), Philippines (Manila), Germany (Frankfurt), US (Silicon Valley), US (Virginia), and UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance, and China North 2 Finance (invitation-only preview)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      • Community Edition

      • Tair (Enterprise Edition) Memory-optimized

      • Public cloud

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Malaysia (Johor), Indonesia (Jakarta), Philippines (Manila), Thailand (Bangkok), UAE (Dubai), Saudi Arabia (Riyadh), Germany (Frankfurt), US (Silicon Valley), US (Virginia), and UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance, and China North 2 Finance (invitation-only preview)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      Tair (Enterprise Edition) Persistent memory-optimized and disk-based

      • Public cloud

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Beijing), China (Zhangjiakou), China (Hong Kong), Singapore, Germany (Frankfurt), and US (Virginia)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      MongoDB

      • Public cloud

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), China (Chengdu), China (Hong Kong), Japan (Tokyo), South Korea (Seoul), Singapore, Malaysia (Kuala Lumpur), Indonesia (Jakarta), Philippines (Manila), Thailand (Bangkok), Malaysia (Johor), Germany (Frankfurt), UK (London), Saudi Arabia (Riyadh), UAE (Dubai), Mexico, US (Virginia), US (Atlanta), and US (Silicon Valley)

    • A instância de banco de dados de destino está registrada no DAS e o status da conexão é Normal Access.

      Nota

      Para obter mais informações sobre como registrar uma instância de banco de dados, consulte Conectar um banco de dados Alibaba Cloud ao DAS.

    Recursos

    Este recurso usa machine learning e dados de monitoramento detalhados para fornecer detecção automática de anomalias 24 horas por dia, sem necessidade de ativação manual. Comparado a alertas baseados em regras ou limiares, ele identifica alterações anormais no banco de dados com muito mais rapidez.

    Item

    Alertas tradicionais

    Detecção de anomalias do DAS

    Método

    Baseado em regras e limiares.

    Baseado em IA.

    Escopo de detecção

    Principalmente métricas de monitoramento.

    Métricas de monitoramento, instruções SQL, logs, bloqueios e eventos de operações e manutenção.

    Tempestividade

    Pelo menos 5 minutos, podendo chegar a um dia.

    Quase em tempo real.

    Princípio de detecção

    Orientado a falhas.

    Orientado a anomalias.

    Reconhecimento de padrões periódicos

    Não suportado.

    Automático.

    Adaptabilidade

    Não se adapta às características do negócio.

    Adapta-se às características do negócio.

    Capacidade preditiva

    Indisponível.

    Disponível.

    Visualizar resultados da detecção de anomalias

    No Autonomy Center do DAS, visualize os eventos anômalos detectados em um intervalo de tempo especificado.

    1. Faça login no console do DAS.

    2. No painel de navegação à esquerda, clique em Intelligent O&M Center > Instance Monitoring.

    3. Localize a instância de destino e clique em ID da instância para abrir a página de detalhes.

    4. No painel de navegação à esquerda, clique em Autonomy Center.

    5. Selecione um intervalo de tempo para visualizar os eventos anômalos detectados nesse período.

    Ativar assinatura de eventos

    Após ativar a assinatura de eventos, o DAS envia notificações pelos canais configurados, como mensagens SMS, sempre que eventos anômalos forem detectados. Isso ajuda a identificar prontamente alterações anormais no banco de dados. Para obter mais informações, consulte Ativar assinatura de eventos.

    Nota

    Eventos anômalos possuem nível de severidade Warning. Ajuste o nível de severidade das notificações de eventos conforme suas necessidades.

    Perguntas frequentes

    • Nos Anomaly Snapshots de um evento de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection), como é calculado o múltiplo de alteração das métricas na seção Analysis of Abnormal Metrics?

      Change multiple = Actual metric value / Predicted metric value. O DAS usa dados históricos horários da instância de banco de dados para prever o valor atual da métrica. O valor previsto serve como linha de base e é comparado com o valor real da métrica para calcular o múltiplo de alteração. Na tabela Related Information da página Anomaly Snapshot > Analysis of Abnormal Metrics, a coluna Related Metrics exibe o nome de cada métrica junto com seu múltiplo de alteração percentual, como mysql.innodb_rows_read↑112890276.00%, mysql.innodb_rows_updated↑122309.00%, mysql.select_ps↑576.00%, mysql.cpu_usage↑8444.00% e mysql.active_session↑1711.00%.

    • Por que uma instância ou nó recém-criado com tráfego estável aciona muitos eventos de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection)?

      O recurso de detecção de anomalias do DAS primeiro constrói um modelo de previsão com base nos dados históricos da instância e depois usa esse modelo para detectar anomalias. Para uma instância ou nó recém-criado, os dados de desempenho de linha de base são relativamente baixos. Consequentemente, o modelo de previsão construído a partir desses dados também apresenta uma linha de base baixa. Quando as operações de negócio começam, as métricas podem desviar significativamente das previsões do modelo por um período, causando picos falsos e acionando eventos frequentes de detecção de anomalias.

      Nota

      Após o acúmulo de dados suficientes, o DAS reconstrói automaticamente um modelo de previsão mais preciso, e os eventos de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection) causados por picos falsos deixarão de ocorrer.

    • Por que um evento de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection) não é acionado mesmo quando as métricas de desempenho da instância mostram anomalias óbvias em poucos segundos?

      O recurso de detecção de anomalias do DAS usa dados médios no nível de minuto para a detecção. Anomalias que duram apenas alguns segundos podem ser suavizadas devido ao seu impacto mínimo nos dados médios, o que impede a detecção e não aciona um evento de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection).

    Documentação relacionada

    Use os recursos de autonomia do DAS para lidar automaticamente com anomalias no banco de dados.