Todos os produtos
Search

Este produto

    Database Autonomy Service:Detecção de anomalias

    Central de documentação

    Database Autonomy Service:Detecção de anomalias

    Última atualização: Oct 27, 2026

    A detecção oportuna de anomalias em bancos de dados é fundamental para o O&M diário. O Database Autonomy Service (DAS) oferece um service de detecção de anomalias que utiliza machine learning e dados de monitoramento de granularidade fina para identificar anomalias automaticamente, 24 horas por dia, 7 dias por semana, sem necessidade de ativação manual. Em comparação com alertas baseados em regras ou limiares, esse recurso detecta alterações anômalas em bancos de dados de forma muito mais ágil.

    Pré-requisitos

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

      Banco de dados

      Região

      • ApsaraDB RDS for MySQL

      • MyBase for MySQL

      • Nuvem pública

        China (Hangzhou), China (Shanghai), China (Shenzhen), China (Heyuan), China (Guangzhou), China (Qingdao), China (Beijing), China (Zhangjiakou), China (Hohhot), China (Ulanqab), 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) e Mexico

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance e China North 2 Finance (versão prévia apenas por convite)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      • General Industry Cloud

        China (Ulanqab)

      ApsaraDB RDS for PostgreSQL

      • Nuvem pública

        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) e UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance e China South 1 Finance

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      ApsaraDB RDS for SQL Server

      • Nuvem pública

        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) e UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance e China South 1 Finance

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      PolarDB for MySQL Standard Edition and Enterprise Cluster Edition

      • Nuvem pública

        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) e UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance e China North 2 Finance (versão prévia apenas por convite)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      • Community Edition

      • Tair (Enterprise Edition) Memory-optimized

      • Nuvem pública

        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) e UK (London)

      • Finance Cloud

        China East 1 Finance, China East 2 Finance, China South 1 Finance e China North 2 Finance (versão prévia apenas por convite)

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

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

      • Nuvem pública

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

      • Alibaba Gov Cloud

        China North 2 Ali Gov 1

      MongoDB

      • Nuvem pública

        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) e 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 mais informações sobre como registrar uma instância de banco de dados, consulte Connect an Alibaba Cloud database to DAS.

    Recursos

    Este recurso utiliza machine learning e dados de monitoramento de granularidade fina para oferecer detecção automática de anomalias 24 horas por dia, 7 dias por semana, sem necessidade de ativação manual. Em comparação com alertas baseados em regras ou limiares, ele detecta alterações anômalas em bancos de dados de forma muito mais ágil.

    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 O&M.

    Tempo de detecção

    No mínimo 5 minutos, podendo chegar a um dia.

    Quase em tempo real.

    Princípio de detecção

    Acionado por falhas.

    Acionado por 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.

    Visualize 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. Encontre a instância de destino e clique em ID da instância para abrir a página de detalhes da instância.

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

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

    Ative assinatura de eventos

    Após ative a assinatura de eventos, o DAS envia notificações pelos canais configurados, como mensagens SMS, quando eventos anômalos são detectados. Isso ajuda a identificar prontamente alterações anômalas no banco de dados. Para mais informações, consulte Ative event subscription.

    Nota

    Os eventos anômalos têm o nível de severidade Aviso. Ajuste o nível de severidade das notificações de eventos conforme necessário.

    Perguntas frequentes

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

      Change multiple = Actual metric value / Predicted metric value. O DAS usa dados históricos por hora 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 variação. Na tabela Related Information na página Anomaly Snapshot > Analysis of Abnormal Metrics, a coluna Related Metrics exibe o nome de cada métrica junto com seu múltiplo de variação 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 vários eventos de Monitoring Metric Anomaly Detection (Time Series Anomaly Detection)?

      O recurso de detecção de anomalias do DAS primeiro cria um modelo de previsão com base nos dados históricos da instância e, em seguida, usa esse modelo para a detecção de anomalias. Para uma instância ou nó recém-criado, os dados de desempenho de linha de base são relativamente baixos. Como resultado, 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 se desviar significativamente das previsões do modelo por um período, o que gera picos falsos e dispara 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 apresentam anomalias óbvias em poucos segundos?

      O recurso de detecção de anomalias do DAS utiliza dados médios por 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 o acionamento de 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 em bancos de dados.