Ukázkové dotazy pro monitorování aktivity SQL Warehouse

Pomocí těchto ukázkových dotazů SQL se systémovými tabulkami můžete monitorovat výkon, využití a náklady SQL Warehouse. Upravte dotazy tak, aby vyhovovaly potřebám vaší organizace. Přidejte upozornění pro obdržení oznámení o neočekávaných hodnotách.

Požadavky

Musíte mít přístup k systémovým tabulkám. Požadavky najdete v tématu Monitorování aktivity účtu pomocí systémových tabulek .
Většina systémových tabulek vyžaduje, aby účet měl povolený katalog Unity.

Tabulky pro monitorování SQL Warehouse

Systémová tabulka	Description
`system.compute.warehouse_events`	Sleduje události spuštění, zastavení, vertikálního navýšení kapacity a vertikálního snížení kapacity skladu.
`system.compute.warehouses`	Obsahuje snímky konfigurací skladu.
`system.query.history`	Zaznamenává údaje o všech dotazech spuštěných ve službě SQL Warehouse.
`system.billing.usage`	Obsahuje záznamy o fakturaci pro všechny využití Azure Databricks.

Příklad: Využití skladu

Následující dotazy vám pomůžou pochopit, jak je váš sklad využíván, včetně dotazů, uživatelů a aplikací, které způsobují nejvíce aktivit.

Najděte nejpomalejší dotazy v datovém skladu

SELECT
  statement_id,
  executed_by,
  statement_type,
  execution_status,
  total_duration_ms,
  execution_duration_ms,
  compilation_duration_ms,
  waiting_at_capacity_duration_ms,
  read_rows,
  produced_rows,
  start_time,
  statement_text
FROM
  system.query.history
WHERE
  compute.warehouse_id = '<warehouse-id>'
  AND start_time >= NOW() - INTERVAL 1 DAY
ORDER BY
  total_duration_ms DESC
LIMIT 50

Analýza trendů výkonu dotazů v průběhu času

SELECT
  DATE(start_time) AS query_date,
  COUNT(*) AS total_queries,
  COUNT(CASE WHEN execution_status = 'FINISHED' THEN 1 END) AS successful_queries,
  COUNT(CASE WHEN execution_status = 'FAILED' THEN 1 END) AS failed_queries,
  ROUND(AVG(total_duration_ms), 0) AS avg_duration_ms,
  ROUND(PERCENTILE(total_duration_ms, 0.5), 0) AS p50_duration_ms,
  ROUND(PERCENTILE(total_duration_ms, 0.95), 0) AS p95_duration_ms,
  ROUND(AVG(waiting_at_capacity_duration_ms), 0) AS avg_queue_wait_ms
FROM
  system.query.history
WHERE
  compute.warehouse_id = '<warehouse-id>'
  AND start_time >= NOW() - INTERVAL 30 DAY
GROUP BY
  DATE(start_time)
ORDER BY
  query_date DESC

Vyhledání nejaktivnějších uživatelů ve skladu

SELECT
  executed_by,
  COUNT(*) AS query_count,
  ROUND(SUM(total_duration_ms) / 1000 / 60, 2) AS total_duration_minutes,
  ROUND(AVG(total_duration_ms), 0) AS avg_duration_ms
FROM
  system.query.history
WHERE
  compute.warehouse_id = '<warehouse-id>'
  AND start_time >= NOW() - INTERVAL 7 DAY
GROUP BY
  executed_by
ORDER BY
  query_count DESC

Vyhledání hlavních klientských aplikací

SELECT
  client_application,
  CASE
    WHEN query_source.job_info.job_id IS NOT NULL THEN 'Job'
    WHEN query_source.dashboard_id IS NOT NULL THEN 'Dashboard'
    WHEN query_source.legacy_dashboard_id IS NOT NULL THEN 'Legacy Dashboard'
    WHEN query_source.alert_id IS NOT NULL THEN 'Alert'
    WHEN query_source.notebook_id IS NOT NULL THEN 'Notebook'
    WHEN query_source.genie_space_id IS NOT NULL THEN 'Genie Space'
    WHEN query_source.sql_query_id IS NOT NULL THEN 'SQL Editor'
    ELSE 'Other'
  END AS source_type,
  COUNT(*) AS query_count,
  ROUND(AVG(total_duration_ms), 0) AS avg_duration_ms
FROM
  system.query.history
WHERE
  compute.warehouse_id = '<warehouse-id>'
  AND start_time >= NOW() - INTERVAL 7 DAY
GROUP BY
  client_application,
  source_type
ORDER BY
  query_count DESC

Monitorování neúspěšných dotazů

SELECT
  DATE(start_time) AS failure_date,
  execution_status,
  error_message,
  COUNT(*) AS failure_count,
  COLLECT_SET(executed_by) AS affected_users
FROM
  system.query.history
WHERE
  compute.warehouse_id = '<warehouse-id>'
  AND execution_status IN ('FAILED', 'CANCELED')
  AND start_time >= NOW() - INTERVAL 7 DAY
GROUP BY
  DATE(start_time),
  execution_status,
  error_message
ORDER BY
  failure_date DESC,
  failure_count DESC

Příklad: Určení velikosti skladu

Pomocí následujících dotazů určete, jestli je váš sklad správně velký. Dotazy čekající na kapacitu naznačují, že je potřeba zvýšit max_clusters. Dotazy s nadměrným využitím diskového prostoru naznačují, že potřebujete zvětšit velikost datového skladu.

Identifikace dotazů čekajících na kapacitu

Dotazy s vysokými waiting_at_capacity_duration_ms hodnotami tráví čas ve frontě místo běhu. Zvažte zvýšení nastavení skladu max_clusters , aby se sklad mohl škálovat.

SELECT
  statement_id,
  executed_by,
  total_duration_ms,
  waiting_at_capacity_duration_ms,
  execution_duration_ms,
  start_time,
  statement_text
FROM
  system.query.history
WHERE
  compute.warehouse_id = '<warehouse-id>'
  AND start_time >= NOW() - INTERVAL 7 DAY
  AND waiting_at_capacity_duration_ms > 0
ORDER BY
  waiting_at_capacity_duration_ms DESC
LIMIT 50

Identifikace dotazů s nadměrným přetokem na disk

K přelití disku dochází v případě, že dotaz vyžaduje více paměti, než je k dispozici. Zvažte zvětšení velikosti skladu, abyste dotazům poskytli více paměti. Nadměrné přelití obvykle znamená, že dotazy potřebují optimalizaci nebo že velikost skladu je pro danou úlohu příliš malá.

SELECT
  statement_id,
  executed_by,
  spilled_local_bytes / (1024 * 1024) AS spilled_mb,
  read_bytes / (1024 * 1024) AS read_mb,
  total_duration_ms,
  start_time,
  statement_text
FROM
  system.query.history
WHERE
  compute.warehouse_id = '<warehouse-id>'
  AND start_time >= NOW() - INTERVAL 7 DAY
  AND spilled_local_bytes > 0
ORDER BY
  spilled_local_bytes DESC
LIMIT 50

Příklad: Náklady na sklad

Následující dotazy vám pomůžou pochopit a sledovat náklady spojené s vašimi sklady SQL.

Monitorování nákladů na sklad po dnech

SELECT
  usage_date,
  sku_name,
  ROUND(SUM(usage_quantity), 2) AS total_dbus,
  ROUND(SUM(usage_quantity * list_prices.pricing.default), 2) AS estimated_list_cost
FROM
  system.billing.usage
  LEFT JOIN system.billing.list_prices ON usage.sku_name = list_prices.sku_name
    AND price_end_time IS NULL
WHERE
  usage_metadata.warehouse_id = '<warehouse-id>'
  AND usage_date >= NOW() - INTERVAL 30 DAY
GROUP BY
  usage_date,
  sku_name
ORDER BY
  usage_date DESC

Korelace událostí skladu s objemem dotazů

Tento dotaz vám pomůže pochopit vztah mezi událostmi škálování skladu a aktivitou dotazů za účelem identifikace příležitostí optimalizace nákladů.

WITH hourly_events AS (
  SELECT
    DATE_TRUNC('hour', event_time) AS event_hour,
    warehouse_id,
    MAX(cluster_count) AS max_clusters,
    COLLECT_SET(event_type) AS event_types
  FROM
    system.compute.warehouse_events
  WHERE
    warehouse_id = '<warehouse-id>'
    AND event_time >= NOW() - INTERVAL 7 DAY
  GROUP BY
    DATE_TRUNC('hour', event_time),
    warehouse_id
),
hourly_queries AS (
  SELECT
    DATE_TRUNC('hour', start_time) AS query_hour,
    COUNT(*) AS query_count,
    ROUND(AVG(total_duration_ms), 0) AS avg_duration_ms,
    ROUND(AVG(waiting_at_capacity_duration_ms), 0) AS avg_queue_wait_ms
  FROM
    system.query.history
  WHERE
    compute.warehouse_id = '<warehouse-id>'
    AND start_time >= NOW() - INTERVAL 7 DAY
  GROUP BY
    DATE_TRUNC('hour', start_time)
)
SELECT
  COALESCE(e.event_hour, q.query_hour) AS hour,
  q.query_count,
  q.avg_duration_ms,
  q.avg_queue_wait_ms,
  e.max_clusters,
  e.event_types
FROM
  hourly_events e
  FULL OUTER JOIN hourly_queries q ON e.event_hour = q.query_hour
ORDER BY
  hour DESC

Váš názor

Byla tato stránka užitečná?

Last updated on 2026-03-15