Megosztás a következőn keresztül:


Intelligent Insights: mesterséges intelligencia használata az adatbázis teljesítményének monitorozásához és hibaelhárításához (előzetes verzió)

A következőre vonatkozik: Azure SQL DatabaseFelügyelt Azure SQL-példány

Az Azure SQL Database és az Azure SQL Managed Instance intelligens Elemzések segítségével megtudhatja, mi történik az adatbázis teljesítményével.

Az Intelligent Insights beépített intelligenciát használ az adatbázis-használat folyamatos, mesterséges intelligenciával történő monitorozásához, és észleli a zavaró eseményeket, amelyek miatt csökken a teljesítmény. Az észlelés után részletes elemzést végez, amely létrehoz egy SQL Elemzések nevű intelligens Elemzések erőforrásnaplót (amely nem kapcsolódik az Azure Monitor SQL-Elemzések -hoz (előzetes verzió)) a problémák intelligens értékelésével. Ez az értékelés az adatbázis teljesítményproblémájának alapvető okainak elemzéséből és lehetőség szerint a teljesítményjavításra vonatkozó javaslatokból áll.

Mit tehet önért az Intelligens Elemzések?

Az intelligens Elemzések az Azure beépített intelligenciájának egyedi képessége, amely a következő értéket biztosítja:

  • Proaktív figyelés
  • Személyre szabott teljesítményelemzések
  • Az adatbázis teljesítményének romlásának korai észlelése
  • Az észlelt problémák alapvető okainak elemzése
  • Teljesítményjavítási javaslatok
  • Vertikális felskálázási képesség több százezer adatbázison
  • Pozitív hatás a DevOps-erőforrásokra és a teljes tulajdonosi költségre

Hogyan működik az intelligens Elemzések?

Az intelligens Elemzések az adatbázis teljesítményét elemzi az elmúlt óra adatbázis-számítási feladatainak és az elmúlt hét napos alapkonfiguráció számítási feladatának összehasonlításával. Az adatbázis számítási feladatai olyan lekérdezésekből állnak, amely az adatbázis teljesítményének szempontjából a legjelentősebb, például a legismétlésesebb és legnagyobb lekérdezésekből áll. Mivel minden adatbázis egyedi a struktúrája, az adatai, a használata és az alkalmazása alapján, minden létrehozott számítási feladat alapkonfigurációja egyedi és egyedi az adott számítási feladatra vonatkozóan. Az intelligens Elemzések a számítási feladat alapkonfigurációtól függetlenül figyeli az abszolút működési küszöbértékeket, és észleli a túlzott várakozási idővel, a kritikus kivételekkel és a lekérdezésparaméterezésekkel kapcsolatos problémákat, amelyek hatással lehetnek a teljesítményre.

Miután a rendszer mesterséges intelligencia használatával több megfigyelt metrikából észlel teljesítménycsökkenési problémát, elemzést végez. A diagnosztikai naplók intelligens betekintést nyernek az adatbázissal kapcsolatos eseményekbe. Az intelligens Elemzések megkönnyíti az adatbázis teljesítményproblémájának nyomon követését az első megjelenésétől a megoldásig. Minden észlelt problémát nyomon követ a rendszer az életciklusán keresztül, a kezdeti problémaészleléstől és a teljesítmény javításának ellenőrzésétől a befejezésig.

Database performance analysis workflow

Az adatbázis teljesítményproblémáinak mérésére és észlelésére használt metrikák a lekérdezés időtartamán, az időtúllépési kérelmeken, a túlzott várakozási időken és a hibás kérelmeken alapulnak. A metrikákkal kapcsolatos további információkért lásd : Észlelési metrikák.

Az azonosított adatbázis-teljesítménycsökkenéseket az Intelligens Elemzések SQL Elemzések naplóban rögzíti a rendszer az alábbi tulajdonságokból álló intelligens bejegyzésekkel:

Tulajdonság Részletek
Adatbázis adatai Metaadatok egy adatbázisról, amelyen megállapítást észleltek, például egy erőforrás URI-ja.
Megfigyelt időtartomány Az észlelt megállapítás időszakának kezdő és befejező időpontja.
Érintett metrikák Elemzést eredményező metrikák:
  • A lekérdezés időtartamának növekedése [másodperc].
  • Túlzott várakozás [másodperc].
  • Időtúllépési kérelmek [százalék].
  • Hibásan teljesített kérések [százalék].
Hatásérték Egy mért metrika értéke.
Érintett lekérdezések és hibakódok Lekérdezés kivonata vagy hibakódja. Ezekkel könnyen korrelálhat az érintett lekérdezésekkel. A lekérdezések időtartamának növeléséből, a várakozási időből, az időtúllépések számából vagy a hibakódokból álló metrikák jelennek meg.
Nyomozás Az adatbázison egy esemény során azonosított észlelés. 15 észlelési minta létezik. További információ: Az intelligens Elemzések adatbázis-teljesítményével kapcsolatos problémák elhárítása.
Root cause analysis Az emberi olvasásra alkalmas formátumban azonosított probléma alapvető okainak elemzése. Egyes elemzések lehetőség szerint teljesítményjavítási javaslatot is tartalmazhatnak.

Az intelligens Elemzések az adatbázis teljesítményproblémáinak felderítésében és elhárításában is kiviláglik. Az intelligens Elemzések az adatbázis teljesítményével kapcsolatos problémák elhárításához tekintse meg az Intelligens Elemzések teljesítményproblémáinak elhárítását.

Intelligens Elemzések lehetőségek

Az intelligens Elemzések lehetőségek a következők:

Intelligens Elemzések lehetőség Az Azure SQL Database támogatása Felügyelt Azure SQL-példány támogatása
Intelligens Elemzések konfigurálása – Intelligens Elemzések-elemzés konfigurálása az adatbázisokhoz. Igen Igen
Stream insights to Azure SQL Analytics – Stream insights to Azure SQL Analytics. Igen Igen
Elemzések streamelése az Azure Event Hubsba – Elemzések streamelése az Event Hubsba további egyéni integrációkhoz. Igen Igen
Stream insights to Azure Storage – Stream insights to Azure Storage további elemzéshez és hosszú távú archiváláshoz. Igen Igen

Megjegyzés:

Az intelligens elemzések előzetes verziójú funkciók, amelyek nem érhetők el a következő régiókban: Nyugat-Európa, Észak-Európa, USA 1. nyugati régiója és USA 1. keleti régiója.

Az Intelligens Elemzések napló exportálásának konfigurálása

Az intelligens Elemzések kimenete több elemzési célhely egyikére streamelhető:

  • A Log Analytics-munkaterületre streamelt kimenet az Azure SQL Analytics segítségével az Azure Portal felhasználói felületén keresztül tekintheti meg az elemzéseket. Ez az integrált Azure-megoldás, és az elemzések megtekintésének legjellemzőbb módja.
  • Az Azure Event Hubsba streamelt kimenet egyéni monitorozási és riasztási forgatókönyvek fejlesztésére használható
  • Az Azure Storage-ba streamelt kimenet egyéni alkalmazásfejlesztéshez használható egyéni jelentéskészítéshez, hosszú távú adatarchiváláshoz stb.

Az Azure SQL Analytics, az Azure Event Hubs, az Azure Storage vagy a külső gyártók által használt termékek integrálásához először engedélyezni kell az intelligens Elemzések naplózást (az "SQL Elemzések" naplót) az adatbázis Diagnosztikai beállítások lapján, majd konfigurálja az intelligens Elemzések naplóadatokat, hogy ezek egyikébe streameljenek.

Az intelligens Elemzések naplózás engedélyezéséről, valamint a mérőszám- és erőforrásnapló-adatok fogyasztó termékbe való streameléséhez való konfigurálásáról további információt a Metrikák és diagnosztikai naplózás című témakörben talál.

Beállítás az Azure SQL Analytics használatával

Az Azure SQL Analytics-megoldás grafikus felhasználói felületet, jelentéskészítési és riasztási képességeket biztosít az adatbázis teljesítményéhez az intelligens Elemzések erőforrásnapló-adatok használatával.

Azure SQL Analytics hozzáadása az Azure Portal irányítópultjához a piactérről, és munkaterület létrehozása: az Azure SQL Analytics konfigurálása

Ha intelligens Elemzések szeretne használni az Azure SQL Analyticsszel, konfigurálja az intelligens Elemzések naplóadatokat az előző lépésben létrehozott Azure SQL Analytics-munkaterületre való streameléshez, lásd: Metrikák és diagnosztikai naplózás.

Az alábbi példa egy Intelligens Elemzések jelenít meg az Azure SQL Analyticsben:

Intelligent Insights report

Beállítás az Event Hubs használatával

Ha intelligens Elemzések szeretne használni az Event Hubs használatával, konfigurálja az Intelligens Elemzések naplóadatokat az Event Hubsba való streameléshez, lásd a metrikák és diagnosztikai naplózás, valamint az Azure diagnosztikai naplóinak az Event Hubsba történő streamelését.

Ha az Event Hubs használatával szeretne egyéni monitorozást és riasztást beállítani, tekintse meg a metrikákkal és diagnosztikai naplókkal kapcsolatos teendőket az Event Hubsban.

Beállítás az Azure Storage-ral

Ha intelligens Elemzések szeretne használni a Storage szolgáltatással, konfigurálja az Intelligens Elemzések naplóadatokat a Storage-ba való streameléshez, tekintse meg a metrikák és diagnosztikai naplózás, valamint az Azure Storage-ba történő streamelés című témakört.

Intelligens Elemzések napló egyéni integrációi

Az Intelligens Elemzések külső eszközökkel való használatához, illetve az egyéni riasztási és monitorozási fejlesztéshez lásd az Intelligens Elemzések adatbázis teljesítménydiagnosztikai naplójának használatát.

Észlelési metrikák

Az intelligens Elemzések létrehozó észlelési modellekhez használt metrikák a monitorozáson alapulnak:

  • Lekérdezés időtartama
  • Időtúllépési kérelmek
  • Túlzott várakozási idő
  • Hibás kérelmek

A lekérdezések időtartama és időtúllépési kérelmei elsődleges modellként szolgálnak az adatbázis számítási feladatainak teljesítményével kapcsolatos problémák észleléséhez. Azért használják őket, mert közvetlenül mérik, hogy mi történik a számítási feladattal. A számítási feladatok teljesítménycsökkenésének összes lehetséges esetének észleléséhez a rendszer további modellként használja a túlzott várakozási időt és a hibás kérelmeket a számítási feladatok teljesítményét befolyásoló problémák jelzésére.

A rendszer automatikusan figyelembe veszi a számítási feladat módosításait és az adatbázishoz küldött lekérdezési kérelmek számának változásait a normál és a szokásostól eltérő adatbázis-teljesítmény küszöbértékek dinamikus meghatározásához.

A különböző kapcsolatokban az összes metrikát egy tudományosan származtatott adatmodellen keresztül tekintjük át, amely kategorizálja az egyes észlelt teljesítményproblémákat. Az intelligens megállapításokon keresztül nyújtott információk közé tartoznak a következők:

  • Az észlelt teljesítménnyel kapcsolatos probléma részletei.
  • Az észlelt probléma alapvető okelemzése.
  • Javaslatok, hogy lehetőség szerint hogyan javíthatja a figyelt adatbázis teljesítményét.

Lekérdezés időtartama

A lekérdezések időtartamának romlási modellje elemzi az egyes lekérdezéseket, és észleli a lekérdezés fordításához és végrehajtásához szükséges idő növekedését a teljesítménykonfigurációhoz képest.

Ha a beépített intelligencia jelentős növekedést észlel a lekérdezésfordítási vagy lekérdezés-végrehajtási időben, amely hatással van a számítási feladatok teljesítményére, ezeket a lekérdezéseket a rendszer a lekérdezések időtartamának teljesítménycsökkenésével kapcsolatos problémákként jelöli meg.

Az Intelligens Elemzések diagnosztikai napló a lekérdezés teljesítménycsökkenésének lekérdezési kivonatát adja ki. A lekérdezés kivonata azt jelzi, hogy a teljesítménycsökkenés a lekérdezés fordításához vagy a végrehajtási idő növekedéséhez volt-e köze, ami megnövelte a lekérdezések időtartamát.

Időtúllépési kérelmek

Az időtúllépési kérelmek romlási modellje elemzi az egyes lekérdezéseket, és észleli az időtúllépések növekedését a lekérdezések végrehajtási szintjén, valamint az adatbázis szintjén a teljes kérelem-időtúllépést a teljesítmény alapidőszakához képest.

Egyes lekérdezések még a végrehajtási fázis elérése előtt is időtúllépést eredményezhetnek. A megszakított feldolgozók és a kérések révén a beépített intelligencia méri és elemzi az adatbázishoz elért összes lekérdezést, függetlenül attól, hogy a végrehajtási fázisba jutottak-e.

Miután a végrehajtott lekérdezések időtúllépéseinek száma vagy a megszakított kérelmek feldolgozóinak száma túllépte a rendszer által felügyelt küszöbértéket, a diagnosztikai napló intelligens megállapításokkal lesz feltöltve.

A létrehozott elemzések tartalmazzák az időtúllépési kérelmek számát és az időtúllépéses lekérdezések számát. A teljesítménycsökkenés jelzése a végrehajtási szakaszban az időtúllépés növekedésével vagy a teljes adatbázisszinttel kapcsolatos. Ha az időtúllépések növekedése jelentősnek számít az adatbázis teljesítményében, ezek a lekérdezések időtúllépési teljesítménycsökkenési problémákként vannak megjelölve.

Túl sok várakozási idő

A túlzott várakozási idő modell figyeli az egyes adatbázis-lekérdezéseket. Szokatlanul magas lekérdezési várakozási statisztikákat észlel, amelyek átlépték a rendszer által kezelt abszolút küszöbértékeket. A lekérdezéstár várakozási statisztikáinak (sys.query_store_wait_stats) használatával a következő lekérdezési várakozási idő metrikái figyelhetők meg:

  • Erőforráskorlátok elérése
  • Rugalmas készlet erőforráskorlátainak elérése
  • Túl sok munkavégző vagy munkamenetszál
  • Túlzott adatbázis-zárolás
  • Memory pressure
  • Egyéb várakozási statisztikák

Az erőforráskorlátok vagy a rugalmas készlet erőforráskorlátainak elérése azt jelzi, hogy az előfizetésben vagy a rugalmas készletben elérhető erőforrások felhasználása átlépte az abszolút küszöbértékeket. Ezek a statisztikák a számítási feladatok teljesítménycsökkenését jelzik. A feldolgozói vagy munkamenet-szálak túlzott száma azt a feltételt jelöli, amelyben a munkaszálak vagy munkamenetek által kezdeményezett munkamenetek száma átlépte az abszolút küszöbértékeket. Ezek a statisztikák a számítási feladatok teljesítménycsökkenését jelzik.

A túlzott adatbázis-zárolás azt a feltételt jelöli, amelyben az adatbázis zárolásainak száma átlépte az abszolút küszöbértékeket. Ez a statisztika a számítási feladatok teljesítménycsökkenését jelzi. A memóriaterhelés olyan állapot, amelyben a memóriát kérő szálak száma átlépte az abszolút küszöbértéket. Ez a statisztika a számítási feladatok teljesítménycsökkenését jelzi.

Más várakozási statisztikák észlelése azt a feltételt jelzi, amelyben a lekérdezéstár várakozási statisztikáin mért egyéb metrikák átlépték az abszolút küszöbértéket. Ezek a statisztikák a számítási feladatok teljesítménycsökkenését jelzik.

A túlzott várakozási idők észlelése után az intelligens Elemzések diagnosztikai naplókimenet kivonatokat ad a teljesítményben érintett és érintett lekérdezésekről, a lekérdezések végrehajtásában várakozást okozó metrikák részleteiről és a mért várakozási időről.

Hibás kérések

A hibás kérelmek romlási modellje figyeli az egyes lekérdezéseket, és az alapidőszakhoz képest növeli a hibás lekérdezések számát. Ez a modell a beépített intelligencia által kezelt abszolút küszöbértékeket átlépő kritikus kivételeket is figyeli. A rendszer automatikusan figyelembe veszi az adatbázishoz érkező lekérdezési kérelmek számát, és figyelembe veszi a figyelt időszak számítási feladatainak változásait.

Ha a hibás kérelmek számának a számítási feladatok teljesítményéhez viszonyított mért növekedése jelentősnek minősül a számítási feladatok teljesítményében, az érintett lekérdezések hibás kérések teljesítménycsökkenési problémáiként vannak megjelölve.

Az Intelligens Elemzések napló a hibás kérelmek számát adja ki. Azt jelzi, hogy a teljesítménycsökkenés a hibás kérelmek számának növekedésével, vagy a figyelt kritikus kivétel küszöbértékének átlépésével és a teljesítménycsökkenés mért idejével volt-e összefüggésben.

Ha a figyelt kritikus kivételek bármelyike átlépi a rendszer által kezelt abszolút küszöbértékeket, a rendszer intelligens megállapítást hoz létre a kritikus kivétel részleteivel.

További lépések