Wawasan Cerdas menggunakan AI untuk memantau dan memecahkan masalah performa database (pratinjau)
Berlaku untuk:
Azure SQL DatabaseAzure SQL Managed Instance
Wawasan Cerdas di Azure SQL Database dan Azure SQL Managed Instance memungkinkan Anda mengetahui apa yang terjadi dengan performa database Anda.
Wawasan Cerdas menggunakan kecerdasan bawaan untuk terus memantau penggunaan database melalui kecerdasan buatan dan mendeteksi peristiwa yang mengganggu yang menyebabkan performa buruk. Setelah terdeteksi, analisis mendetail dilakukan yang menghasilkan log sumber daya Wawasan Cerdas yang disebut SQLInsights (tidak terkait dengan Wawasan SQL Azure Monitor (pratinjau)) dengan penilaian cerdas terhadap masalah tersebut. Penilaian ini terdiri dari analisis akar penyebab masalah performa database dan, jika memungkinkan, rekomendasi untuk peningkatan performa.
Apa yang dapat dilakukan Wawasan Cerdas untuk Anda?
Wawasan Cerdas adalah kemampuan unik kecerdasan bawaan Azure yang memberikan nilai berikut:
- Pemantauan proaktif
- Wawasan performa yang disesuaikan
- Deteksi dini penurunan kinerja database
- Analisis akar penyebab masalah terdeteksi
- Rekomendasi peningkatan performa
- Peluasan skala kemampuan pada ratusan ribu database
- Dampak positif terhadap sumber daya Azure DevOps dan total biaya kepemilikan
Cara kerja Wawasan Cerdas
Wawasan Cerdas menganalisis performa database dengan membandingkan beban kerja database dari jam terakhir dengan beban kerja garis besar tujuh hari terakhir. Beban kerja database tersusun dari kueri yang ditentukan sebagai yang paling signifikan bagi performa database, seperti kueri yang paling sering dan terbesar. Karena setiap database unik berdasarkan struktur, data, penggunaan, dan aplikasinya, setiap garis besar beban kerja yang dihasilkan spesifik dan unik untuk beban kerja tersebut. Wawasan Cerdas, independen dari garis besar beban kerja, juga memantau ambang operasional absolut dan mendeteksi masalah dengan waktu tunggu yang berlebihan, pengecualian kritis, dan masalah dengan parameterisasi kueri yang dapat memengaruhi performa.
Setelah masalah penurunan kinerja terdeteksi dari beberapa metrik yang diamati dengan menggunakan kecerdasan buatan, analisis dilakukan. Log diagnostik dihasilkan dengan wawasan cerdas tentang apa yang terjadi dengan database Anda. Wawasan Cerdas memudahkan untuk melacak masalah performa database dari penampilan pertamanya hingga resolusi. Setiap masalah yang terdeteksi dilacak melalui siklus hidupnya dari deteksi masalah awal dan verifikasi peningkatan performa hingga penyelesaiannya.
Metrik yang digunakan untuk mengukur dan mendeteksi masalah performa database didasarkan pada durasi kueri, permintaan batas waktu, waktu tunggu yang berlebihan, dan kesalahan permintaan. Untuk informasi selengkapnya tentang metrik, lihat Metrik deteksi.
Penurunan performa database yang teridentifikasi dicatat dalam log SQLInsights Wawasan Cerdas dengan entri cerdas yang terdiri dari properti berikut:
| Properti | Detail |
|---|---|
| Informasi database | Metadata tentang database tempat wawasan terdeteksi, seperti URI sumber daya. |
| Rentang waktu yang diamati | Waktu mulai dan berakhir untuk periode wawasan yang terdeteksi. |
| Metrik yang terpengaruh | Metrik yang menyebabkan wawasan dihasilkan:
|
| Nilai dampak | Nilai metrik yang diukur. |
| Kueri yang terpengaruh dan kode galat | Hash kueri atau kode galat. Ini dapat digunakan untuk berkorelasi dengan mudah dengan kueri yang terpengaruh. Metrik yang terdiri dari peningkatan durasi kueri, waktu tunggu, jumlah batas waktu, atau kode galat disediakan. |
| Deteksi | Deteksi diidentifikasi di database selama waktu peristiwa. Ada 15 pola deteksi. Untuk informasi selengkapnya, lihat Memecahkan masalah performa database dengan Intelligent Insights. |
| Analisis akar penyebab | Analisis akar penyebab dari masalah yang diidentifikasi dalam format yang dapat dibaca manusia. Beberapa wawasan mungkin berisi rekomendasi peningkatan performa jika memungkinkan. |
Wawasan Cerdas bersinar dalam menemukan dan memecahkan masalah performa database. Untuk menggunakan Wawasan Cerdas untuk memecahkan masalah performa database, lihat Memecahkan masalah performa dengan Wawasan Cerdas.
Opsi Wawasan Cerdas
Opsi Wawasan Cerdas yang tersedia adalah:
| Opsi Wawasan Cerdas | Dukungan Azure SQL Database | Dukungan Azure SQL Managed Instance |
|---|---|---|
| Mengonfigurasi Wawasan Cerdas - Mengonfigurasi analisis Wawasan Cerdas untuk database Anda. | Ya | Ya |
| Mengalirkan wawasan ke Azure SQL Analytics -- Mengalirkan wawasan ke Azure SQL Analytics. | Ya | Ya |
| Mengalirkan wawasan ke Azure Event Hubs - Mengalirkan wawasan ke Azure Event Hubs untuk integrasi kustom lebih lanjut. | Ya | Ya |
| Mengalirkan wawasan ke Azure Storage - Mengalirkan wawasan ke Azure Storage untuk analisis lebih lanjut dan arsip jangka panjang. | Ya | Ya |
Catatan
Intelligent insights adalah fitur pratinjau, dan tidak tersedia di wilayah berikut: Eropa Barat, Eropa Utara, US Barat 1 dan US Timur 1.
Mengonfigurasi ekspor log Wawasan Cerdas
Output Wawasan Cerdas dapat dialirkan ke salah satu dari beberapa tujuan untuk analisis:
- Output yang dialirkan ke ruang kerja Analitik Log dapat digunakan dengan Azure SQL Analytics untuk menampilkan wawasan melalui antarmuka pengguna portal Microsoft Azure. Ini adalah solusi Azure terintegrasi, dan cara paling umum untuk menampilkan wawasan.
- Output yang dialirkan ke Azure Event Hubs dapat digunakan untuk pengembangan skenario pemantauan dan pemberitahuan kustom
- Output yang dialirkan ke Azure Storage dapat digunakan untuk pengembangan aplikasi kustom untuk pelaporan kustom, arsip data jangka panjang, dan sebagainya.
Integrasi Azure SQL Analytics, Azure Event Hubs, Azure Storage, atau produk pihak ketiga untuk dikonsumsi dilakukan melalui terlebih dahulu mengaktifkan pengelogan Wawasan Cerdas (log "SQLInsights"), di halaman Pengaturan diagnostik database, lalu mengonfigurasi data log Wawasan Cerdas untuk dialirkan ke salah satu tujuan ini.
Untuk informasi selengkapnya tentang cara mengaktifkan pengelogan Wawasan Cerdas dan mengonfigurasi metrik dan data log sumber daya untuk dialirkan ke produk yang mengonsumsi, lihat Pembuatan log diagnostik dan metrik.
Menyiapkan dengan Azure SQL Analytics
Solusi Azure SQL Analytics menyediakan kemampuan antarmuka pengguna grafis, pelaporan, dan pemberitahuan tentang performa database, menggunakan data log sumber daya Wawasan Cerdas.
Tambahkan Azure SQL Analytics ke dasbor portal Microsoft Azure Anda dari marketplace dan untuk membuat ruang kerja, lihat mengonfigurasi Azure SQL Analytics
Untuk menggunakan Wawasan Cerdas dengan Azure SQL Analytics, konfigurasikan data log Wawasan Cerdas untuk dialirkan ke ruang kerja Azure SQL Analytics yang telah Anda buat di langkah sebelumnya, lihat Pembuatan Log diagnostik dan metrik.
Contoh berikut menunjukkan Wawasan Cerdas yang ditampilkan melalui Azure SQL Analytics:
Menyiapkan dengan Azure Event Hubs
Untuk menggunakan Wawasan Cerdas dengan Azure Event Hubs, konfigurasikan data log Wawasan Cerdas untuk dialirkan ke Azure Event Hubs, lihat Pembuatan log diagnostik dan metrik, dan Mengalirkan log diagnostik Azure ke Azure Event Hubs.
Untuk menggunakan Azure Event Hubs untuk menyiapkan pemantauan dan pemberitahuan kustom, lihat Apa yang harus dilakukan dengan log diagnostik dan metrik di Azure Event Hubs.
Menyiapkan dengan Azure Storage
Untuk menggunakan Wawasan Cerdas dengan Azure Storage, konfigurasikan data log Wawasan Cerdas untuk dialirkan ke Azure Storage, lihat Pembuatan Log diagnostik dan metrik, dan Mengalirkan ke Azure Storage.
Integrasi kustom log Wawasan Cerdas
Untuk menggunakan Wawasan Cerdas dengan alat pihak ketiga, atau untuk pengembangan pemberitahuan dan pemantauan kustom, lihat Menggunakan log diagnostik performa database Wawasan Cerdas.
Metrik deteksi
Metrik yang digunakan untuk model deteksi yang menghasilkan Wawasan Cerdas didasarkan pada pemantauan:
- Durasi kueri
- Permintaan batas waktu
- Waktu tunggu yang berlebihan
- Kesalahan permintaan
Durasi kueri dan permintaan batas waktu digunakan sebagai model utama dalam mendeteksi masalah dengan performa beban kerja database. Durasi kueri dan permintaan batas waktu digunakan karena Durasi kueri dan permintaan batas waktu secara langsung mengukur apa yang terjadi dengan beban kerja. Untuk mendeteksi semua kemungkinan kasus penurunan kinerja beban kerja, waktu tunggu yang berlebihan dan kesalahan permintaan digunakan sebagai model tambahan untuk menunjukkan masalah yang memengaruhi performa beban kerja.
Sistem secara otomatis mempertimbangkan perubahan pada beban kerja dan perubahan jumlah permintaan kueri yang dibuat ke database untuk secara dinamis menentukan ambang performa database normal dan di luar kebiasaan.
Semua metrik dipertimbangkan bersama dalam berbagai hubungan melalui model data yang diturunkan secara ilmiah yang mengategorikan setiap masalah performa yang terdeteksi. Informasi yang diberikan melalui wawasan cerdas meliputi:
- Detail masalah performa terdeteksi.
- Analisis akar penyebab dari masalah yang terdeteksi.
- Rekomendasi tentang cara meningkatkan performa database yang dipantau, jika memungkinkan.
Durasi kueri
Model penurunan durasi kueri menganalisis kueri individu dan mendeteksi peningkatan waktu yang diperlukan untuk mengompilasi dan menjalankan kueri dibandingkan dengan garis besar performa.
Jika kecerdasan bawaan mendeteksi peningkatan signifikan dalam kompilasi kueri atau waktu eksekusi kueri yang memengaruhi performa beban kerja, kueri ini berbendera sebagai masalah penurunan kinerja durasi kueri.
Log diagnostik Wawasan Cerdas menghasilkan hash kueri dari kueri yang diturunkan dalam performa. Hash kueri menunjukkan apakah penurunan kinerja terkait dengan kompilasi kueri atau peningkatan waktu eksekusi, yang meningkatkan waktu durasi kueri.
Permintaan batas waktu
Model penurunan permintaan batas waktu menganalisis kueri individu dan mendeteksi peningkatan batas waktu pada tingkat eksekusi kueri dan keseluruhan permintaan batas waktu pada tingkat database dibandingkan dengan periode garis besar performa.
Beberapa kueri mungkin menghabiskan waktu bahkan sebelum mereka mencapai tahap eksekusi. Melalui cara pekerja yang dibatalkan vs permintaan yang dibuat, langkah-langkah kecerdasan bawaan mengukur dan menganalisis semua kueri yang mencapai database apakah mereka sampai ke tahap eksekusi atau tidak.
Setelah jumlah batas waktu untuk kueri yang dieksekusi atau jumlah pekerja permintaan yang dibatalkan melewati ambang dikelola sistem, log diagnostik diisi dengan wawasan cerdas.
Wawasan yang dihasilkan berisi jumlah permintaan batas waktu dan jumlah kueri batas waktu. Indikasi penurunan kinerja terkait dengan peningkatan batas waktu pada tahap eksekusi, atau tingkat database keseluruhan disediakan. Ketika peningkatan batas waktu dianggap signifikan terhadap performa database, kueri ini berbendera sebagai masalah penurunan kinerja batas waktu.
Waktu tunggu yang berlebihan
Model waktu tunggu yang berlebihan memantau kueri database individu. Ini mendeteksi statistik tunggu kueri yang luar biasa tinggi yang melewati ambang absolut yang dikelola sistem. Metrik waktu tunggu berlebihan kueri berikut ini diamati dengan menggunakan, Statistik Tunggu Penyimpanan Kueri (sys.query_store_wait_stats):
- Mencapai batas sumber daya
- Mencapai batas sumber daya kumpulan elastis
- Jumlah utas sesi atau pekerja yang berlebihan
- Penguncian database yang berlebihan
- Tekanan memori
- Statistik tunggu lainnya
Mencapai batas sumber daya atau batas sumber daya kumpulan elastis menunjukkan bahwa konsumsi sumber daya yang tersedia pada langganan atau di kumpulan elastis melewati ambang absolut. Statistik ini menunjukkan penurunan kinerja beban kerja. Jumlah utas sesi atau pekerja yang berlebihan menunjukkan kondisi ketika jumlah utas pekerja atau sesi yang dimulai melewati ambang absolut. Statistik ini menunjukkan penurunan kinerja beban kerja.
Penguncian database yang berlebihan menunjukkan kondisi di mana jumlah kunci pada database telah melewati ambang absolut. Statistik ini menunjukkan penurunan kinerja beban kerja. Tekanan memori adalah kondisi ketika jumlah utas yang meminta pemberian memori melewati ambang absolut. Statistik ini menunjukkan penurunan kinerja beban kerja.
Deteksi statistik tunggu lainnya menunjukkan kondisi ketika metrik lain-lain diukur melalui Statistik Tunggu Penyimpanan Kueri melewati ambang absolut. Statistik ini menunjukkan penurunan kinerja beban kerja.
Setelah waktu tunggu yang berlebihan terdeteksi, bergantung pada data yang tersedia, hasil log diagnostik Wawasan Cerdas mengeluarkan hash dari kueri yang memengaruhi dan terpengaruh yang mengalami penurunan performa, detail metrik yang menyebabkan kueri menunggu dalam eksekusi, dan waktu tunggu yang diukur.
Kesalahan permintaan
Model penurunan kesalahan permintaan memantau kueri individu dan mendeteksi peningkatan jumlah kueri yang salah dibandingkan dengan periode garis besar. Model ini juga memantau pengecualian kritis yang melewati ambang absolut yang dikelola oleh kecerdasan bawaan. Sistem secara otomatis mempertimbangkan jumlah permintaan kueri yang dibuat ke database dan akun untuk setiap perubahan beban kerja dalam periode yang dipantau.
Jika peningkatan terukur dalam kesalahan permintaan terkait dengan jumlah keseluruhan permintaan yang dibuat dianggap signifikan untuk performa beban kerja, kueri yang terpengaruh berbendera sebagai kesalahan permintaan masalah penurunan kinerja.
Log Wawasan Cerdas menghasilkan jumlah kesalahan permintaan. Ini menunjukkan apakah penurunan kinerja terkait dengan peningkatan kesalahan permintaan atau untuk melewati ambang pengecualian kritis yang dipantau dan waktu yang diukur dari penurunan kinerja.
Jika salah satu pengecualian kritis yang dipantau melewati ambang absolut yang dikelola oleh sistem, wawasan cerdas dihasilkan dengan detail pengecualian kritis.
Langkah berikutnya
- Pelajari cara Memantau database dengan menggunakan SQL Analytics.
- Pelajari cara Memecahkan Masalah Performa dengan Intelligent Insights.
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk