Przykładowe zapytania dotyczące monitorowania aktywności usługi SQL Warehouse

Użyj tych przykładowych zapytań SQL z tabelami systemowymi , aby monitorować wydajność, użycie i koszty usługi SQL Warehouse. Zmodyfikuj zapytania zgodnie z potrzebami organizacji. Dodaj alerty , aby otrzymywać powiadomienia o nieoczekiwanych wartościach.

Wymagania

Musisz mieć dostęp do tabel systemowych. Aby uzyskać informacje o wymaganiach, zobacz Monitorowanie aktywności konta przy użyciu tabel systemowych .
Większość tabel systemowych wymaga, aby konto miało włączony Unity Catalog.

Tabele monitorowania usługi SQL Warehouse

Tabela systemowa	Opis
`system.compute.warehouse_events`	Śledzi zdarzenia uruchamiania, zatrzymywania, skalowania w górę i skalowania w dół magazynu.
`system.compute.warehouses`	Zawiera migawki konfiguracji magazynu.
`system.query.history`	Rejestruje szczegółowe informacje o każdym zapytaniu wykonywanym w usłudze SQL Warehouse.
`system.billing.usage`	Zawiera rekordy rozliczeniowe dla wszystkich użycia usługi Azure Databricks.

Przykład: użycie magazynu

Skorzystaj z poniższych zapytań, aby dowiedzieć się, w jaki sposób magazyn jest używany, w tym zapytania, użytkownicy i aplikacje napędzają największą aktywność.

Znajdowanie najwolniejszych zapytań w magazynie

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

Analizowanie trendów wydajności zapytań w czasie

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

Znajdowanie najbardziej aktywnych użytkowników w magazynie

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

Znajdowanie najważniejszych aplikacji klienckich

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

Monitorowanie nieudanych zapytań

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

Przykład: ustalanie rozmiaru magazynu

Użyj następujących zapytań, aby określić, czy magazyn ma prawidłowy rozmiar. Zapytania oczekujące na pojemność sugerują, że należy zwiększyć wartość max_clusters. Zapytania z nadmiernym przepełnieniem dysku sugerują, że należy zwiększyć wielkość magazynu.

Identyfikowanie zapytań oczekujących na wydajność systemu

Zapytania o wysokich waiting_at_capacity_duration_ms wartościach spędzają czas w kolejce zamiast być wykonywanymi. Rozważ zwiększenie ustawienia magazynu max_clusters , aby umożliwić skalowanie magazynu.

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

Identyfikowanie zapytań z nadmiernym rozlewem dysku

Wyciek dysku występuje, gdy zapytanie wymaga więcej pamięci niż jest dostępne. Rozważ zwiększenie rozmiaru magazynu w celu zwiększenia ilości pamięci zapytań. Nadmierne rozlewanie zazwyczaj oznacza, że zapytania wymagają optymalizacji lub że rozmiar magazynu danych jest niewystarczający dla danego obciążenia pracą.

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

Przykład: koszty magazynu

Skorzystaj z poniższych zapytań, aby zrozumieć i śledzić koszty związane z magazynami SQL.

Monitorowanie kosztów magazynu według dnia

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

Korelacja zdarzeń magazynu z liczbą zapytań

To zapytanie pomaga zrozumieć relację między zdarzeniami skalowania magazynu i działaniem zapytań w celu zidentyfikowania szans optymalizacji kosztów.

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

Opinia

Czy ta strona była pomocna?

Last updated on 2026-03-15