数据库智能管理助手-CloudDBA

Posted 2020-11-09 zhaowei121

摘要：阿里云CloudDBA主要分为离线分析和在线分析两种功能。帮助用户节省成本，定位问题，分析原因并推荐解决方法。CloudDBA可以做到实时诊断，离线诊断和SQL优化。并且通过mysql的参数调优，检测参数的不合理或者准备的延迟的情况。

 

演讲嘉宾简介：

勋臣，阿里云RDS内核团队技术专家，目前阿里云CloudDBA专家系统开发。有着丰富的数据库开发管理和优化的经验。

 

本次直播视频精彩回顾，戳这里！

PPT下载链接：http://click.aliyun.com/m/51146/

以下内容根据演讲嘉宾视频分享以及PPT整理而成。

 

本次的分享主要围绕以下三个方面：

 

一、CloudDBA提供了什么

二、核心能力

三、典型实践应用

 

一、CloudDBA提供了什么

CloudDBA主要提供了两个功能，一个是离线分析，另一个是在线分析。我们知道DBA主要日常工作分为两块，一个是群检，还有就是做线上的响应，比如说我的数据库突然一下应用被卡住了，或者数据库出现性能抖动，这些问题都是需要DBA实时响应的。Oracle包括两个报告，一个是AWR报告，还有一个叫ASH报告，我们从功能上来说和Oracle有些类似。离线的分析主要是AWR报告，然后在线响应是ACTIVE SESS HISTORY。

CloudDBA在云上是SASS化的一块，是基于PaaS平台的增值服务。云上的SASS需要去解决性能的问题，问题的诊断，以及提供一些辅助的工具。云上的数据库跟自建的数据库有一点不同，如果数据库上云了之后，PaaS这层的工作云都帮忙解决了。比如，性能监控，HA等都已经做了。DBA真正要做的是上面这一层，就是怎么让数据库运行的更好，让用户用好数据库。

不管是云上的还是自建的数据库，它本身的成本实际上是看得见的，是很低的。对做DBA的同学来说，从准备到数据库上线花费的精力实际上是有限的。而真正的难点是如何把数据库管理好？因为我们为做产品的平台应用提供支撑，如果用户的使用习惯不好，很容易将我们的数据库搞坏掉，整个业务都会受到影响。所以从下图可以看到我们的数据库会有大量的维护成本，大概大于80%。当然DBA主要是解决应用中的一些问题，节省时间成本。比如说，用户反馈说应用卡住了，对DBA来说需要登录到数据库中，到控制台看动画，看看到底发生了什么？这些动作实际上是很重复，很机械的、如果有CloudDBA，它会有自己的一些小的脚本，比如定位问题，很快的可以输入用户名密码，把状态抓出来，基于状态做一些判断。这种方式是可以的，但是还有更好的解决方式，如果作为一个产品，把这样的行为产品化和服务化，交付出来。在应用卡住的时候，用户只需要点一个按钮，产品就可以把状态抓出来，并且分析出数据库卡住的点，并给出下一步的解决建议。甚至绝大部分场景，命令都会给生成出来，用户直接复制执行就可以了。

 

二、核心能力

1.实时诊断

我们会把DBA积累的经验产品化，编成程序，录入到资料库中去。将诊断的结果进行输出。我们在日常工作当中会经常发现同样的问题对不同的DBA来说解决的方式也不同。甚至说一位同学在当值班的时候遇到问题，知道怎么解决了，换另一位同学指班没有遇到问题，过了很长的时间再一次发生时大家可能都忘了如何解决这个问题。所以这时就需要将工作经验进行沉淀，产品化，服务化，再把它输入出来。我们把解决问题的方法。技巧，经验录入到资料库（Knowledge Base）中，它就是一个诊断程序，经过不断的录入经验，Knowledge Base会变得越来越丰富。结果格式会分为现象描述，原因描述和相关诊断建议。

 

2.离线诊断

离线诊断是基于状态，做深层次的分析，挖掘Top SQL，看哪些SQL执行次数最多，最长，消耗时间最长。另外还有事物分析，看事物是否合理，以及SQL Review。因为我们做DBA，如果没有一个很强大的工具去规范开发人员行为的话，这个工具迟早会被拖垮。在早期的时候，出一份规范发给开发人员，要求搜索语句只能按照规范写，否则会出事。但是如果没有一个工具约束和规范，每个开发团队都不可能看每一条规范语句。还有就是死锁的分析。

 

3.SQL优化

MySQL的优化器当然没有Qracle那么优秀，我们经常会听到它的执行效果不是很好，表的连接顺序不是那么的最优。比如表上面有索引，但是索引失效了，大家都知道索引失效的情况是字段不匹配。我们的工具会帮助我们在字段后面加个函数。比如说有一个交易表，交易表上有一个字段用时间去get，因为目前时间都至少精确到秒。很多开发人员会把日期函数直接加在get上面，等于具体某一天就可以了。但是如果用Oracle或者SQL Server3的数据库是没有问题的，DBA会给你加一个函数索引。但是如果用的是MySQL，而且是5.7之前的版本是没有办法的，真正的写法是大于等于这一天的开始和小于等于这一天的结束，应该是这一天24小时的范围之内都可以识别出来。还有一个是计算代价的重写，我们会到备库动态的采样，比如说一个查询，上面没有索引，带有多个字段，要建一个混合索引，那么这个字段的顺序应该怎么放？我们会到备库中动态采样，看这些列上的数据分布，然后生成最优的字段顺序，最优的索引。因为不可能看几个字段有的所有索引顺序，所以采取动态采样。这一块的内容可以到阿里云的官网搜，有很多非常详细的资料和视频。

 

三、最佳实践

我们经常遇到用户把规格升级，然后进行压测，发现升级规格后性能反而下降。比如4C32G生级成了8C62G，发现吞吐下降。通过诊断报告TOP SQL定位性能下降原因。发现truncate的执行时间变慢了，为什么变慢?因为表的内存变多了，内存的张页变多了，MySQL truncate之前是要把张页落入文件里面去，利用我们的工具可以很快的定位原因语句，下一步应该把MySQL的 Max present的参数调小，把张块控制在一定的范围里面。

另外一个问题是用户说每隔半小时就会出现压力抖动，查明什么原因。因为用户提出这个问题时，抖动发生的时间是在前几天或者过了几个小时。所以我们会建议用户开启CloudDBA，这样才方便我们跟踪，具体的数据用户在自己的的控制台就可以看到了。如下图是通过TOP SQL得到的诊断报告，知道哪个时间发生了抖动。

连接满了也分为不同的场景。第一种是出现锁了，这种是最常见的，这是把锁会话KILL掉。第二种就是在业务高空的时候执行了ddl的操作，这时也很好解决，我们都会帮助用户定位出来。还有一种是应用程序的连接使用有问题，没有关掉。比如Java的JDBC开了之后没有关掉，这时我们也可以识别出来。我们会建议用户使用连接池，及时的把连接关掉。还有一个，既不是MySQL堆积也不是锁，也正常使用连接池，这时就可能是规格太小，压力太大。如果不能升级规格，那么应用程序就要做限流。

连接满了之后，CloudDBA可以帮助识别并终止会话。

CPU达到100%之后，CloudDBA可以帮忙识别出来，同时进行优化

除了上述的几种场景，阿里还做了一些参数优化。MySQL有非常多的参数，参数的不合理或者准备的延迟都可以通过CloudDBA检测出来。

CloudDBA是一个动态净化的产品，我们是在不断的更新。我们会和阿里云的工单系统联系，他们处理的工单会扭转到我们这边，我们会吸收消化掉一部分，看哪些可以通过程序集成起来，RDBA会嵌在RDS数据库的控制台上面，用户可以免费使用。

 

?本文作者：mongolguier