干货｜数据库自治服务DAS首创SQL请求行为识别功能，全自动定位SQL异常-阿里云开发者社区

业务背景:

DAS(Database autonomy service)为上百万数据库实例的稳定运行保驾护航，其中精准定位数据库运行过程中的异常SQL是DAS最基本的功能。数据库90%以上的问题都来源于数据库的异常请求，无论是双十一的集团海量交易请求行为，还是用户业务变化导致的请求行为变化，每时每刻都影响着数据库的性能。自动驾驶汽车通过感知路况图像变化的行为来掌握车的方向，而自动驾驶数据库通过感知和识别用户请求行为来不断修复优化数据库的各种问题，为云数据库保驾护航。如何从海量数据库中的海量请求定位出不同数据库引擎不同场景的问题是多年以来困扰DBA的难题。在推荐领域，通过分析用户的行为习惯代替了机械式网页展示精准推荐给用户期望的文字/视频/产品，提升用户体验和产品转化率，同样下一代数据库自动驾驶平台也需要分析用户请求行为，业务变化行为，推荐出相应优化修复扩容等操作，提升自动驾驶数据库的效率，让数据库更快更稳更安全。所以从用户请求行为和业务行为出发，在海量数据库实例的海量请求中进行数据挖掘是一个非常值得深入研究的课题，同时也是数据库自动驾驶平台非常依赖的底层技术能力, 向上支撑DAS数据库自治服务各个场景的自治能力。

DAS这这些年提供了多个对SQL数据进行分析的L2功能包括：专业版SQL洞察，全量SQL，慢日志，一键诊断，锁分析，会话等。每一个功能沉淀了DBA在不同角度分析不同问题的方法，不同实例，不同业务诊断问题的方法略有不同。对于并不是很熟悉DB运维的用户来说，DAS在提供一个统一高效简单的方式去帮助用户去定位问题。我们结合SQL变慢的多指标特征，提出一种基于特征相似度匹配的方法 VLDB 2020 集成到自治中心功能当中, 但对于异常SQL中存在的业务属性的相似性以及错综复杂的影响与被影响的关系，理清楚问题SQL与各种资源的异常现象的传播关系是具有挑战的问题，DAS团队仍然在如何找到异常SQL这个课题上继续进行了研究和探索，在探索的过程中我们提供了一个新的分析功能SQL请求行为识别帮助用户更好的定位SQL问题。

问题描述:

以下图为例，实例CPU出现尖刺突增的现象，数据库有cpu打满潜在风险，当用户的请求量较少或者请求的SQL模式较少的时候，通过指标的排序筛选是很容易找到问题SQL的，但当用户的全量SQL模板超过上万甚至上亿条，用户通过当前DAS页面无法快速定位异常SQL，我们需要通过更多数据提供更高效的方式，来定位异常请求。

当用户使用DAS专业版SQL洞察的功能的时候，即使我们将全量SQL流水，聚合成SQL模板，SQL模板的数量也是相当庞大的，我们可以看到大量特征趋势相近的模板。所以如果我们根据SQL的请求行为将模板进一步压缩，这样用户可以更清晰的搜索SQL模板。

目前DAS产品功能和业界云厂商都有初步的异常SQL定位能力，功能大同小异，都是通过对采集的SQL数据在各个维度的排序，让用户自己定位数据库问题，这种方式对于60%以上简单的数据库问题是可行的，但是在复杂业务场景和DBA都很难定位的数据库问题效果是很差的。例如，数据库请求SQL模板数量几万~几亿的数量级，单纯依靠多维指标的排序搜索很难快速定位问题，所以通过对用户请求行为的分析，可以更好的帮助解决我们复杂场景的数据库性能问题，提高整个数据库各个引擎的稳定性，易用性，效率。

挑战&难点

规模化挑战:用户的业务请求丰富，如何从海量数据库实例中的海量请求中定位多种数据库引擎的性能问题。

监控诊断挑战：针对潜在的SQL请求导致的数据库性能问题，根因定位需要做到近实时问题定位

繁杂的数据库异常现象：

异常指标通常与多条SQL请求有关，无法用单条SQL来解释异常原因且多个业务的SQL请求之间相互影响，关联的问题包括全表扫描/索引/锁问题/缓存击穿/内核问题等。多个问题在指标现象存在相似性和不同

帮助DBA或用户解决性能问题，工单问题

帮助后端开发人员合理安排请求查询的流程，尽量让资源密集型请求从业务角度打散

帮助DBA找到不同请求之间在业务层面直接和间接的关系

DAS解决方案:

启发思路：

在很多后端应用开发的过程中，后端架构设计往往会保证接口的幂等性，例如项目中为了解决timeout问题，通常会引入重试机制，有时候会请求重复数据，消费消息有时候读重复数据之类的幂等性问题。例如多次insert或update可能会造成数据错误。

为了解决这些幂等性的方法，后端通常会使用这些方式例如先select再insert，加悲观锁/乐观锁/分布式锁，或者根据状态机来管理有状态的业务。

支付场景状态机示例：

......

update `bill` set status=1 where id=520 and status=0;

下单行为 SQL A

update `bill` set status=2 where id=520 and status=1;

支付行为 SQL B

update `bill` set status=3 where id=520 and status=2;

取消订单行为 SQL C

.....

所以同一个业务流程会伴随这多个SQL请求，串行或并行，这就意味着这些SQL在执行趋势上存在这关联性，这种关联性和业务有关。当我们发现业务异常的时候，同时伴随这指标异常，所以当我们定位异常SQL的时候，同一业务下的SQL都会有异常现象，所以通过这些SQL的趋势特征我们可以将海量SQL数据进行通过算法进行聚类。所以我们想到通过分析SQL的同源性，站在业务视角来定位异常SQL，可以更有效率的定位异常SQL

流程框架：

感知过程：

在诊断的过程中，DAS后端首先从统一数据层(DataSet Layer)请求，性能数据(Perf Data)和SQL请求数据（SQL Query Data），性能数据通过多指标异常检测(MTS Anomaly Detection)/特征提取(Feature Extraction)

异常请求定位过程：

示例：

模板集合X:{sql_a , sql_b, sql_c} ==> 影响了 mysql.cpu_usage 指标变化

==>sql 集合的影响程度 (推算cpu_time占比)

模板集合Y: {sql_i , sql_j, sql_k } ==> 影响了 mysql.active_session 指标变化

==> sql 集合的影响程度 (推算session占比)

感知层感知到时序指标异常后，通过全量SQL经过模板化处理后的数据，运用Graph Based的聚类方法，将海量的SQL按照请求行为的特征进行划分，最后根据聚合后请求行为的贡献度评分进行排序(Query Behavior Ranking)，检测异常请求及其作用于性能指标的现象.

根因分析过程：

示例：

烂SQL模板 sql_i --> 造成了锁等待现象---> 影响了mysql.rows_lock_wait_time指标

--> 造成模板Y集合的SQL被阻塞 --> 造成session的突增

--> 被阻塞的Y集合中X集合中的CPU密集型SQL被阻塞 --> 造成了CPU突增

通过SQL解释了指标异常现象之后，还有很多故障问题我们无法精确定位，例如主备延迟,锁问题,OOM,内核问题等，这些问题可能导致了执行SQL的耗时增加，反过来，SQL也有可能产生这些问题的现象。

(Anomaly Propagation Analysis )帮助我们对这些现象之间，进行传播关系的分析。这里的分析我们通过时间先后关系结合我们历史案例数据综合进行比对, 最后将得出的异常传播链和整个DAS分析过程和建议并添加到后端的case库并更细case model。Case Model会根据反馈不断叠加调整匹配参数，给出更精准的建议。