【笔记】用户指南—诊断与优化—SQL审计与分析—开启SQL审计与分析

简介: PolarDB-XSQL日志审计功能默认关闭,您可以在控制台上手动开启。

前提条件

操作步骤

  1. 登录云原生分布式数据库控制台
  2. 在页面左上角选择目标实例所在地域。
  3. 实例列表页,单击PolarDB-X 2.0页签。
  4. 找到目标实例,单击实例ID。
  5. 在左侧导航栏,单击诊断与优化 > SQL审计与分析
  6. 在页面右上角,打开当前数据库SQL审计日志状态开关即可。

执行结果

SQL审计功能开启后,相同地域下的PolarDB-X数据库的审计日志会写入同一个日志服务的Logstore中。同时,日志服务为您创建以下默认配置。


警告 日志服务会不定期更新与升级SQL日志审计功能,专属日志库的索引与默认报表也会自动更新,因此请勿随意删除或修改日志服务为您默认创建的Project、Logstore、索引和仪表盘等设置。

默认配置项 配置内容
Project 默认为您创建Project为polardbx-sqlaudit-地域ID-阿里云账户ID,例如polardbx-sqlaudit-cn-hangzhou-123456789
Logstore 默认为您创建Logstore为polardbx-sqlaudit-log
地域 相同地域下的PolarDB-X数据库的审计日志会写入同一个日志服务的Logstore中。例如,华东1(杭州)地域中所有可用区的PolarDB-X数据库审计日志都会写入日志服务的Logstorepolardbx-sqlaudit-cn-hangzhou-阿里云账户ID 中。
Shard 默认创建5个分区(Shard),并开启管理Shard功能。

索引日志服务自动为您创建索引。

警告 您的索引设置会随着功能升级自动更新,请勿手动修改或删除索引。

日志存储时间默认保存45天,45天以上的日志自动删除。仪表盘PolarDB-X默认创建如下三个仪表盘:
  • 运营中心
  • 性能中心
  • 安全中心

关于仪表盘的更多信息,请参见日志报表

说明 请勿修改默认的仪表盘配置,默认仪表盘会随着功能升级自动更新。您也可以自定义创建新的仪表盘,详情请参见创建仪表盘

相关文章
|
8天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
306 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
833 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
238 113