כדי לזהות, לאבחן ולמנוע בעיות בביצועים של שאילתות במסדי הנתונים של AlloyDB ל-PostgreSQL, אתם יכולים להשתמש בתובנות לגבי שאילתות. התובנות לגבי שאילתות מספקות מידע על מעקב ואבחון, שעוזר לזהות את שורש הבעיה של צווארי בקבוק בביצועים באשכולות ובמכונות. כדי להתחיל, קראו את המאמר שיפור ביצועי השאילתות באמצעות תובנות לגבי שאילתות.
בעזרת תובנות לגבי שאילתות, אתם יכולים לעקוב אחרי הביצועים ברמת האפליקציה ולזהות את המקור של שאילתה בעייתית במקבץ האפליקציה לפי מודל, תצוגה, בקר, נתיב, משתמש ומארח. הכלי Query Insights יכול להשתלב עם הכלים והשירותים הקיימים שלכם למעקב אחרי אפליקציות (APM) באמצעות תקנים פתוחים וממשקי API. Google Cloudכך תוכלו לעקוב אחרי בעיות בשאילתות ולפתור אותן באמצעות הכלי המועדף עליכם.
בלוח הבקרה של תובנות לגבי שאילתות אפשר לראות מדדים של שאילתות. בלוח הבקרה יש סדרה של מסננים שמאפשרים לראות את העומס על מסד הנתונים לפי שאילתות של משתמש, מסד נתונים, כתובת IP, טווח תאריכים, קיבולת מעבד, מעבד והמתנה למעבד, המתנה ל-IO והמתנה לנעילה.
יתרונות השימוש בתובנות לגבי שאילתות
תובנות לגבי שאילתות מספקות מעקב ואבחון שמאפשרים לזהות ולתקן בעיות בביצועים של שאילתות. לוחות הבקרה של Query Insights עוזרים לזהות בעיות בביצועי השאילתות בשלב מוקדם, ולעבור משלב הזיהוי לשלב הפתרון באמצעות ממשק אחד. תוכניות מובנות לביצוע שאילתות ויזואליות עוזרות לכם לפתור בעיות ולמצוא את שורש הבעיה. אפשר גם להשתמש במעקב אחר אפליקציות מקצה לקצה בהקשר, כדי למצוא את המקור של שאילתה בעייתית.
תובנות לגבי שאילתות מאפשרות לתייג שאילתות באמצעות לוגיקה עסקית שמשויכת לשאילתה, כמו תשלום, מלאי, ניתוח עסקי או משלוח, כדי שתוכלו לעקוב אחרי ביצועי השאילתות מנקודת מבט שמתמקדת באפליקציה. בנוסף, התובנות לגבי שאילתות מספקות מעקב שמתמקד באפליקציות, שעוזר לכם לאבחן בעיות בביצועים של אפליקציות שנוצרו באמצעות מיפוי אובייקטי-רלציוני (ORM). הכלי לתובנות לגבי שאילתות משתמש ב-SQL Commenter, ספריית קוד פתוח, כדי להוסיף באופן אוטומטי אינסטרומנטציה ל-ORM. הכלים האלה עוזרים לזהות איזה קוד אפליקציה גורם לבעיות.
אפשר לשלב את Query Insights עם כלי ה-APM הקיימים שלכם, כדי לעקוב אחרי בעיות בשאילתות ולפתור אותן באמצעות הכלי המועדף עליכם. הכלי "תובנות לגבי שאילתות" תומך בתקנים OpenCensus ו-OpenTelemetry, ומאפשר לכם להשתמש בנתוני המעקב והמדדים של השאילתות בכלי ה-APM שלכם באמצעות Cloud Monitoring API ו-Cloud Trace API. הכלי Query Insights משולב עם Cloud Monitoring, כך שאתם יכולים ליצור לוחות בקרה והתראות בהתאמה אישית על מדדים או תגים של שאילתות, ולקבל התראות באימייל, ב-SMS, ב-Slack, ב-PagerDuty ועוד.
תמחור
התכונה הזו לא כרוכה בעלות נוספת. בלוח הבקרה של התובנות לגבי שאילתות אפשר לגשת לנתונים של שבוע אחד. למידע על בקשות API, ראו התמחור של Cloud Monitoring. ל-Cloud Monitoring יש רמה שבה אפשר להשתמש ללא עלות נוספת.
אבטחה
משתמשים שיש להם גישה למרכז הבקרה של AlloyDB יכולים לגשת למדדים של תובנות לגבי שאילתות במרכז הבקרה של תובנות לגבי שאילתות.
המדדים של Query Insights מוצפנים במנוחה.
פרטיות
התכונה "תובנות לגבי שאילתות" שומרת ומציגה רק שאילתות מנורמלות. כל הערכים הקבועים ממחרוזת השאילתה יוסרו. המעקבים אחרי תוכניות לביצוע שאילתות לא אוספים או שומרים ערכים קבועים. כברירת מחדל, תובנות לגבי שאילתות אוספות כתובות IP ומידע על תגים.
ביצועים
התוסף של תובנות לגבי שאילתות ב-PostgreSQL מתעד מדדי שאילתות ותוכניות ביצוע שמוטמעות באמצעות הוקים של PostgreSQL. המדדים ותוכניות הביצוע מאוחסנים כטבלת PostgreSQL בזיכרון המשותף. התכונה "תובנות לגבי שאילתות" פועלת תמיד, והיא לא משתמשת בפעולות קלט/פלט יקרות בדיסק, כך שההשפעה שלה על הביצועים צפויה להיות קטנה. תובנות לגבי שאילתות משתמשות ב-12MB של זיכרון RAM למחרוזת שאילתה בגודל ברירת מחדל של 1,024 בייטים. השימוש ב-RAM גדל ככל שגודל מחרוזת השאילתה גדל. המדדים אמורים להיות זמינים בתובנות לגבי שאילתות תוך כמה דקות מסיום השאילתה.
אחסון
התכונה "תובנות לגבי שאילתות" לא תופסת נפח אחסון במכונה של AlloyDB. המדדים מאוחסנים במדדי המערכת ב-Cloud Monitoring. חשוב לעיין במדיניות שמירת הנתונים של Cloud Monitoring.
המעקבים של Query Insights מאוחסנים ב-Cloud Trace. חשוב לעיין במדיניות שמירת הנתונים של Cloud Trace.
תאימות
התכונה "תובנות לגבי שאילתות" נתמכת בכל סוגי המכונות של AlloyDB וזמינה בכל האזורים של Google Cloud .
מגבלות
אלה המגבלות של תובנות לגבי שאילתות:
כשמעקב אחר כתובות ה-IP של הלקוחות מופעל ומספר גבוה של לקוחות, למשל יותר מ-100, שולחים תנועה למכונה, התכונה "תובנות לגבי שאילתות" מתעדת את כתובות הלקוחות שתורמות לזמן הביצוע המצטבר הגבוה ביותר. כתוצאה מכך, יכול להיות שיושמטו נתונים סטטיסטיים שקשורים לכתובות של לקוחות אחרים.
כשמעקב אחר כתובות ה-IP של הלקוח מופעל, שינויים בתנועה של כתובות לקוחות יכולים להוביל לפער זמני במדדים, כי לוקח זמן לייצא את כתובות הלקוחות המובילות החדשות. לדוגמה, הפעלה מחדש או יצירה מחדש של לקוח, כמו pod של Kubernetes ששולח תנועה ממכונות שונות, עשויה לגרום לפער הזה, בהתאם לארכיטקטורה שלכם.