Veritabanı Gözlemlenebilirliği ile Anomali Tespiti

Veritabanı Gözlemlenebilirliği, bir veritabanı örneğinin bekleme sürelerinin normal seviyelerinin üzerinde olup olmadığını tespit etmek için anomali tespit algoritmaları kullanır. Bazı durumlarda yüksek bekleme süreleri normal ve beklenen bir durum olabilir. Ancak, anomali tespiti sayesinde Veritabanı Gözlemlenebilirliği, beklenmedik artan bekleme sürelerine dair uyarılar gönderir ve bu anomalilerin araştırılmasına yardımcı olur.

*Metnin devamında bazı metinlerin içerisinde Veritabanı Gözlemlenebilirliği’nin kısaltması olarak VG kullanılmaktadır.

Veritabanı Gözlemlenebilirliği’nin Anomali Tespiti Nasıl Çalışır?

Bir makine öğrenimi (ML) algoritması, Veritabanı Gözlemlenebilirliği’nin topladığı bekleme süresi verilerini kullanarak gelecekteki bekleme sürelerini tahmin eder. Veritabanı Gözlemlenebilirliği, bu tahminleri kullanarak beklenenden çok daha yüksek bekleme sürelerini tespit eder.

Adım 1: Veri Toplama
Veritabanı Gözlemlenebilirliği, algoritmanın neyin normal olduğunu öğrenmesi ve gelecekteki bekleme sürelerini tahmin etmesi için kullanacağı verileri toplar. Öğrenme için 90 güne kadar olan saatlik geçmiş veriler kullanılır.

Anomali tespiti için en az üç günlük öğrenme verisi gereklidir. Veritabanı Gözlemlenebilirliği, en az üç günlük veri toplanana kadar anomali hakkında herhangi bir bilgi göstermez. Daha fazla veri toplandıkça tahminler gelişir.

Adım 2: Veri Analizi ve Tahminler
Öğrenme verilerine dayalı olarak, algoritma şunları hesaplar:

Veritabanı örneğinin, önümüzdeki 30 gün için her 1 saatlik periyot sırasında ne kadar bekleme süresi yaşayacağı tahmin edilir.
Tüm veri seti için standart sapma (eşik değerlerin hesaplanmasında kullanılan değer).
Yeterli veri bulunduğunda, tahminler günlük ve haftalık değişimler (tahmin edilebilir dalgalanmalar) içerir:
- Günlük değişimler, her saatteki farklılıkları hesaba katar. Örneğin, sabah 2’deki normal bekleme süreleri, öğleden sonra 2’deki normal bekleme sürelerinden farklı olabilir.
- Haftalık değişimler, haftanın her bir günündeki farklılıkları hesaba katar. Örneğin, Cumartesi günü saat 2’deki normal bekleme süreleri, Çarşamba günü saat 2’deki normal bekleme sürelerinden farklı olabilir. (Haftalık değişimler için en az 30 gün öğrenme verisi gereklidir.)

Adım 3: Anomali Tespiti
Her bir saat için Veritabanı Gözlemlenebilirliği, o saatteki gerçek bekleme süresini tahmin edilen değerle karşılaştırır. Eğer gerçek bekleme süresi, uyarı veya kritik eşik değerinin üzerine çıkarsa, Veritabanı Gözlemlenebilirliği:

Veritabanı Gözlemlenebilirliği ana sayfasındaki bekleme süresi göstergesinin rengini değiştirir.
Anomali Tespiti grafiklerinde sarı veya kırmızı segmentler gösterir.
Yapılandırılmışsa, Veritabanı Örneği Bekleme Süresi Anomali uyarısını tetikler.

Tamamlanmamış Bir Saatin Durumunu Nasıl Belirler?

Veritabanı Gözlemlenebilirliği, bekleme süresi göstergesi ve saatlik Anomali Tespiti grafiğinin uyarı veya kritik durum göstermesi gerektiğini belirlemek için son 6 tamamlanmış 10 dakikalık aralığı (hareketli bir saatlik aralık) kullanır. Durum her 10 dakikada bir güncellenir. Örneğin, 2:00 saatinin durumunu belirlemek için:

2:00 ile 2:09 arasında, VG 1:00 ile 1:59 arasındaki verileri kullanır.
2:10 ile 2:19 arasında, VG 1:10 ile 2:09 arasındaki verileri kullanır.
2:20 ile 2:29 arasında, VG 1:20 ile 2:19 arasındaki verileri kullanır (ve bu şekilde devam eder).

Trend Grafiklerinden Hariç Tutulan SQL İfadeleri

Anomali tespit algoritması, veritabanı örneği için toplam bekleme süresini hesaplar ve bu süre, trend grafiklerinden hariç tutmuş olduğunuz SQL ifadelerinin bekleme sürelerini de içerir. Çoğu durumda, bir ifade trend grafiklerinden hariç tutulur çünkü sürekli olarak yüksek bekleme sürelerine sahiptir ve büyük çubuğu grafiklerde baskın hale getirir. Eğer ifade düzenli bir zaman diliminde beklenen miktarda bekleme süresiyle çalışıyorsa, bu süre zarfında herhangi bir anomali tespit edilmez çünkü yüksek bekleme süreleri bu periyot boyunca normaldir. Anomali yalnızca bu periyot boyunca bekleme süreleri olağan seviyelerden önemli ölçüde yüksekse tespit edilir, bu durumda değişikliği araştırmak isteyebilirsiniz.

Anomali Tespiti Tüm Veritabanı Örnekleri İçin İyi Çalışır Mı?

VG’nin anomali tespit algoritması, çoğu iş yüküyle ilişkilendirilen algoritmalar gibi, en iyi şu durumlarda çalışır:

İzlenen veritabanı örneklerinde sürekli bir iş yükü çalıştırılıyorsa.
Günlük ve haftalık değişimler tutarlıyorsa. Örneğin, veritabanı bekleme süreleri her Pazartesi sabah 10’da benzerse.
VG izleme sürekli açık kalıyorsa (saatlerce veya günlerce kapalı kalmıyorsa).

Algoritma şu durumlarda iyi çalışmayabilir:

Bir veritabanı örneğinin iş yükü düzensizse (örneğin, tutarsız bekleme sürelerine sahip QA veya raporlama örnekleri).
Günlük ve haftalık değişimler tutarsızsa. Örneğin, Pazartesi günü sabah 10’da yapılan iş yükü her hafta farklılık gösteriyorsa ve belirli bir ritim izlemiyorsa.
VG, örneği sürekli olarak izlemiyorsa ve bu yüzden normalin ne olduğunu iyi bir şekilde anlayamıyorsa.

Eğer anomali tespiti, izlediğiniz veritabanı örneklerinden herhangi birinde düzgün çalışmıyorsa, bu örnekler için anomali tespitini devre dışı bırakmanızı öneririz.

Öğrenme Verisindeki Büyük Boşluklar

Eğer izleme 30 günden fazla bir süre durursa, anomali tespit algoritması, 30 günlük boşluktan önce toplanan eski öğrenme verilerini kullanarak tahmin yapmaz. Veritabanı Gözlemlenebilirliği, yeni öğrenme verilerini toplamaya başlar ve üç gün sonra, mevcut verilere dayalı tahminler yapmaya başlar.

Anomali Eşik Değerleri
Anomaliler, uyarı ve kritik olarak sınıflandırılır. Her sınıflama için eşik değeri, ilgili zaman dilimi için bekleme sürelerinin standart sapmasına dayanır.

*Standart sapma, bir veri setindeki değerlerin ne kadar dağılmış olduğunu ölçen bir değerdir.

Eşik değerlerinin varsayılan değerleri aşağıda listelenmiştir. Varsayılan değerleri değiştirmek için ilgili gelişmiş seçeneği düzenleyebilirsiniz.

Sınıflandırma

Varsayılan Eşik

Gelişmiş Seçenek

Uyarı (Warning)

Saat için tahmin edilen bekleme süresi + 2 standart sapma

ANOMALY_DETECTION_ THRESHOLD_WARNING

Kritik (Critical)

Saat için tahmin edilen bekleme süresi + 3 standart sapma

ANOMALY_DETECTION_ THRESHOLD_WARNING

Sınıflandırma

Varsayılan Eşik

Gelişmiş Seçenek

Uyarı (Warning)

Saat için tahmin edilen bekleme süresi + 2 standart sapma

ANOMALY_DETECTION_

THRESHOLD_WARNING

Kritik (Critical)

Saat için tahmin edilen bekleme süresi + 3 standart sapma

ANOMALY_DETECTION_

THRESHOLD_WARNING

Veritabanı Örneğinde Yük Değiştiğinde Öğrenme Tarihini Belirleme

Eğer bir veritabanı örneğinde yük önemli ölçüde değişirse (örneğin, ağ ortamındaki değişiklikler nedeniyle), daha önce toplanan öğrenme verisi artık doğru olmayabilir. Bu verinin anomali tespiti için kullanılmasını engellemek amacıyla, gelişmiş Support seçeneği olarak ANOMALY_DETECTION_FORCE_LEARNING_DATE‘i yük değişikliğinin gerçekleştiği tarihe ayarlayın. Bu tarihten önce toplanan bekleme süresi verileri, gelecekteki bekleme sürelerini tahmin etmek için kullanılmaz.

Bir Veritabanı Örneği İçin Anomali Tespitini Devre Dışı Bırakma

Varsayılan olarak, anomali tespiti tüm veritabanı örneklerinde etkindir. İş yükü tutarsız veya izleme düzensiz olan bir veritabanı örneği için anomali tespitini devre dışı bırakmak için, ilgili örnekte gelişmiş seçenek olarak ANOMALY_DETECTION_ENABLED‘ı False olarak ayarlayın.

Sonuç

Veritabanı Gözlemlenebilirliği, veritabanı performansını izlerken beklenmeyen değişiklikleri hızlıca tespit etme konusunda önemli bir avantaj sağlar. Anomali tespit algoritması, veritabanı örneklerinin bekleme sürelerini analiz ederek, olağan dışı artışları uyarı veya kritik seviyelerde bildirir. Bu sayede, database ekipleri, performans sorunlarını proaktif bir şekilde belirleyebilir ve hızlı müdahale edebilir. Veritabanı Gözlemlenebilirliği, genellikle sürekli ve tutarlı iş yükleriyle çalışan veritabanı örneklerinden alınan verileri kullanarak doğru tahminler yapar. QA, raporlama veya düzensiz iş yüklerine sahip veritabanları için anomali tespiti devre dışı bırakılabilir. Veritabanı Gözlemlenebilirliği, günlük ve haftalık değişim analizleriyle, zaman dilimlerine dayalı bekleme sürelerini anlamanızı sağlar, böylece daha verimli yönetim ve izleme süreçlerine olanak tanır.

Gözlemlenebilirlik çözümlerinin tamamına göz atın!