Erkennung von Datenbankanomalien mit Machine Learning
Muster im Warteverhalten der Datenbank mit einem Tool zur Anomalieerkennung automatisch erkennen
Wenn Sie sich auf Stammeswissen verlassen, ist es für Neulinge schwer, sich dieses Wissen anzueignen. Manchmal verhindert die schiere Größe in größeren Umgebungen ein tiefgehendes und umfassendes Verständnis. Machen Sie Stammeswissen überflüssig und lassen Sie den Machine Learning-Algorithmus in SolarWinds® Database Performance Analyzer (DPA) dabei helfen, normale Verhaltensmuster automatisch zu „verstehen“. Verhindern Sie, dass Wissen das Unternehmen verlässt, wenn ein wichtiger Mitarbeiter bzw. eine wichtige Mitarbeiterin den Job wechselt. Automatisieren und wahren Sie dieses Wissen, damit jeder in Ihrem Team profitiert.
Der Machine Learning-Algorithmus in DPA wurde entwickelt, um mit der Zeit intelligenter zu werden und seine Vorhersagegenauigkeit zu verbessern, wenn mehr Daten gesammelt werden.
Erfahren Sie mehr über anomaliebasierte Datenbanküberwachung, indem Sie über Spitzenwerte hinausgehen
Datenbankadministratoren konzentrieren sich in der Regel auf Spitzen in der Datenbankleistung. Obwohl dies eine gute Methode sein kann, um problematisches Verhalten einzugrenzen, ist die Analyse von Verhaltensspitzen nicht der einzige Indikator für Leistungsänderungen. In der Tat sind Leistungsschwankungen in den meisten Produktionsdatenbanken normal und zu erwarten. Datenbankadministratoren müssen die erwarteten Abweichungen berücksichtigen und unerwartete Ereignisse melden können.
Die intelligente SQL-Datenbankanomalieerkennung in DPA kann über Spitzenwerte hinausgehen, um erwartete Abweichungen zu berücksichtigen und darauf hinzuweisen, wenn etwas Unerwartetes passiert. Dieses Tool zur Anomalieerkennung meldet solche Ereignisse und bietet Ihnen mehrere Möglichkeiten, um festzustellen, wann etwas von der Norm abweicht.
Effektive Fehlerbehebung mit einem Tool zur Anomalieerkennung, das bei signifikanten Verhaltensänderungen Alarm schlägt
Das Erkennen von Datenbankanomalien ist eine Sache, aber da niemand rund um die Uhr auf ein Dashboard starrt, kann DPA Warnungen senden, wenn Verhaltensänderungen erkannt werden. Reduzieren Sie Falschmeldungen, indem Sie die Empfindlichkeit auf ein Niveau senken, mit dem Sie sich wohl fühlen. Lassen Sie sich dann die Beobachtung von DPA abnehmen.
DPA überwacht ständig Ihre Datenbank und kann Warnmeldungen senden, wenn Verhaltensänderungen erkannt werden. Dieses Tool zur Anomalieerkennung informiert Sie, wenn sich die Workload ändert, wenn Wartungsaufträge während der Geschäftszeiten ausgeführt werden oder wenn andere unerwartete Änderungen auftreten, die Sie untersuchen möchten.
Neueste verfügbare Daten für die SQL-Datenbankanomalieerkennung nutzen
Anomalieerkennung mithilfe eines mit mehreren Datenbanktypen kompatiblen, robusten Tools zur Anomalieerkennung
Warum sollte ich Anomalieerkennung bei der Datenbanküberwachung einsetzen?
Die Anomalieerkennung in einer Datenbank, die in der Regel durch Machine Learning unterstützt wird, ist eine Methode zur Identifizierung ungewöhnlicher Ereignisse in einer Datenbank. Obwohl Datenbanken Ausreißer haben können (und Anomalien sind in den meisten Fällen Ausreißer), sind nicht alle Ausreißer Anomalien. Mithilfe eines Tools zur Anomalieerkennung können Datenbankadministratoren ungewöhnliche oder unerwartete Instanzen auf der Grundlage von Datenbankleistungsbaselines leichter finden, wobei „ungewöhnlich“ und „unerwartet“ als „statistisch unwahrscheinlich“ definiert wird.
Die Anomalieerkennung bei der Datenbanküberwachung ist ideal für Folgendes:
- Finden ungewöhnlicher Messdatenwerte zur Identifizierung unerkannter Probleme
- Finden von Änderungen in wichtigen Messdaten, die von Datenbankadministratoren untersucht werden können
- Eingrenzung des Suchbereichs bei der Diagnose eines erkannten Problems
- Reduzierung der Notwendigkeit, Schwellenwerte neu zu kalibrieren
Datenbankadministratoren können die Anomalieerkennung bei der Datenbanküberwachung nutzen, um schneller einen Überblick über wichtige Themen zu erhalten. Ein Tool zur Erkennung von Datenbankanomalien kann Datenbankadministratoren auch auf ungewöhnliche Änderungen aufmerksam machen, die möglicherweise auf ein Leistungsproblem der Datenbank hinweisen, bevor es zu einem Engpass wird.
Wie hilft Machine Learning bei der Erkennung von Anomalien?
Machine Learning hilft, die Anomalieerkennung in einigen Schlüsselbereichen zu verbessern:
- Erhöht die Genauigkeit: Durch Machine Learning wird die anomaliebasierte Überwachung von Datenbanken genauer. Um ungewöhnliche Ereignisse in Ihrer Datenbank effektiv hervorzuheben, muss das Tool zur Anomalieerkennung zunächst eine Baseline für Ihre Datenbankleistung erstellen. Diese Baselines ändern sich jedoch im Laufe der Zeit, wenn Sie eine Neuoptimierung und Tabellenoptimierung vornehmen. Durch Machine Learning können diese Änderungen automatisch berücksichtigt, neu kalibriert und neue Baselines erstellt werden, sodass Datenbankadministratoren mit den genauesten Daten arbeiten können. Außerdem kann Machine Learning die Anomalieerkennung im Laufe der Zeit intelligenter machen, sodass die Warnungen genauer werden.
- Reduziert Komplexität: Beim Machine Learning werden Datenbankadministratoren mithilfe von Automatisierung und schneller Analyse große Datenmengen aufgeschlüsselt, damit sie damit umsetzbare Aufgaben erstellen können. Dies trägt auch zur Reduzierung der Komplexität bei der Fehlerbehebung bei, da Machine Learning Datenbankadministratoren darauf hinweisen kann, wo möglicherweise Leistungsprobleme auftreten. Dadurch müssen sie nicht die gesamte Datenbank danach durchsuchen.
Wie funktioniert die anomaliebasierte Datenbanküberwachung in DPA?
Die anomaliebasierte Datenbanküberwachung in SolarWinds® Database Performance Analyzer (DPA) wurde entwickelt, um die Bemühungen zur Leistungsoptimierung auf zwei Arten zu unterstützen:
- Der Machine Learning-Algorithmus lernt, was für Ihre Datenbank „normal“ ist und sagt Wartezeiten voraus. Der Algorithmus benötigt mindestens drei Tage alte Daten, um mit dem „Lernen“ zu beginnen und kann bis zu 90 Tage historisches Lernen verwenden. DPA sammelt die Daten über den Algorithmus.
- Basierend auf den Lerndaten berechnet der Algorithmus von DPA die voraussichtliche Wartezeit für jede Stunde der nächsten 90 Tage sowie die Standardabweichung für den gesamten Datensatz. (Die Standardabweichung wird zur Berechnung der Schwellenwerte verwendet.) Wenn genügend Daten zur Verfügung stehen, macht DPA Vorhersagen über die tägliche und wöchentliche Saisonalität und Muster von vorhersehbaren Schwankungen während des Tages.
DPA vergleicht die tatsächliche Wartezeit für eine Stunde und vergleicht sie mit der vorhergesagten Wartezeit und sucht nach Abweichungen. Wenn die tatsächliche Wartezeit über einem kritischen Schwellenwert liegt, kann DPA Folgendes durchführen:
- Eine Warnung wegen einer Datenbankinstanz-Wartezeitanomalie auslösen, soweit dies konfiguriert wurde
- Farbe der Wartezeitanzeige auf der DPA-Homepage ändern
- Gelbe oder rote Segmente auf den Diagrammbalken der Anomalieerkennung anzeigen
- Warum sollte ich Anomalieerkennung bei der Datenbanküberwachung einsetzen?
- Wie hilft Machine Learning bei der Erkennung von Anomalien?
- Wie funktioniert die anomaliebasierte Datenbanküberwachung in DPA?
- Finden ungewöhnlicher Messdatenwerte zur Identifizierung unerkannter Probleme
- Finden von Änderungen in wichtigen Messdaten, die von Datenbankadministratoren untersucht werden können
- Eingrenzung des Suchbereichs bei der Diagnose eines erkannten Problems
- Reduzierung der Notwendigkeit, Schwellenwerte neu zu kalibrieren
Warum sollte ich Anomalieerkennung bei der Datenbanküberwachung einsetzen?
Die Anomalieerkennung in einer Datenbank, die in der Regel durch Machine Learning unterstützt wird, ist eine Methode zur Identifizierung ungewöhnlicher Ereignisse in einer Datenbank. Obwohl Datenbanken Ausreißer haben können (und Anomalien sind in den meisten Fällen Ausreißer), sind nicht alle Ausreißer Anomalien. Mithilfe eines Tools zur Anomalieerkennung können Datenbankadministratoren ungewöhnliche oder unerwartete Instanzen auf der Grundlage von Datenbankleistungsbaselines leichter finden, wobei „ungewöhnlich“ und „unerwartet“ als „statistisch unwahrscheinlich“ definiert wird.
Die Anomalieerkennung bei der Datenbanküberwachung ist ideal für Folgendes:
Datenbankadministratoren können die Anomalieerkennung bei der Datenbanküberwachung nutzen, um schneller einen Überblick über wichtige Themen zu erhalten. Ein Tool zur Erkennung von Datenbankanomalien kann Datenbankadministratoren auch auf ungewöhnliche Änderungen aufmerksam machen, die möglicherweise auf ein Leistungsproblem der Datenbank hinweisen, bevor es zu einem Engpass wird.
Optimieren Sie Ihre Datenbanken besser mit einem Tool zur Anomalieerkennung
Database Performance Analyzer
- Kombinieren Sie ein robustes Tool zur Anomalieerkennung mit einfachen Daten-Drilldowns, Kontextfestlegung und einer konsistenten Navigation.
- Verwenden Sie ein Tool zur Erkennung von Datenbankanomalien, um zu sehen, was blockiert wird und was die Blockierung verursacht.
- Entsperren Sie die richtigen Daten, um Ihre SQL-Datenbankanomalieerkennung optimal zu nutzen.
Ab $1,275
Abonnement- und Dauerlizenzoptionen verfügbar
