Экспериментальное исследование системы автоматического поиска и устранения неисправностей в базе данных

Современные приложения ориентированы на облачные сервисы для достижения лучшей производительности, географической репликации и снижения стоимости владения. Следуя существующим концепциям облачных сервисов, данное исследование использует богатые телеметрические данные и отображает рабочую нагрузку, выполняемую с использованием базы данных SQL компании Azure. Основной целью данного исследования является потенциальное улучшение как сервиса, так и обслуживания клиентов с помощью контролируемой платформы. Автоматическая система поиска неисправностей в базе данных предназначена для обнаружения проблем в реляционной облачной базе данных и обеспечения соответствующего анализа причин возникновения неполадок с целью сокращения времени и затрат на ручной поиск и решение данных проблем. Эта система была внедрена поверх платформы Microsoft Azure. Она основана на научных моделях общих и категориальных статистических данных, которые были разработаны и построены после тщательного анализа собранных телеметрических данных. Окончательная первопричина каждого текущего вопроса в сервисе Azure собирается после анализа результатов моделей с помощью экспертной системы. Результаты оценки показывают, что постоянное совершенствование инфраструктуры сократило время обработки примерно в 2 раза, в то время как количество интервалов увеличилось в два раза, что можно считать общим улучшением примерно в 4 раза.

1. Данилов А.Д., Синюков Д.С. Механизм распределения данных о специальных транзакциях с оперативным контентом в реальном времени на основе кэширования в гетерогенных объектах распределенной сети. Информационные технологии моделирования и управления. 2021;125(3):216–223.

2. Данилов А.Д., Синюков Д.С. Подход к управлению транзакциями в гетерогенных распределенных реплицированных системах баз данных в реальном масштабе времени. Системы управления и информационные технологии. 2021;85(3):59–65.

3. Синюков Д.С., Данилов А.Д. Применение систем управления базами данных как сервиса в сложных информационных системах. Труды Всероссийской научной конференции «Достижения науки и технологий-ДНиТ-2021». Красноярск; 2021. Доступно по: http://ru-conf.domnit.ru/media/filer_public/42/d3/42d35c66-d78a-411c-b74d-9ef2f99ff7b6/3006-dnit-2021.pdf.

4. Sinyukov D.S. Problems of troubleshooting in databases. Modern informatization problems in simulation and social technologies (MIP-2022’SCT): Proceedings of the XXVII-th International Open Science Conference. Yelm, WA, USA. 2022;162–174.

5. Jeyakumar V., Madani O., Parandehgheibi A., Kulshreshtha A., Zeng W., Yadav N. ExplainIt! – A declarative root-cause analysis engine for time series data. SIGMOD'19 2019 International Conference on Management of Data, Amsterdam, Holland. 2019;333–348.

6. Raeder T., Dalessandro B., Provost F. Design principles of massive, robust prediction systems. 18th ACM SIGKDD international conference on Knowledge discovery and data mining, Beijing, China. 2012;1357–1365.

7. Automatic Performance Diagnostics. Oracle; 2017. Доступно по: https://docs.oracle.com/database/121/TGDBA/pfgrf_diag.htm#TGDBA026.

8. Automatic SQL tuning. Oracle; 2018. Доступно по: https://docs.oracle.com/cd/B28359_01/server.111/b28274/sql_tune.htm #CHDJDFGE.

9. Oleinikova S.A., Kravets O.Ja., Aksenov I.A., Frantsisko O.Yu., Rahman P.A., Atlasov I.V. The general scheme of the genetic algorithm for solving the task scheduling problem for a multistage system and assigning time for jobs. International Journal on Information Technologies and Security. 2021;13(4):47–58.

10. Mustafayev V.A., Zeynalabdiyeva I.S., Kravets O.Ja. Control model of parallel functioning production modules as fuzzy Petri nets. Journal of Physics: Conference Series. 2021;2094:022003. Доступно по: https://doi.org/10.1088/1742-6596/2094/2/022003.