DBdoctor恭祝大家龙行龘龘,前程朤朤

值此新年之际,DBdoctor恭祝大家龙行龘龘,前程朤朤。尤其是当前还跟我一样奋斗在护航春节一线的战友们,祝愿大家2024年系统又快又稳。
在这里插入图片描述
今年是DBdoctor护航春晚的第三年,聚好看作为海信旗下的互联网科技公司,服务着海信全球亿级互联网电视用户,每年大年夜大家集中看电视的日子都是我们的流量洪峰,DBdoctor都会站好最后一班岗。

今年尤其特殊,DBdoctor不仅支撑了海信内部上下游用户,还支撑了大量外部用户,尤其是春节假期前的巡检,DBdoctor帮用户发现了太多之前未发现的潜在隐患,“DBdoctor发现的所有问题和隐患都已解决完,我是不是可以不用带电脑回家了?”昨天有客户在支撑群里这样问道,更加坚定了DBdoctor聚焦在性能领域持续深入死磕的决心。

2023年总结

2023年是DBdoctor正式对外的元年,团队所有成员均是研发或DBA出身,说起eBPF诊断或者内核源码每个人都能滔滔不绝,但是说起对外推广,真不是我们擅长的,所以一直有用户和朋友给我们反馈,你们山东人真实在,总是在默默的增加新功能,所以今天给大家拜年的同时交个作业,汇报下23年DBdoctor的演进。

1)产品化

在上半年做了大量用户调研和体验改善后,8月份正式从内部的DBdoctor2.0版本升级到了DBdoctor3.0,并在DTCC大会上首次发布,DBdoctor首发受到业界同仁的广泛关注,短短四个月就有200多家用户把DBdoctor应用在了生产环境,这期间也与行业新老朋友做了大量的深入交流,这也是DBdoctor成长最快的四个月。
在这里插入图片描述

2)用户体验

大会后我们快速迭代了5个小版本,主要集中在用户体验和能力提升上。按照TTHW(Time to hello word,是指用给定的编程语言输出hello word的时间)标准,数据库工具产品的15分钟测试原则,安装体验变得尤为重要。目前DBdoctor安装包大小已优化到1.5G内,Server的资源依赖优化到2C4G,Agent最大开销在1C1G,一键拉起速度在5分钟内,拉起成功率做到了98%,而且Agent也做到了远程一键安装。为了让用户快速熟悉DBdoctor核心能力,系统默认自带测试实例,而且对实例进行了自动压测,可以立即上手体验。
在这里插入图片描述

3)能力提升

DBdoctor对外面向更广阔的用户后,用户需求正向驱动产品能力进一步提升。出现性能问题时用户更希望直接看到问题的根因,而不是在不同tab页上挨个排查,所以DBdoctor上线了自动根因诊断,可以把同类问题聚合起来并给出根因分析。DBdoctor最大特色就是把性能问题转换为数学,通过查看颜色块的面积或者相关性便能排查性能问题,用户使用后并不知道什么时候该看面积什么时候该看相关性,所以DBdoctor上线了图形识别算法,根据不同指标的抖动自动关联计算图形,最后直接把源头SQL展示给用户。
在这里插入图片描述

4)范围拓展

很多用户反馈DBdoctor能否把公有云RDS也给管起来,也有用户反馈自己基于Prometheus搭建了基础监控,为此DBdoctor上线了多数据源配置,可以基于已有的基础监控进行诊断分析,也可以对接公有云OpenAPI获取监控数据。也有用户反馈希望接入他们的邮箱或者已有的夜莺系统进行事件通知,为此DBdoctor上线了告警通道管理和指标配置,可以灵活配置事件通知规则和通道。

5)引擎扩展

技术深度是吸引业内同仁关注DBdoctor最重要的点,关于eBPF如何做到对数据库性能几乎无损,如此庞大的采集数据如何做大数据处理,常态化审计日志如何对内核几乎无损还能不丢包,复杂的锁分析如何分析泳道和拼装环等等,这是我们前期只聚焦在MySQL单引擎上没有着急去大量扩展的原因。当前DBdoctor已经成熟,扩展引擎的时机来了,年底已成功适配PolarDB和OceanBase两款国产引擎,已与PolarDB完成产品认证,年后会正式公布。
在这里插入图片描述

6)主动发现

传统监控一直以来承担的都是事后行为,在出现问题后回过头来分析原因,可以辅助解决已知问题,DBdoctor打破传统被动思维转向主动发现,提出了基于图形识别的问题发现算法,可以理解为寻找图形的突变,根据不同的突变幅度进行等级分类,目前主要分为了异常和隐患两个等级,不止于主动找出事件,还去定位引起此事件的根因。额外,DBdoctor还实现了全方位的性能巡检,可以把主动发现的问题联动根因一起产生报告。
在这里插入图片描述

7)优化建议

DBdoctor的发展路径为诊断、优化、自治三个阶段。今年实现了向优化阶段转型,年底的新版本DBdoctor3.1.1已具备索引推荐能力,自研基于cost的外置优化器,与传统基于规则经验的方式不同,外置cost优化器无需在用户库上增加索引即可评估索引的cost代价消耗,与根因诊断结合,实现了问题主动发现,主动分析根因,主动给出优化建议。年后工作第一周官网免费试用,敬请期待!

2024年规划

24年DBdoctor会有两大发展方向,第一点就是扩展引擎,已有大量的PostgreSQL、Oracle等相关用户在呼唤,24年计划支持9款引擎,目前国产数据库百花齐放,如果您所使用的引擎有性能诊断与优化需求,也请主动与我们联系;第二点是拥抱AI,目前DBdoctor已全面覆盖SQL分析、锁诊断等场景,但在空间规划、参数调优等很多性能场景依然缺失,我们AI预研团队已跑通多项成果,24年会实现预研与产品的转换。

DBdoctor致力于解决数据库的一切性能问题,实现数据库高度自治,让我们一起共赴DB AGI时代。

关于我们

关注我们:
公众号:DBdoctor服务
官网地址:https://www.hisensecloud.com/h-col-126.html?statId=9 建议在PC端打开,为您提供下载和在线试用两个选项。

DBdoctor介绍:DBdoctor,致力于解决数据库的一切性能问题

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/676334.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

MySQL-索引(INDEX)

文章目录 1. 索引概述及优劣势2. 索引结构和不同引擎对索引的支持情况2.1 Btree2.2 Hash索引 3. 索引分类4. 索引语法5. 索引在什么情况下会失效?5.1 最左前缀法则5.2 范围查询5.3 索引列运算5.4 头部模糊查询5.5 OR连接条件5.6 字符串不加引号5.7 数据分布影响 6. …

eosio.token 智能合约介绍

一、目的 eosio.token系统合约定义了允许用户为基于EOSIO的区块链创建、发行和管理代币的结构和操作,它演示了一种实现允许创建和管理代币的智能合约的方法。本文详细介绍了eosio.token系统合约并在本地测试链上实际发行了代币进行演示,适用于EOS智能合…

Bee V2.2 分库分表 Sharding+MongoDB ORM 稳定版发布 (更新 Maven)

Hibernate/MyBatis plus Sharding JDBC Jpa Spring data GraphQL App ORM (Android, 鸿蒙) Bee 小巧玲珑!仅 860K, 还不到 1M, 但却是功能强大! V2.2 (2024.1.1・LTS 版) 1.Javabean 实体支持继承 (配置 bee.osql.openEntityCanExtendtrue) 2. 增强批…

移动最小二乘法

移动最小二乘法(Moving Least Square,MLS)主要应用于曲线与曲面拟合,该方法基于紧支撑加权函数(即函数值只在有限大小的封闭域中定义大于零,而在域外则定义为零)和多项式基函数,通过…

已解决io.seata.core.exception.RmTransactionException异常的正确解决方法,亲测有效!!!

已解决io.seata.core.exception.RmTransactionException异常的正确解决方法,亲测有效!!! 文章目录 问题分析 报错原因 解决思路 解决方法 总结 问题分析 io.seata.core.exception.RmTransactionException是在使用Seata进行…

【新书推荐】7.2节 寄存器寻址方式和直接寻址方式

本节内容:寄存器寻址方式的操作数在CPU内部的寄存器中,指令中指定寄存器号。 ■寄存器寻址方式:16位的寄存器操作数可以是AX、BX、CX、DX、SI、DI、SP、BP共计8个16位通用寄存器;8位寄存器操作数可以是AH、AL、BH、BL、CH、CL、D…

echarts 曲线图自定义提示框

<!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>曲线图</title><!-- 引入 ECharts 库 -->…

猪圈密码.

1.介绍 又称朱高密码、共济会密码、共济会暗号、共济会员密码&#xff0c;是一种以格子为基础的简单替代式密码。即时使用符号&#xff0c;也不影响密码分析&#xff0c;亦可用其他替代式密码。 2.产生背景 这是一种外形古怪的密码&#xff0c;已经传递了几百年。没有人明确…

C++ 设计模式之观察者模式

学习设计模式时&#xff0c;最好的方式是通过实际的例程来加深理解。以下是一个简单的C设计模式的例程&#xff0c;演示了观察者模式&#xff08;Observer Pattern&#xff09;的应用。观察者模式定义了一种一对多的依赖关系&#xff0c;使得当一个对象状态改变时&#xff0c;所…

防疫物资管理新篇章:Java+SpringBoot实战

✍✍计算机编程指导师 ⭐⭐个人介绍&#xff1a;自己非常喜欢研究技术问题&#xff01;专业做Java、Python、微信小程序、安卓、大数据、爬虫、Golang、大屏等实战项目。 ⛽⛽实战项目&#xff1a;有源码或者技术上的问题欢迎在评论区一起讨论交流&#xff01; ⚡⚡ Java实战 |…

【知识整理】技术新人的培养计划

一、培养计划落地实操 1. 概要 新人入职&#xff0c;要给予适当的指导&#xff0c;目标&#xff1a; 1、熟悉当前环境&#xff1a; 生活环境&#xff1a;吃饭、交通、住宿、娱乐 工作环境&#xff1a;使用的工具&#xff0c;Mac、maven、git、idea 等 2、熟悉并掌握工作技…

【C++从0到王者】第四十二站:类型转换

文章目录 一、 C语言中的类型转换1. C语言中的类型转换2.一个常见的坑 二、为什么C需要四种类型转换三、C强制类型转换1.static_cast2.reinterpret_cast3.const_cast4.dynamic_cast 四、RTTI 一、 C语言中的类型转换 1. C语言中的类型转换 在C语言中&#xff0c;如果赋值运算符…

免费软件推荐-开源免费批量离线图文识别(OCR)

近期要批量处理图片转电子化&#xff0c;为了解决这个世纪难题&#xff0c;试了很多软件&#xff08;华为手机自带OCR识别、 PandaOCR、天若OCR、Free OCR&#xff09;等软件&#xff0c;还是选择了这一款&#xff0c;方便简单 一、什么是OCR? 光学字符识别&#xff08;Opt…

大模型学习 一

https://www.bilibili.com/video/BV1Kz4y1x7AK/?spm_id_from333.337.search-card.all.click GPU 计算单元多 并行计算能力强 指数更重要 A100 80G V100 A100 海外 100元/时 单卡 多卡并行&#xff1a; 单机多卡 模型并行 有资源的浪费 反向传播 反向传播&#xff08;B…

C++11新特性(一)

目录 C11简介 统一的列表初始化 变量类型推导 std::initializer_list 声明 auto decltype nullptr STL的一些变化 右值引用 右值引用和左值引用 右值引用适用场景 移动构造和移动语义 对类的影响 可变参数模板 递归函数方式展开参数包 STL容器中的empalce相…

使用Launch4j将jar包转成.exe可执行文件

Launch4j官网:Launch4j - Cross-platform Java executable wrapper 然后点击上面按钮 随便写个文件名

2024-02-08(Flume)

1.Flume 的架构和MQ消息队列有点类似 2.Flume也可以做数据的持久化操作 在Channel部分选择使用File channel组件 3.Flume进行日志文件监控 场景&#xff1a;企业中应用程序部署后会将日志写入到文件中&#xff0c;我们可以使用Flume从各个日志文件将日志收集到日志中心以便…

数据结构(C语言)代码实现(八)——顺序栈实现数值转换行编辑程序括号分配汉诺塔

目录 参考资料 顺序栈的实现 头文件SqStack.h&#xff08;顺序栈函数声明&#xff09; 源文件SqStack.cpp&#xff08;顺序栈函数实现&#xff09; 顺序栈的三个应用 数值转换 行编辑程序 顺序栈的实现测试 栈与递归的实现&#xff08;以汉诺塔为例&#xff09; 参考资…

【Leetcode】236. 二叉树的最近公共祖先

文章目录 题目思路代码结果 题目 题目链接 给定一个二叉树, 找到该树中两个指定节点的最近公共祖先。 百度百科中最近公共祖先的定义为&#xff1a;“对于有根树 T 的两个节点 p、q&#xff0c;最近公共祖先表示为一个节点 x&#xff0c;满足 x 是 p、q 的祖先且 x 的深度尽可…

[算法前沿]--058- LangChain 构建 LLM 应用详细教程

什么是LLMs? LLM,即大型语言模型,是指经过大量文本数据训练的最先进的语言模型。它利用深度学习技术来理解和生成类似人类的文本,使其成为各种应用程序的强大工具,例如文本完成、语言翻译、情感分析等。LLMs最著名的例子之一是 OpenAI 的 GPT-3,它因其语言生成能力而受到…