SolarWinds AI:よりスマートなデータベース監視

データベースの異常検出は、通常、機械学習を利用しており、データベース内で起こった異常なイベントを識別する方法です。データベースには外れ値が存在する可能性がありますが（たいていの場合、異常値は外れ値です）、すべての外れ値が異常値であるとは限りません。異常検出ツールを使用すると、DBAは、データベース パフォーマンスのベースラインに基づいて「異常な」インスタンスや「予期しない」インスタンスをより簡単に見つけ出し、異常なインスタンスや予期しないインスタンスを「統計的にあり得ないもの」として定義できます。

データベース監視での異常検出が適切な場合：

• 異常なメトリック値を見つけて、未検出の問題を特定する
• データベース管理者が調査できるよう、重要なメトリックの変更を見つける
• 検出された問題を診断する際に焦点を当てて検索する 
• しきい値を再調整する必要性を抑える

DBAは、データベース監視の異常検出を活用し、問題をより迅速に掘り下げることができます。データベースの異常検出ツールは、ボトルネックに発展する前に、データベースのパフォーマンス問題が現れる可能性のある異常な変化をDBAに警告することもできます。

機械学習は、いくつかの重要な分野で異常検出を改善するのに役立ちます。

• 正確性の向上：機械学習により、データベースの異常値に基づく監視がより正確になります。データベース内の異常なイベントを効果的に強調表示するには、まず異常検出ツールでデータベース パフォーマンスのベースラインを確立する必要があります。しかし、これらのベースラインは、再最適化やテーブル チューニングを行うにつれて、時間の経過とともに変化します。機械学習なら、これらの変更を自動的に説明し、再調整し、新しいベースラインを作成できるため、DBAは一番正確なデータを使用して作業できます。また、機械学習により、異常検出ツールが時間の経過とともにより賢くなるため、アラートがより正確になっていきます。 


• 複雑さの軽減：機械学習は自動化と高速分析を使用して、データベース管理者が大規模なデータ セットを分解し、それらを使用して実用的なタスクを作成できるようにします。また、機械学習があれば、パフォーマンスの問題が発生している可能性のある場所をDBAに知らせることができるため、トラブルシューティングの複雑さを軽減するのにも役立ちます。これがあれば、データベース全体を検索する必要はありません。 

SolarWinds^® Database Performance Analyzer（DPA）の異常値に基づくデータベース監視は、主に2つの方法でパフォーマンス最適化の取り組みを示すために構築されています。

1. 機械学習アルゴリズムは、データベースの「正常性」を学習し、待機時間を予測します。このアルゴリズムは、「学習」を始めるにあたり、最低3日間のデータを必要とし、最大90日間の履歴を学習に使用できます。DPAはアルゴリズムからデータを収集します。 


2. DPAのアルゴリズムは、学習データに基づいて、これから90日間に時間ごとに、データベースで発生する可能性のある待機時間と、データセット全体の標準偏差を計算します。（標準偏差は、しきい値の計算に使用されます。）十分なデータが利用可能になると、DPAは、日ごとおよび週ごとに見られる時期的内容や、日中の予測可能な変動のパターンに関する予測を行います。

DPAは、1時間の実際の待機時間を比較し、それを予測待機時間と比較して、一致しない部分を探します。実際の待機時間が重要なしきい値を超えている場合、DPAが実行する内容：

• 構成済みであれば、データベース インスタンス待機時間の異常アラートをトリガーする
• DPAホームページの待機時間メーターの色を変更する
• 異常検出グラフのバーに黄色または赤色のセグメントを表示する