Mejorar el rendimiento de las consultas sql
Para predecir el uso de recursos de consulta, los enfoques preexistentes del sistema de gestión de bases de datos (SGBD) suelen utilizar planes de consulta generados a partir de motores SQL. Este enfoque limitó nuestra capacidad de predecir el uso de recursos para la programación de consultas y el escalado preventivo cuando no utilizamos motores SQL.
El clúster de formación realiza el cálculo de aprendizaje automático para la formación del modelo. Entrenamos dos modelos de aprendizaje automático, un modelo de CPU y un modelo de memoria, a partir de registros históricos de solicitudes para la predicción del tiempo de CPU y de los picos de memoria. El clúster de formación hace lo siguiente:
El repositorio de modelos gestiona los modelos entrenados y los almacena en un repositorio central como GCS. El clúster de servicio obtiene los modelos del repositorio de modelos y los envuelve en un servicio de predicción basado en la web. Este proceso expone puntos finales de la API RESTful para solicitudes externas. Estos puntos finales pueden utilizarse para predecir el tiempo de CPU y el pico de memoria para las consultas SQL en línea de las herramientas de cuaderno/BI (para que los clientes obtengan una estimación del uso de los recursos de consulta) y el enrutador (para la programación de consultas y el escalado preventivo).
Rendimiento de las consultas en sql server
Fuze es un proveedor de plataformas de comunicación y colaboración basadas en la nube. Fuze impulsa la transformación del lugar de trabajo para sus clientes con datos de 2,5 millones de reuniones, 20 millones de llamadas y 33 millones de mensajes cada año.
Fundada en 2006, Fuze buscaba resolver un problema para las conversaciones empresariales. Les faltaban dos ingredientes clave: comunicación y colaboración. En la actualidad, la plataforma de Fuze unifica los servicios de voz, vídeo, mensajería y conferencias en una única y galardonada plataforma en la nube, y ofrece a los clientes aplicaciones inteligentes y preparadas para dispositivos móviles.
Un almacén de datos central de Amazon Redshift combina datos de un número creciente de fuentes y eventos. La cadena de herramientas en torno a Amazon Redshift incluye ETLeap y Dell Boomi para la ingestión de datos y las canalizaciones ETL. Fuze ejecuta transformaciones de datos a gran escala dentro de Redshift en SQL. Para la inteligencia empresarial y los cuadros de mando, Fuze utiliza Looker.
A medida que Fuze ha ido aumentando su base de clientes y su número de empleados, los datos se han convertido en un componente fundamental. Más de 300 personas consultan constantemente el almacén de datos en las 19 oficinas mundiales de Fuze.
Conocimiento del rendimiento de las consultas
Saltar NavegaciónOLTP y OLAP: Los dos términos se parecen, pero se refieren a diferentes tipos de sistemas. El procesamiento de transacciones en línea (OLTP) captura, almacena y procesa los datos de las transacciones en tiempo real. El procesamiento analítico en línea (OLAP) utiliza consultas complejas para analizar los datos históricos agregados de los sistemas OLTP.
Un sistema OLTP captura y mantiene los datos de las transacciones en una base de datos. Cada transacción implica registros individuales de la base de datos compuestos por múltiples campos o columnas. Algunos ejemplos son la actividad bancaria y de las tarjetas de crédito o el escaneo de las cajas de los comercios.
OLAP aplica consultas complejas a grandes cantidades de datos históricos, agregados a partir de bases de datos OLTP y otras fuentes, para proyectos de minería de datos, análisis e inteligencia empresarial. En OLAP, el énfasis está en el tiempo de respuesta a estas consultas complejas. Cada consulta implica una o más columnas de datos agregados a partir de muchas filas. Algunos ejemplos son el rendimiento financiero anual o las tendencias de generación de contactos de marketing. Las bases de datos OLAP y los almacenes de datos ofrecen a los analistas y a los responsables de la toma de decisiones la posibilidad de utilizar herramientas de elaboración de informes personalizadas para convertir los datos en información. Los fallos de consulta en OLAP no interrumpen ni retrasan el procesamiento de las transacciones para los clientes, pero pueden retrasar o afectar a la precisión de los conocimientos de inteligencia empresarial.
Impacto en el rendimiento del almacén de consultas
La función Query Store le proporciona información sobre la elección del plan de consulta y el rendimiento de SQL Server, Azure SQL Database, Azure SQL Managed Instance y Azure Synapse Analytics. El Almacén de consultas simplifica la resolución de problemas de rendimiento ayudándole a encontrar rápidamente las diferencias de rendimiento causadas por los cambios en el plan de consultas. Query Store captura automáticamente un historial de consultas, planes y estadísticas de tiempo de ejecución, y los conserva para su revisión. Separa los datos por ventanas de tiempo para que pueda ver los patrones de uso de la base de datos y comprender cuándo se produjeron cambios en el plan de consulta en el servidor. Puede configurar el almacén de consultas mediante la opción ALTER DATABASE SET.
Los planes de ejecución para cualquier consulta específica en SQL Server normalmente evolucionan con el tiempo debido a un número de diferentes razones como cambios de estadísticas, cambios de esquema, creación/eliminación de índices, etc. La caché de procedimientos (donde se almacenan los planes de consulta en caché) sólo almacena el último plan de ejecución. Los planes también son desalojados de la caché de planes debido a la presión de la memoria. Como resultado, las regresiones en el rendimiento de las consultas causadas por los cambios en el plan de ejecución pueden ser no triviales y requerir mucho tiempo para resolverlas.