Analysieren von Überwachungsdaten des Datenbankwatchers (Vorschau)

  • Artikel

Gilt für: Azure SQL-Datenbank Azure SQL Managed Instance

Neben dem Einsatz von Dashboards im Azure-Portal oder der Erstellung von Visualisierungen zum Anzeigen und Analysieren von SQL-Überwachungsdaten in Power BI, Grafana, Azure Data Explorer oder Echtzeitanalyse in Microsoft Fabric können Sie Ihren Überwachungsdatenspeicher auch direkt abfragen.

Dieser Artikel enthält Beispiele für KQL- und T-SQL-Abfragen, die Ihnen den Einstieg in die Analyse erfasster Überwachungsdaten erleichtern.

Einsatz von KQL zum Analysieren von Überwachungsdaten

Die empfohlene Methode zum Analysieren der erfassten Überwachungsdaten besteht darin, die Kusto-Abfragesprache (KQL) zu verwenden. KQL eignet sich optimal zum Abfragen von Telemetriedaten, Metriken und Protokollen. Es bietet umfassende Unterstützung für Textsuche und Parsing, Zeitreihenoperatoren und -funktionen, Analyse und Aggregation sowie viele andere Sprachkonstrukte, die die Datenanalyse vereinfachen.

KQL hat hinsichtlich der Konzeption Ähnlichkeit mit SQL. Es arbeitet mit Schemaentitäten wie Tabellen und Spalten und unterstützt relationale Operationen wie Projektieren, Einschränken, Verknüpfen und Zusammenfassen, die den Klauseln SELECT, JOIN, WHERE und GROUP BY in SQL entsprechen.

Zum Schreiben und Ausführen von KQL-Abfragen können Sie entweder den Kusto-Explorer oder die Azure Data Explorer-Web-Benutzeroberfläche verwenden. Kusto Explorer ist eine umfassende Windows-Desktopsoftware, während Sie mit der Azure Data Explorer-Web-Benutzeroberfläche KQL-Abfragen ausführen und Ergebnisse im Browser auf einer beliebigen Plattform visualisieren können.

Mit diesen Tools können Sie auch eine Datenbank in der Echtzeitanalyse in Microsoft Fabric abfragen. Zum Herstellen einer Verbindung müssen Sie über die Abfrage-URI Ihrer Echtzeitanalyse-Datenbank eine neue Verbindung hinzufügen. Bei Einsatz der Echtzeitanalyse können Sie außerdem Überwachungsdaten mithilfe von KQL-Abfragesets analysieren. Ein KQL-Abfrageset kann als gemeinsam nutzbares Fabric-Artefakt gespeichert und zum Erstellen von Power BI-Berichten verwendet werden.

Wenn Sie mit KQL noch nicht vertraut sind, können die folgenden Ressourcen für den Einstieg hilfreich sein:

Die folgenden Beispiele helfen Ihnen beim Schreiben eigener KQL-Abfragen zum Anzeigen und Analysieren erfasster SQL-Überwachungsdaten. Diese Beispiele können auch als Ausgangspunkt für die Erstellung eigener Datenvisualisierungen und Dashboards dienen.

Einsatz von KQL zum Abfragen des Ressourcenverbrauchs im Zeitverlauf

In diesem Beispiel gibt die Abfrage Metriken für den Ressourcenverbrauch (CPU, Worker, Durchsatz beim Schreiben von Protokollen usw.) für das primäre Replikat einer Datenbank, einen Pool für elastische Datenbanken oder eine SQL Managed Instance für die letzte Stunde zurück. Das Resultsets wird nicht nur zurückgegeben, sondern auch als Zeitdiagramm visualisiert.

Ändern Sie in diesem und anderen Beispielen die Variablen in den Let-Anweisungen so, dass sie Ihren Namen von Server, Datenbank, Pool für elastische Datenbanken oder SQL Managed Instance entsprechen. Wenn Sie ein anderes Zeitintervall verwenden möchten, können Sie die Variable duration ändern. Weitere Informationen finden Sie unter Zeitraumliterale.

let logicalServer = @"your-server-name";
let databaseName = @"your-database-name";
let replicaType = "Primary";
let duration = 1h;
sqldb_database_resource_utilization
| where sample_time_utc > ago(duration)
| where logical_server_name =~ logicalServer
| where database_name =~ databaseName
| where replica_type =~ replicaType
| project sample_time_utc,
          avg_cpu_percent,
          avg_instance_cpu_percent,
          avg_data_io_percent,
          avg_log_write_percent,
          max_worker_percent
| sort by sample_time_utc desc
| render timechart;

Einsatz von KQL zum Anzeigen der Eigenschaften von Datenbank, Pool für elastische Datenbanken oder SQL Managed Instance

In diesem Beispiel gibt die Abfrage einen Satz mit allen Datenbanken, Pools für elastische Datenbanken oder SQL Managed Instances zurück, bei denen mindestens eine Probe im entsprechenden Eigenschaften-Dataset im Lauf des letzten Tages erfasst wurde. Anders ausgedrückt stellt jede Zeile ein Überwachungsziel mit den zuletzt beobachteten Eigenschaften dar.

Die Funktion arg_max() aggregiert Daten so, dass die letzte Zeile für den angegebenen Spaltensatz zurückgegeben wird, der ein Ziel kennzeichnet. Bei Azure SQL-Datenbanken handelt es sich bei diesem Satz z. B. um logical_server_name, database_name, replica_type.

let duration = 1d;
sqldb_database_properties
| where sample_time_utc > ago(duration)
| summarize arg_max(sample_time_utc, *) by logical_server_name, database_name, replica_type
| project-rename last_sample_time_utc = sample_time_utc
| sort by tolower(logical_server_name) asc,
          tolower(database_name) asc,
          case(
              replica_type == "Primary", 0,
              replica_type == "Geo-replication forwarder", 1,
              replica_type == "Named secondary", 2,
              replica_type == "HA secondary", 3,
              4) asc;

Einsatz von KQL zum Anzeigen von Abfragelaufzeitstatistiken

Diese Abfrage gibt die höchstrangigen Abfragen des Ressourcenverbrauchs in Ihrer Azure SQL-Umgebung zurück. Ändern Sie eine Variable zum Erstellen einer Rangfolge von Abfragen nach einer beliebigen Metrik des Abfragespeichers, wie CPU-Zeit, verstrichene Zeit, Anzahl der Ausführungen usw. Sie können auch Variablen festlegen, um nach Zeitintervall, Art der Ausführung der Abfrage und Abfragetext zu filtern. Legen Sie Variablen fest, um den Schwerpunkt auf einen bestimmten logischen Server, einen Pool für elastische Datenbanken, eine SQL Managed Instance oder eine Datenbank zu legen.

Die Abfrage gibt anhand des Datasets für die Abfrage-Laufzeitstatistik die Anzahl der von Ihnen vorgegebenen höchstrangigen Abfragen zurück und nimmt deren Rangfolge nach allen weiteren Metriken für den Ressourcenverbrauch auf.

let topQueriesBy = "cpu_time"; // Set to one of the following metrics to return the top resource consuming queries:
// count_executions, duration, cpu_time, logical_io_reads, logical_io_writes, physical_io_reads, 
// num_physical_io_reads, clr_time, dop, query_max_used_memory, rowcount, log_bytes_used, tempdb_space_used 
let topQueries = 10; // Set the number of top queries to return
let endTime = now();
let startTime = endTime - 1d;
let logicalServerName = @""; // Optionally filter by logical server name
let elasticPoolName = @""; // Optionally filter by elastic pool name, if any databases are in elastic pools
let databaseName = @""; // Optionally filter by database name
let executionType = ""; // Optionally filter by execution type. Use Regular, Aborted, Exception.
let queryHash = ""; // Optionally filter by query hash (example: 0xBAAA461A6C93EA88)
let queryTextFragment = ""; // Optionally filter by a query text fragment
sqldb_database_query_runtime_stats
| where interval_start_time >= startTime and interval_end_time <= endTime
| where isempty(executionType) or execution_type_desc =~ executionType
| where isempty(logicalServerName) or logical_server_name =~ logicalServerName
| where isempty(elasticPoolName) or elastic_pool_name =~ elasticPoolName
| where isempty(databaseName) or database_name =~ databaseName
| summarize dcount_logical_servers = dcount(logical_server_name),
            any_logical_server_name = take_any(logical_server_name),
            dcount_elastic_pools = dcount(strcat(logical_server_name, "|", elastic_pool_name)),
            any_elastic_pool_name = take_any(elastic_pool_name),
            dcount_databases = dcount(strcat(logical_server_name, "|", database_name)),
            any_database_name = take_any(database_name),
            dcount_sql_module_name = dcount(sql_module_name),
            any_sql_module_name = take_any(sql_module_name),
            dcount_context_settings_id = dcount(context_settings_id),
            any_context_settings_id = take_any(context_settings_id),
            query_sql_text = take_any(query_sql_text),
            count_executions = sum(toreal(count_executions)),
            count_successful_executions = sumif(toreal(count_executions), execution_type_desc == "Regular"),
            count_aborted_executions = sumif(toreal(count_executions), execution_type_desc == "Aborted"),
            count_exception_executions = sumif(toreal(count_executions), execution_type_desc == "Exception"),
            duration_us = sum(avg_duration_us * count_executions),
            cpu_time_us = sum(avg_cpu_time_us * count_executions),
            logical_io_reads = sum(avg_logical_io_reads * count_executions),
            logical_io_writes = sum(avg_logical_io_writes * count_executions),
            physical_io_reads = sum(avg_physical_io_reads * count_executions),
            num_physical_io_reads = sum(avg_num_physical_io_reads * count_executions),
            clr_time_us = sum(avg_clr_time_us * count_executions),
            dop = sumif(avg_dop * count_executions, is_parallel_plan),
            query_max_used_memory = sum(avg_query_max_used_memory * count_executions),
            rowcount = sum(avg_rowcount * count_executions),
            log_bytes_used = sum(avg_log_bytes_used * count_executions),
            tempdb_space_used = sum(avg_tempdb_space_used * count_executions)
            by query_hash
| project logical_server_name = iif(dcount_logical_servers == 1, any_logical_server_name, strcat(any_logical_server_name, " (+", tostring(dcount_logical_servers - 1), ")")),
          elastic_pool_name = iif(dcount_elastic_pools == 1, any_elastic_pool_name, strcat(any_elastic_pool_name, " (+", tostring(dcount_elastic_pools - 1), ")")),
          database_name = iif(dcount_databases == 1, any_database_name, strcat(any_database_name, " (+", tostring(dcount_databases - 1), ")")),
          query_sql_text,
          count_executions,
          count_successful_executions,
          count_aborted_executions,
          count_exception_executions,
          duration_us,
          cpu_time_us,
          logical_io_reads,
          logical_io_writes,
          physical_io_reads,
          num_physical_io_reads,
          clr_time_us,
          dop,
          query_max_used_memory_kb = query_max_used_memory * 8,
          rowcount,
          log_bytes_used,
          tempdb_space_used_kb = tempdb_space_used * 8,
          sql_module_name = iif(dcount_sql_module_name == 1, any_sql_module_name, strcat(any_sql_module_name, " (+", tostring(dcount_sql_module_name - 1), ")")),
          context_settings_id = iif(dcount_context_settings_id == 1, tostring(any_context_settings_id), strcat(any_context_settings_id, " (+", tostring(dcount_context_settings_id - 1), ")")),
          query_hash
| sort by count_executions desc | extend count_executions_rank = row_rank_dense(count_executions)
| sort by duration_us desc | extend duration_rank = row_rank_dense(duration_us)
| sort by cpu_time_us desc | extend cpu_time_rank = row_rank_dense(cpu_time_us)
| sort by logical_io_reads desc | extend logical_io_reads_rank = row_rank_dense(logical_io_reads)
| sort by logical_io_writes desc | extend logical_io_writes_rank = row_rank_dense(logical_io_writes)
| sort by physical_io_reads desc | extend physical_io_reads_rank = row_rank_dense(physical_io_reads)
| sort by num_physical_io_reads desc | extend num_physical_io_reads_rank = row_rank_dense(num_physical_io_reads)
| sort by clr_time_us desc | extend clr_time_rank = row_rank_dense(clr_time_us)
| sort by dop desc | extend dop_rank = row_rank_dense(dop)
| sort by query_max_used_memory_kb desc | extend query_max_used_memory_rank = row_rank_dense(query_max_used_memory_kb)
| sort by rowcount desc | extend rowcount_rank = row_rank_dense(rowcount)
| sort by log_bytes_used desc | extend log_bytes_used_rank = row_rank_dense(log_bytes_used)
| sort by tempdb_space_used_kb desc | extend tempdb_space_used_rank = row_rank_dense(tempdb_space_used_kb)
| sort by case(
              topQueriesBy =~ "count_executions", toreal(count_executions),
              topQueriesBy =~ "duration", toreal(duration_us),
              topQueriesBy =~ "cpu_time", toreal(cpu_time_us),
              topQueriesBy =~ "logical_io_reads", toreal(logical_io_reads),
              topQueriesBy =~ "logical_io_writes", toreal(logical_io_writes),
              topQueriesBy =~ "physical_io_reads", toreal(physical_io_reads),
              topQueriesBy =~ "num_physical_io_reads", toreal(num_physical_io_reads),
              topQueriesBy =~ "clr_time", toreal(clr_time_us),
              topQueriesBy =~ "dop", toreal(dop),
              topQueriesBy =~ "query_max_used_memory", toreal(query_max_used_memory_kb),
              topQueriesBy =~ "rowcount", toreal(rowcount),
              topQueriesBy =~ "log_bytes_used", toreal(log_bytes_used),
              topQueriesBy =~ "tempdb_space_used", toreal(tempdb_space_used_kb),
              real(null)
              ) desc,
          count_executions desc
| project-away count_executions
| where isempty(queryHash) or query_hash == queryHash
| where isempty(queryTextFragment) or query_sql_text contains queryTextFragment
| take topQueries;

Einsatz von KQL zum Analysieren von Leistungsindikatoren im Zeitverlauf

In diesem Beispiel gibt die Abfrage Leistungsindikatorwerte für ein Zeitintervall zurück, das 30 Minuten vor der angegebenen Endzeit beginnt.

In diesem Beispiel werden kumulierte Leistungsindikatoren wie Total request count und Query optimizations/sec verwendet. Kumuliert bedeutet, dass der Indikatorwert mit der SQL-Abfrageaktivität immer größer wird. Die Abfrage in diesem Beispiel berechnet die Differenz oder das Delta zwischen dem Indikatorwert in den einzelnen Proben und seinem Wert in der vorherigen Probe, um die Anzahl der Anforderungen und Optimierungen zu gewinnen, die seit der vorherigen Probe stattgefunden haben, und visualisiert diese Metriken dann in einem Zeitdiagramm.

let logicalServer = @"your-server-name";
let databaseName = @"your-database-name";
let replicaType = "Primary";
let endTime = datetime("2023-12-19 22:10:00");
let startTime = endTime - 30m;
sqldb_database_performance_counters_common
| where sample_time_utc between (startTime .. endTime)
| where logical_server_name =~ logicalServer
| where database_name =~ databaseName
| where replica_type =~ replicaType
| where cntr_type == 272696576 // restrict to cumulative counters
| where object_name =~ "Workload Group Stats" and counter_name in ("Total request count","Query optimizations/sec")
| project replica_id, sample_time_utc, object_name, counter_name, cntr_value
| sort by replica_id asc, counter_name asc, sample_time_utc asc
| extend delta_cntr_value = iif(cntr_value >= prev(cntr_value) and counter_name == prev(counter_name) and replica_id == prev(replica_id), cntr_value - prev(cntr_value), real(null)),
         delta_sample_time_utc = iif(sample_time_utc >= prev(sample_time_utc), datetime_diff("Millisecond", sample_time_utc, prev(sample_time_utc)), long(null))
| where isnotempty(delta_sample_time_utc)
| extend value = delta_cntr_value / delta_sample_time_utc * 1000
| summarize requests_per_sec = take_anyif(value, counter_name =~ "Total request count"),
            query_optimizations_per_sec = take_anyif(value, counter_name =~ "Query optimizations/sec")
            by sample_time_utc
| sort by sample_time_utc desc
| project sample_time_utc, requests_per_sec, query_optimizations_per_sec
| render timechart;

Das folgende Beispiel betrifft zeitpunktorientierte Leistungsindikatoren, die den zuletzt beobachteten Wert angeben, z. B. Active memory grants count, Pending memory grants count und Processes blocked. Beim Zeitintervall handelt es sich um die letzten 30 Minuten.

let logicalServer = @"your-server-name";
let databaseName = @"your-database-name";
let replicaType = "Primary";
let duration = 30m;
sqldb_database_performance_counters_common
| where sample_time_utc > ago(duration)
| where logical_server_name =~ logicalServer
| where database_name =~ databaseName
| where replica_type =~ replicaType
| where cntr_type == 65792 // restrict to point-in-time counters
| where (object_name =~ "General Statistics" and counter_name in ("Processes blocked"))
        or
        (object_name =~ "Resource Pool Stats" and counter_name in ("Active memory grants count","Pending memory grants count"))
| project sample_time_utc, counter_name, cntr_value
| render timechart;

Im folgenden Beispiel wird anhand des Datasets für die Leistungsindikatoren (detailliert) die CPU-Auslastung für Benutzer und interne Ressourcenpools und Workloadgruppen in Azure SQL-Datenbank als Diagramm dargestellt. Weitere Informationen finden Sie unter Ressourcenverbrauch durch Benutzerworkloads und interne Prozesse.

Die Benutzerworkloads werden in den Ressourcenpools SloSharedPool1 oder UserPool ausgeführt, während alle anderen Ressourcenpools für verschiedene Systemworkloads genutzt werden.

Ebenso werden die Benutzerworkloads in den Workloadgruppen ausgeführt, deren Namen mit UserPrimaryGroup.DBId beginnt, während alle anderen Workloadgruppen für verschiedene Systemworkloads genutzt werden. Überwachungsabfragen des Datenbankwatchers werden beispielsweise in der Workloadgruppe SQLExternalMonitoringGroup ausgeführt.

let logicalServer = @"your-server-name";
let databaseName = @"your-database-name";
let replicaType = "Primary";
let endTime = datetime("2023-12-19 22:10:00");
let startTime = endTime - 30m;
sqldb_database_performance_counters_detailed
| where sample_time_utc between (startTime .. endTime)
| where logical_server_name =~ logicalServer
| where database_name =~ databaseName
| where replica_type =~ replicaType
| where cntr_type == 537003264 // restrict to ratio percentage counters
| where object_name =~ "Resource Pool Stats" and counter_name in ("CPU usage %")
| project sample_time_utc, resource_pool = instance_name, cpu_percentage = cntr_value
| render timechart;

let logicalServer = @"your-server-name";
let databaseName = @"your-database-name";
let replicaType = "Primary";
let endTime = datetime("2023-12-19 22:10:00");
let startTime = endTime - 30m;
sqldb_database_performance_counters_detailed
| where sample_time_utc between (startTime .. endTime)
| where logical_server_name =~ logicalServer
| where database_name =~ databaseName
| where replica_type =~ replicaType
| where cntr_type == 537003264 // restrict to ratio percentage counters
| where object_name =~ "Workload Group Stats" and counter_name in ("CPU usage %")
| project sample_time_utc, workload_group = instance_name, cpu_percentage = cntr_value
| render timechart;

Einsatz von KQL zum Analysieren von kumulierten Wartezeiten im Zeitverlauf

Dieses Beispiel zeigt, wie die höchstrangigen SQL-Wartetypen über ein Zeitintervall als Diagramm dargestellt werden. Die Abfrage berechnet die kumulierte Wartezeit für jeden Wartetyp in Millisekunden pro Sekunde verstrichener Zeit. Sie können die Abfragevariablen anpassen und die Start- und Endzeit des Intervalls, die Anzahl der aufzunehmenden höchstrangigen Wartetypen und den Schritt zwischen den Datenpunkten im Diagramm festlegen.

Die Abfrage verbessert die Leistung mit zwei verschiedenen Techniken:

  • Der Partition KQL-Operator mit der shuffle-Strategie, um die Abfrageverarbeitung über mehrere Clusterknoten zu verteilen, falls vorhanden.
  • Der Funktion materialize() zum Speichern eines Zwischen-Resultsets, das zum Berechnen der höchstrangigen Wartezeiten und zum Erstellen der als Diagramm dazustellenden Zeitreihe wiederverwendet wird.
let logicalServer = @"your-server-name";
let databaseName = @"your-database-name";
let replicaType = "Primary";
let endTime = datetime("2023-12-19 22:10:00");
let startTime = endTime - 30m;
let top_wait_types = 10;
let chart_step = 30s;
let wait_type_sample = materialize (
sqldb_database_wait_stats
| where sample_time_utc between (startTime .. endTime)
| where logical_server_name =~ logicalServer
| where database_name =~ databaseName
| where replica_type =~ replicaType
| project replica_id, sample_time_utc, wait_type, wait_time_ms
| partition hint.strategy=shuffle by wait_type
(
sort by replica_id asc, sample_time_utc asc
| extend delta_wait_time_ms = iif(wait_time_ms >= prev(wait_time_ms) and replica_id == prev(replica_id), wait_time_ms - prev(wait_time_ms), long(null)),
         delta_sample_time_utc = iif(sample_time_utc >= prev(sample_time_utc), datetime_diff("Millisecond", sample_time_utc, prev(sample_time_utc)), long(null))
| where isnotempty(delta_sample_time_utc)
| extend wait_ms_per_s = toreal(delta_wait_time_ms) / delta_sample_time_utc * 1000
| project sample_time_utc, wait_type, wait_ms_per_s
)
);
let top_wait = (
wait_type_sample
| summarize total_wait_ms_per_s = sum(wait_ms_per_s) by wait_type
| top top_wait_types by total_wait_ms_per_s desc
| project-away total_wait_ms_per_s
);
wait_type_sample
| join kind=inner top_wait on wait_type
| project-away wait_type1
| make-series wait_ms_per_s = avgif(wait_ms_per_s, isfinite(wait_ms_per_s)) default = long(null) on sample_time_utc from startTime to endTime step chart_step by wait_type
| project wait_type, sample_time_utc, wait_ms_per_s
| render timechart;

Einsatz von T-SQL zum Analysieren von Überwachungsdaten

Wenn Sie bereits mit T-SQL vertraut sind, können Sie sofort mit der Abfrage und Analyse von SQL-Überwachungsdaten beginnen, ohne KQL erlernen zu müssen. KQL ist jedoch die empfohlene Sprache zum Abfragen von Daten im Azure Data Explorer oder in der Echtzeitanalyse, da es die Abfrage von Telemetriedaten auf beispiellose Weise unterstützt.

Sie können über SQL Server Management Studio (SSMS), Azure Data Studio und andere gängige Tools eine Verbindung mit Ihrer Azure Data Explorer- oder Echtzeitanalyse-Datenbank herstellen. Sie können eine Azure Data Explorer- oder eine KQL-Datenbank so abfragen, als ob es eine SQL Server- oder eine Azure SQL-Datenbank wäre. Weitere Informationen finden Sie unter Abfragen von Daten in Azure Data Explorer mithilfe von SQL Server Emulation.

Hinweis

Nicht jedes T-SQL-Konstrukt wird im Azure Data Explorer und in der Echtzeitanalyse unterstützt. Ausführliche Informationen finden Sie unter Abfragen von Daten mithilfe von T-SQL.

Mithilfe des Spickzettels für SQL zu Kusto-Abfragesprache können Sie Ihre T-SQL-Abfragen in KQL zu übersetzen, wenn Sie meinen, dass die T-SQL-Unterstützung für Ihre Anforderungen nicht genügt, oder wenn Sie Ihre T-SQL-Abfragen in KQL konvertieren möchten, um die erweiterten Analysefunktionen zu nutzen.

Die folgenden Beispiele zeigen Ihnen, wie Sie Überwachungsdaten im Datenspeicher des Datenbankwatchers mit T-SQL abfragen können.

Einsatz von T-SQL zum Analysieren des Ressourcenverbrauchs im Zeitverlauf

In diesem Beispiel gibt die Abfrage Metriken für den Ressourcenverbrauch (CPU, Worker, Durchsatz beim Schreiben von Protokollen usw.) für das primäre Replikat einer Datenbank, einen Pool für elastische Datenbanken oder eine SQL Managed Instance für die letzte Stunde zurück.

Ändern Sie in diesem und anderen Beispielen die Variablen in der DECLARE-Anweisungen so, dass sie Ihren Namen von Server, Datenbank, Pool für elastische Datenbanken oder SQL Managed Instance entsprechen.

DECLARE @LogicalServerName sysname = 'your-server-name',
        @DatabaseName sysname = 'your-database-name',
        @ReplicaType sysname = 'Primary',
        @DurationMinutes int = 60;

SELECT sample_time_utc,
       avg_cpu_percent,
       avg_instance_cpu_percent,
       avg_data_io_percent,
       avg_log_write_percent,
       max_worker_percent
FROM sqldb_database_resource_utilization
WHERE sample_time_utc > DATEADD(minute, -@DurationMinutes, SYSUTCDATETIME())
      AND
      logical_server_name = @LogicalServerName
      AND
      database_name = @DatabaseName
      AND
      replica_type = @ReplicaType
ORDER BY sample_time_utc DESC;

Einsatz von T-SQL zum Anzeigen der Eigenschaften von Datenbank, Pool für elastische Datenbanken oder SQL Managed Instance

In diesem Beispiel gibt die Abfrage einen Satz mit allen Datenbanken, Pools für elastische Datenbanken und SQL Managed Instances zurück, bei denen im Lauf der letzten 24 Stunden mindestens eine Probe im entsprechenden Eigenschaften-Dataset erfasst wurde. Anders ausgedrückt stellt jede Zeile ein Überwachungsziel mit den zuletzt beobachteten Eigenschaften dar.

DECLARE @DurationHours int = 24;

SELECT p.sample_time_utc,
       p.logical_server_name,
       p.database_name,
       p.replica_type,
       p.database_id,
       p.elastic_pool_name,
       p.service_tier,
       p.service_level_objective,
       p.logical_cpu_count,
       p.database_engine_memory_mb,
       p.compatibility_level,
       p.updateability,
       p.database_engine_build_time,
       p.database_engine_start_time_utc
FROM sqldb_database_properties AS p
INNER JOIN (
           SELECT logical_server_name,
                  database_name,
                  replica_type,
                  MAX(sample_time_utc) AS last_sample_time_utc
           FROM sqldb_database_properties
           WHERE sample_time_utc > DATEADD(hour, -@DurationHours, SYSUTCDATETIME())
           GROUP BY logical_server_name,
                    database_name,
                    replica_type
           ) AS ls
ON p.logical_server_name = ls.logical_server_name
   AND
   p.database_name = ls.database_name
   AND
   p.replica_type = ls.replica_type
   AND
   p.sample_time_utc = ls.last_sample_time_utc
WHERE p.sample_time_utc > DATEADD(hour, -@DurationHours, SYSUTCDATETIME())
ORDER BY LOWER(logical_server_name) ASC,
         LOWER(database_name) ASC,
         CASE replica_type
              WHEN 'Primary' THEN 0
              WHEN 'Geo-replication forwarder' THEN 1
              WHEN 'Named secondary' THEN 2
              WHEN 'HA secondary' THEN 3
         END ASC;

Einsatz von T-SQL zum Anzeigen von Abfragelaufzeitstatistiken

Diese Abfrage gibt die höchstrangigen Abfragen des Ressourcenverbrauchs in Ihrer gesamten Azure SQL-Umgebung zurück. Ändern Sie die Variable @TopQueriesBy, um hochrangige Abfragen nach einer beliebigen Abfragespeicher-Metrik zu ermitteln, wie CPU-Zeit, verstrichene Zeit, Anzahl der Ausführungen usw. Sie können auch Variablen festlegen, um nach Zeitintervall, Art der Ausführung der Abfrage und Abfragehash einer bestimmten Abfrage zu filtern oder den Schwerpunkt auf Datenbanken von einem bestimmten logischen Server, Pool für elastische Datenbanken oder einer SQL Managed Instance zu legen..

Die Abfrage gibt anhand des Datasets für die Abfrage-Laufzeitstatistik die von Ihnen vorgegebenen höchstrangigen Abfragen zurück. Sie gibt auch ihre Rangfolge nach allen weiteren Metriken für den Ressourcenverbrauch zurück.

DECLARE @EndTime datetime2 = SYSUTCDATETIME(),
        @StartTime datetime2 = DATEADD(hour, -24, SYSUTCDATETIME()),
        /* 
        Set the next variable to one of the following metrics to return the top resource consuming queries:
        executions, cpu_time, duration, logical_io_reads, physical_io_reads, num_physical_io_reads, 
        clr_time, query_max_used_memory, log_bytes_used, tempdb_space_used, row_count, dop
        */
        @TopQueriesBy varchar(30) = 'cpu_time',
        @TopQueries int = 10,
        @LogicalServerName sysname = '', -- Optionally filter by logical server name
        @ElasticPoolName sysname = '', -- Optionally filter by elastic pool name, if any databases are in elastic pools
        @DatabaseName sysname = '', -- Optionally filter by database name
        @ExecutionType varchar(30) = '', -- Optionally filter by execution type. Use Regular, Aborted, Exception.
        @QueryHash varchar(18) = ''; -- Optionally filter by query hash (example: 0xBAAA461A6C93EA88)

SELECT TOP (@TopQueries) 
       CONCAT(logical_server_name, IIF(count_logical_servers > 1, CONCAT(' (+', CAST(count_logical_servers - 1 AS varchar(11)), ')'), '')) AS logical_server_name,
       CONCAT(database_name, IIF(count_databases > 1, CONCAT(' (+', CAST(count_databases - 1 AS varchar(11)), ')'), '')) AS database_name,
       query_sql_text,
       CONCAT(CAST(query_id AS varchar(11)), IIF(count_queries > 1, CONCAT(' (+', CAST(count_queries - 1 AS varchar(11)), ')'), '')) AS query_id,
       CONCAT(CAST(plan_id AS varchar(11)), IIF(count_plans > 1, CONCAT(' (+', CAST(count_plans - 1 AS varchar(11)), ')'), '')) AS plan_id,
       regular_executions,
       aborted_executions,
       exception_executions,
       cpu_time_us,
       duration_us,
       logical_io_reads,
       physical_io_reads,
       num_physical_io_reads,
       clr_time_us,
       query_max_used_memory_kb,
       log_bytes_used,
       tempdb_space_used_kb,
       row_count,
       dop,
       query_hash,
       executions_rank,
       cpu_time_rank,
       duration_rank,
       logical_io_reads_rank,
       physical_io_reads_rank,
       num_physical_io_reads_rank,
       clr_time_rank,
       query_max_used_memory_rank,
       log_bytes_used_rank,
       tempdb_space_used_rank,
       row_count_rank,
       dop_rank
FROM (
     SELECT *,
            DENSE_RANK() OVER (ORDER BY executions DESC) AS executions_rank,
            DENSE_RANK() OVER (ORDER BY cpu_time_us DESC) AS cpu_time_rank,
            DENSE_RANK() OVER (ORDER BY duration_us DESC) AS duration_rank,
            DENSE_RANK() OVER (ORDER BY logical_io_reads DESC) AS logical_io_reads_rank,
            DENSE_RANK() OVER (ORDER BY physical_io_reads DESC) AS physical_io_reads_rank,
            DENSE_RANK() OVER (ORDER BY num_physical_io_reads DESC) AS num_physical_io_reads_rank,
            DENSE_RANK() OVER (ORDER BY clr_time_us DESC) AS clr_time_rank,
            DENSE_RANK() OVER (ORDER BY query_max_used_memory_kb DESC) AS query_max_used_memory_rank,
            DENSE_RANK() OVER (ORDER BY log_bytes_used DESC) AS log_bytes_used_rank,
            DENSE_RANK() OVER (ORDER BY tempdb_space_used_kb DESC) AS tempdb_space_used_rank,
            DENSE_RANK() OVER (ORDER BY row_count DESC) AS row_count_rank,
            DENSE_RANK() OVER (ORDER BY dop DESC) AS dop_rank
     FROM (
          SELECT query_hash,
                 COUNT(DISTINCT(logical_server_name)) AS count_logical_servers,
                 MAX(logical_server_name) AS logical_server_name,
                 COUNT(DISTINCT(database_name)) AS count_databases,
                 MAX(database_name) AS database_name,
                 COUNT(DISTINCT(query_id)) AS count_queries,
                 MAX(query_id) AS query_id,
                 COUNT(DISTINCT(plan_id)) AS count_plans,
                 MAX(plan_id) AS plan_id,
                 MAX(query_sql_text) AS query_sql_text,
                 SUM(IIF(execution_type_desc = 'Regular', count_executions, 0)) AS regular_executions,
                 SUM(IIF(execution_type_desc = 'Aborted', count_executions, 0)) AS aborted_executions,
                 SUM(IIF(execution_type_desc = 'Exception', count_executions, 0)) AS exception_executions,
                 SUM(count_executions) AS executions,
                 SUM(avg_cpu_time_us * count_executions) AS cpu_time_us,
                 SUM(avg_duration_us * count_executions) AS duration_us,
                 SUM(avg_logical_io_reads * count_executions) AS logical_io_reads,
                 SUM(avg_physical_io_reads * count_executions) AS physical_io_reads,
                 SUM(avg_num_physical_io_reads * count_executions) AS num_physical_io_reads,
                 SUM(avg_clr_time_us * count_executions) AS clr_time_us,
                 SUM(avg_query_max_used_memory * count_executions) * 8 AS query_max_used_memory_kb,
                 SUM(avg_log_bytes_used * count_executions) AS log_bytes_used,
                 SUM(avg_tempdb_space_used * count_executions) * 8 AS tempdb_space_used_kb,
                 SUM(avg_rowcount * count_executions) AS row_count,
                 SUM(IIF(is_parallel_plan = 1, avg_dop * count_executions, NULL)) AS dop
          FROM sqldb_database_query_runtime_stats
          WHERE interval_start_time >= @StartTime AND interval_end_time <= @EndTime
                AND
                (@ExecutionType = '' OR LOWER(execution_type_desc) = LOWER(@ExecutionType))
                AND
                (@LogicalServerName = '' OR LOWER(logical_server_name) = LOWER(@LogicalServerName))
                AND
                (@ElasticPoolName = '' OR LOWER(elastic_pool_name) = LOWER(@ElasticPoolName))
                AND
                (@DatabaseName = '' OR LOWER(database_name) = LOWER(@DatabaseName))
          GROUP BY query_hash
          ) AS rsa
     ) AS rsar
WHERE @QueryHash = '' OR LOWER(query_hash) = LOWER(@QueryHash)
ORDER BY CASE @TopQueriesBy
              WHEN 'executions' THEN executions_rank
              WHEN 'cpu_time' THEN cpu_time_rank
              WHEN 'duration' THEN duration_rank
              WHEN 'logical_io_reads' THEN logical_io_reads_rank
              WHEN 'physical_io_reads' THEN physical_io_reads_rank
              WHEN 'num_physical_io_reads' THEN num_physical_io_reads_rank
              WHEN 'clr_time' THEN clr_time_rank
              WHEN 'query_max_used_memory' THEN query_max_used_memory_rank
              WHEN 'log_bytes_used' THEN log_bytes_used_rank
              WHEN 'tempdb_space_used' THEN tempdb_space_used_rank
              WHEN 'row_count' THEN row_count_rank
              WHEN 'dop' THEN dop_rank
         END ASC;

Einsatz von T-SQL zum Analysieren von Leistungsindikatoren im Zeitverlauf

In diesem Beispiel gibt die Abfrage Leistungsindikatorwerte für die letzten 30 Minuten zurück.

In diesem Beispiel werden kumulierte Leistungsindikatoren wie Total request count und Query optimizations/sec verwendet. Kumuliert bedeutet, dass der Indikatorwert mit der Abfrageaktivität immer größer wird. Die Abfrage berechnet anhand der Analysefunktion LAG() die Differenz oder das Delta zwischen dem Indikatorwert in den einzelnen Proben und seinem Wert in der vorherigen Probe, um die Anzahl der Anforderungen und Optimierungen zu gewinnen, die seit der vorherigen Probe stattgefunden haben.

DECLARE @LogicalServerName sysname = 'your-server-name',
        @DatabaseName sysname = 'your-database-name',
        @ReplicaType sysname = 'Primary',
        @DurationMinutes int = 30;

SELECT sample_time_utc,
       SUM(IIF(
              counter_name = 'Total request count',
              CAST((cntr_value - prev_cntr_value) AS decimal) / DATEDIFF(millisecond, prev_sample_time_utc, sample_time_utc) * 1000,
              NULL
              )) AS requests_per_second,
       SUM(IIF(
              counter_name = 'Query optimizations/sec',
              CAST((cntr_value - prev_cntr_value) AS decimal) / DATEDIFF(millisecond, prev_sample_time_utc, sample_time_utc) * 1000,
              NULL
              )) AS query_optimizations_per_second
FROM (
     SELECT sample_time_utc,
            LAG(sample_time_utc) OVER (PARTITION BY replica_id, object_name, counter_name ORDER BY sample_time_utc ASC) AS prev_sample_time_utc,
            counter_name,
            cntr_value,
            LAG(cntr_value) OVER (PARTITION BY replica_id, object_name, counter_name ORDER BY sample_time_utc ASC) AS prev_cntr_value
     FROM sqldb_database_performance_counters_common
     WHERE sample_time_utc > DATEADD(minute, -@DurationMinutes, SYSUTCDATETIME())
           AND
           logical_server_name = @LogicalServerName
           AND
           database_name = @DatabaseName
           AND
           replica_type = @ReplicaType
           AND
           cntr_type = 272696576 /* restrict to cumulative counters */
           AND
           object_name = 'Workload Group Stats'
           AND
           counter_name IN ('Total request count','Query optimizations/sec')
     ) AS pc
WHERE cntr_value >= prev_cntr_value
      AND
      sample_time_utc >= prev_sample_time_utc
GROUP BY sample_time_utc
ORDER BY sample_time_utc DESC;

Einsatz von T-SQL zum Analysieren zeitpunktorientierter Leistungsindikatoren

Das nächste Beispiel betrifft zeitpunktorientierte Leistungsindikatoren, die den zuletzt beobachteten Wert angeben, z. B. Active memory grants count, Pending memory grants count und Processes blocked.

DECLARE @LogicalServerName sysname = 'your-server-name',
        @DatabaseName sysname = 'your-database-name',
        @ReplicaType sysname = 'Primary',
        @DurationMinutes int = 30;

SELECT sample_time_utc,
       SUM(IIF(
              counter_name = 'Processes blocked',
              cntr_value,
              NULL
              )) AS processes_blocked,
       SUM(IIF(
              counter_name = 'Active memory grants count',
              cntr_value,
              NULL
              )) AS active_memory_grants,
       SUM(IIF(
              counter_name = 'Pending memory grants count',
              cntr_value,
              NULL
              )) AS pending_memory_grants
FROM (
     SELECT sample_time_utc,
            counter_name,
            cntr_value
     FROM sqldb_database_performance_counters_common
     WHERE sample_time_utc > DATEADD(minute, -@DurationMinutes, SYSUTCDATETIME())
         AND
         logical_server_name = @LogicalServerName
         AND
         database_name = @DatabaseName
         AND
         replica_type = @ReplicaType
         AND
         cntr_type = 65792 /* restrict to point-in-time counters */
         AND
         (
         (object_name = 'General Statistics' AND counter_name IN ('Processes blocked'))
         OR
         (object_name = 'Resource Pool Stats' AND counter_name IN ('Active memory grants count','Pending memory grants count'))
         )
     ) AS pc
GROUP BY sample_time_utc
ORDER BY sample_time_utc DESC;

Einsatz von T-SQL zum Analysieren von kumulierten Wartezeiten im Zeitverlauf

In diesem Beispiel gibt die Abfrage die 10 hochrangigsten Wartezeittypen nach der durchschnittlichen kumulierten Wartezeit über ein Intervall von 30-Minuten zurück. Kumuliert bedeutet, dass die Abfrage die Gesamtzeit in Millisekunden berechnet, die alle Anforderungen bei jedem Wartetyp in jeder Sekunde mit Warten verbracht haben. Da mehrere Anforderungen gleichzeitig ausgeführt werden (und warten) können, kann die kumulierte Wartezeit in jeder Sekunde mehr als eine Sekunde betragen.

DECLARE @LogicalServerName sysname = 'your-server-name',
        @DatabaseName sysname = 'your-database-name',
        @ReplicaType sysname = 'Primary',
        @DurationMinutes int = 30;

SELECT TOP (10) wait_type,
                SUM(CAST((wait_time_ms - prev_wait_time_ms) AS decimal)) * 1000
                /
                SUM(DATEDIFF(millisecond, prev_sample_time_utc, sample_time_utc))
                AS wait_time_ms_per_sec
FROM (
     SELECT sample_time_utc,
            LAG(sample_time_utc) OVER (PARTITION BY replica_id, wait_type ORDER BY sample_time_utc ASC) AS prev_sample_time_utc,
            wait_type,
            wait_time_ms,
            LAG(wait_time_ms) OVER (PARTITION BY replica_id, wait_type ORDER BY sample_time_utc ASC) AS prev_wait_time_ms
     FROM sqldb_database_wait_stats
     WHERE sample_time_utc > DATEADD(minute, -@DurationMinutes, SYSUTCDATETIME())
         AND
         logical_server_name = @LogicalServerName
         AND
         database_name = @DatabaseName
         AND
         replica_type = @ReplicaType
     ) AS w
WHERE sample_time_utc >= prev_sample_time_utc
      AND
      wait_time_ms >= prev_wait_time_ms
GROUP BY wait_type
ORDER BY wait_time_ms_per_sec DESC;

Zugehöriger Inhalt