构建国产数据库数字化运维生态
目录CONTENTS数据库国产化带来的挑战数据库的数字化运维数字化生态建设小结?
数据库国产化的挑战1.数据库数量越来越多但是运维费用持续压缩030102IT规模越来越大，运维工作量越来越大人力成本越来越高，高水平专家严重缺乏市场竞争越来越激烈，项目费用越来越少2.信创数据库相关的运维知识、运维经验、运维人员都存在严重缺口信创IT产品的服务生态不完善信创数据库产品技术技能缺失严重信创产品运维人员稀缺3.信创数据库的运维知识积累缺乏生态支持经验与知识都在人的脑子里企业无法沉淀核心技术很难从历史故障中积累经验DBA不够用了；知识不够用了；专家不够用了，知识积累也面临困境！
数据库国产化的挑战服务生态不健全除ORACLE外，几乎所有国产、开源数据库没有完整的服务生态，缺人才、缺工具、缺运维经验积累。企业预算不足在减员增效的压力性，企业运维预算大幅降低，运维压力剧增，传统依赖人的运维模式难以为继。数据库种类过多数据库类型的多元化、异构化，复杂化。可是运维人员无法快速掌握不同数据库的运维技能。专家依赖传统的人工运维方式，严重依赖数据库专家的经验，专家不好找，水平还参差不齐，运维经验很难积累；故障定位时间长传统的人工运维模式，即使是专家，定位一个故障需要5-8小时。日常运维工作量大对于行业大客户，数据库的运行健康状态感知、定期巡检、合规性检查等工作量很大。数据库国产化替代对数据库运维的挑战
数字化运维的生态优势数据中心现场运维人员专家团队/原厂专家线上支持采集诊断知识积累预警预警、建议健康报告知识自动化可自动执行的知识库多种方式实现自动化分析知识库快速迭代更新智能化分析与运维专家同等级别的知识库自动深度巡检与预警、故障溯源普通人员胜任专家工作数据库数字化运维平台01以“知识自动化”为核心理念的数字化运维平台，以此为基础构建的DBAIOPS数字化协同平台为信创数据库运维提供了良好的支撑。02构建的数字化孪生体，一线运维、二线分析、三线专家和原厂可以共建生态，协同工作，运维知识可以有效积累，实现运维闭环。可以在短期内实现国产数据库运维的能力提升。智能知识库智能算法库采集库智能案例库健康管理获得对信息系统的深度感知能力预防亚健康系统，防患未然常态化管理，运维闭环基线监控健康模型性能模型故障模型日志深度诊断自动化巡检支持经验积累
运维数字化的演进路线数字化描述提取业务的数字化要素实现数字化要素自动化采集数字化模型构建业务的各类分析模型实现业务状态的各种自动化分析数字化呈现通过数字化手段向各类业务参与者呈现业务业务部门实现对业务全方位的实时感知数字化执行通过数字化手段实现大量业务执行的自动化通过数字化执行提升业务执行效率和执行质量数字化评估随时可以通过数字化分析手段对业务进行考评决策层可以随时了解业务的各种细节
指标体系建设指标标准也是一种运维知识，运维专家对运维对象指标体系的分解，构建了足以进行全面分析的标准化指标体系。标准化指标体系的建设对于运维数字化至关重要。数据库指标体系建设管理类对象关系运维要点关键操作命令配置类配置文件核心参数技术类指标类日志
运行状态模型描述运维对象的运行状态，包括健康模型、性能模型、负载模型、容量模型、故障模型，使用运维对象的指标数据来构建状态模型生成运行状态评价指标。模型分专家模型和智能模型，实现对运维对象的数字化评价，并可实现超越专家思维的泛化分析。指标集将原始数据指标化，建立运维对象指标集关键指标分析总结出用于模型的关键指标指标维度分解对关键指标进行分类设置评价标准对指标按维度设置评价规则健康模型汇总各个维度评分形成健康模型专家模型原始数据原始数据包括：原始指标、日志分析结果、日检结果等数据泛化分析模型动态基线异常检测异常检测波动态势波动检测影响分析根因推理关联性分析诊断路径泛化临近发现告警收敛归纳分析问题归纳模型建设
来源：专家知识+历史案例存储：图数据库难点：梳理工作量较大应用范围：知识问答根因定位节点分类：故障类知识点关联标签归纳标签关系类型：关联引发运维知识数字化
指标知识指标的含义指标影响的主要因素指标可能的衍生影响等待事件知识与等待事件相关的因素等待事件的风险等级等待事件的关联性故障场景通过运维经验积累故障场景对故障场景进行深度分析相关指标的异常相关等待事件相关异常指标和哪些数据库的行为与特点相关，指标异常可能影响哪些方面哪些等待事件出现说明系统存在风险，风险主要集中在什么方面，如何消除风险哪些故障场景是我们需要关注，哪些需要预警。出现某个故障场景如何进行分析十分重要的数据库运维知识
问题来了国产数据库厂商的资料文档质量太低国产数据