作者：韩锋
出处：DBAplus社群分享
Themis开源地址：https://github.com/CreditEaseDBA
拓展阅读：宜信开源|数据库审核软件Themis的规则解析与部署攻略
【技术沙龙002期】数据中台：宜信敏捷数据中台建设实践|宜信技术沙龙 将于5月23日晚8点线上直播，点击报名
我相信，这也是很多公司、很多DBA正在面临或未来都会面临的一些问题。正是存在问题，促使我们考虑引入数据库审核平台。
首先是运维规模与人力资源之间的矛盾。从我们的情况来看，运维了包括Oracle、MySQL、MongoDB、Redis四类数据库，数据库规模几十套，支持公司千余名开发人员及上百套业务系统。也许有的朋友会问，从运维规模上看，并不是很大。
的确，与很多互联网公司相比，数据库数十套的估摸并不是太大；但与互联网类公司不同，类似宜信这类金融类公司对数据库的依赖性更大，大量的应用是重数据库类的，且其使用复杂程度也远比互联网类的复杂。DBA除了日常运维（这部分我们也在通过自研平台提升运维效率）外，还需要有大量精力应对数据库设计、开发、优化类的工作。当面对大量的开发团队需要服务时，这个矛盾就更加凸显出来。
结构设计
第二个挑战，是数据库设计、开发质量参差不齐的问题。 上图就展示了一个结构设计问题。某核心系统的核心表，在这个系统运行的SQL中，28%都是跟这个对象有关的。当我们分析其结构时，发现了很多的问题：
综上所述，这个表设计的问题还有很多，而且这个表非常重要，大量语句访问和其相关。
SQL语句
上图展示的是一个语句运行效率的问题。从字面可见，两个表做关联查询，但在指定条件时没有指定关联条件。在下面的执行计划中可见，数据库采用了笛卡尔积的方式运行。从后面的成本、估算时间等可见，这是一个多么“巨大”的SQL。其在线上运行的影响，可想而知。
也许有人会说，这是一个人为失误，一般不会发生。但我要说的是，第一，人为失误无法避免，谁也不能保证写出SQL的运行质量；第二，开发人员对数据库的理解不同，很难保证写出的SQL都是高效的；第三，开发人员面临大量业务需求，经常处理赶工状态，很难有更多的精力放在优化上面。这因为有这些问题，线上语句执行质量就成了DBA经常面临的挑战之一。
这是一张很经典的图，它描述了和数据库相关工作的职能划分。作为DBA，除了面临以上挑战外，从数据库工作发展阶段及自身发展需求来看，也面临一个重心的转移：原有传统DBA的运维职能逐步被弱化，大量的工具、平台的涌现及数据库自我运维能力的提升，简化DBA的工作；紧随而来的数据库架构、结构设计、SQL质量优化逐步成为重点；再往上层的数据治理、建模等工作也越来越受到一些公司的重视。由此可见，DBA未来工作的中心也逐步上移。对中间数据逻辑结构部分，也需要一些工具、平台更好地支撑DBA的工作。
除上述情况外，我司还存在几种的不平衡。
从DBA日常工作来看，传统运维工作还是占了较大的比重，而架构优化类则相对较少。通过引入这一平台，可以帮助DBA更方便地开展架构、优化类工作。
公司使用了较多的商业产品，而开源则使用较少。从公司长远战略来看，开源产品的使用会越来越多。从功能角度来看，商业产品相较于开源产品是有优势的。基于开源产品的软件开发，对开发者自身技术技能要求更高。希望通过引入这一产品，可以更容易完成这一转型过程。
公司自有团队人员上，还是以初中级为主，中高级人员相对较少。如何快速提升整体设计、优化能力，保证统一的优化效果成为摆在面前的问题。
正是有了上述多种的不平衡，促使我们考虑引入工具、平台去解决数据库质量问题。
我刚来到公司时，看到公司的这些问题，也曾考虑通过制度、规范的形式进行解决。一开始就着手制定了很多的规范，然后在各个部门去培训、宣讲。这种方式运行一段时间后，暴露出一些问题：
整体效果改善并不明显。实施效果取决于各个部门的重视程度及员工的个人能力。
规范落地效果无法度量，也很难做到量化分析。往往只能通过上线运行结果来直观感知。
缺乏长期有效的跟踪机制。无法对具体某个系统长期跟踪其运行质量。
面临上述这些挑战、现存的各种问题，该如何解决？
经过讨论，最后大家一致认为，引入数据库审核平台，可以帮助解决上面所述问题。
在项目之初，我考察了业内其它企业是如何数据库审核的，大致可分为三个思路：
第一类，是以BAT公司为代表的互联网类公司。它们通过自研的SQL引擎，可实现成本分析、自动审核、访问分流、限流等，可做到事前审核、自动审核。但技术难度较大，公司现有技术能力明显不足。
第二类，是通过自研工具收集DB运行情况，根据事前定义规则进行审核，结合人工操作来完成整个审核流程。这种方案只能做到事后审核，但技术难度较小，灵活度很大。其核心就是规则集的制定，可根据情况灵活扩展。
第三类，是一些商业产品，实现思路类似第二类，但是加上一些自主分析能力，功能更为强大，但仍需人工介入处理且需要不小资金投入。而且考察几款商业产品，没有能完全满足所需功能的。
综合上面几类做法，最终确定我们采用“工具+人工审核”的方式，自研自己的审核平台。
在启动研发这一平台之初，我们就在团队内部达成了一些共识。
DBA需要扭转传统运维的思想，每个人都参与到平台开发过程中。
过去我们积累的一些内容（例如前期制定的规范）可以作为知识库沉淀下来，并标准化，这些为后期规则的制定做好了铺垫。
在平台推进中，从最简单的部分入手，开发好的就上线实施，观察效果；根据实施效果，不断修正后面的工作。
结合我们自身的特点，定制目标；对于有些较复杂的部分，可果断延后甚至放弃。
下面来看看，审核平台的基本功能及实现原理及方法，这部分是本次分享的重点。
在项目之初，我们就平台的定位做了描述：
平台的核心能力是快速发现数据库设计、SQL质量问题。
平台只做事后审核，自主优化部分放在二期实现。当然在项目设计阶段引入这个，也可以起到一部分事前审核的功能。
通过Web界面完成全部工作，主要使用者是DBA和有一定数据库基础的研发人员。
可针对某个用户审核，可审核包括数据结构、SQL文本、SQL执行特征、SQL执行计划等多个维度。
审核结果通过Web页面或导出文件的形式提供。
平台需支持公司主流的Oracle、MySQL，其它数据库放在二期实现。
作为平台的两类主要使用方，研发人员和DBA都可以从平台中受益。
对于研发人员而言，只用这平台可方便定位问题，及时进行修改；此外通过对规则的掌握，也可以指导他们设计开发工作。
整个平台的基本实现原理很简单，就是将我们的审核对象（目前支持四种），通过规则集进行筛选。符合规则的审核对象，都是疑似有问题的。平台会将这些问题及关联信息提供出来，供人工甄别使用。由此可见，平台的功能强大与否，主要取决于规则集的丰富程度。平台也提供了部分扩展能力，方便扩展规则集。
审核对象
在开始介绍平台实现之前，再来熟悉下“审核对象”这个概念。目前我们支持的有四类对象，分别说明一下。
对象级。这里所说的对象就是指数据库对象，常见的表、分区、索引、视图、触发器等等。典型规则，例如大表未分区等。
语句级。这里所说的语句级，实际是指SQL语句文本本身。典型规则，例如多表关联。
执行计划级。这里是指数据库中SQL的执行计划。典型规则，例如大表全表扫描。
需要说明一下，这四类审核对象中，后三种必须在系统上线运行后才会抓取到，第一种可以在只有数据结构的情况下运行(个别规则还需要有数据)。
此外，上述规则中，除了第二类为通用规则外，其他都与具体数据库相关。即每种的数据库，都有自己不同的规则。
架构简图
这里画出是系统架构框架简图，我简单说明一下。
图中的方框部分，为平台的主要模块。底色不同的模块，表示当前的进度状态不同。虚线代表数据流，实线代表控制流。其核心为这几个模块：
数据采集模块。它是负责从数据源抓取审核需要的基础数据。目前支持从Oracle、MySQL抓取。
OBJ/SQL存储库。这是系统的共同存储部分，采集的数据和处理过程中的中间数据、结果数据都保存在这里。其核心数据分为对象类和SQL类。物理是采用的MongoDB。
核心管理模块。图中右侧虚线部分包含的两个模块：SQL管理和OBJ管理就是这部分。它主要是完成对象的全生命周期管理。目前只做了简单的对象过滤功能，因此还是白色底色，核心的功能尚未完成。
审核规则和审核引擎模块。这部分是平台一期的核心组件。审核规则模块是完成规则的定义、配置工作。审核引擎模块是完成具体规则的审核执行部分。
优化规则和优化引擎模块。这部分是平台二期的核心组件。目前尚未开发，因此为白色底色。
流程图
让我们从处理流程的角度，看看平台的整体处理过程。
1) “规则管理”部分，这部分主要完成以下一些功能。
初始化规则。平台本身内置了很多规则，在这一过程中到导入到配置库中。
新增规则。平台本身提供了一定的扩展能力，可以依据规范新增一条规则。
修改规则。可以根据自身情况开启或关闭规则。对于每条规则，还内置了一些参数，也可在此处修改。此外，针对违反规则的情况，还可以设置扣分方法（例如违反一次扣几分、最多可扣几分）等。
2) “任务管理”部分，这是后台管理的一个部分，主要完成与任务相关的工作。系统中的大多数交互都是通过作业异步完成的。其后台是通过celery+flower实现的。
3) “数据采集”部分，这部分是通过任务调度定时出发采集作业完成，也有少量部分是实时查询线上库完成的。采集的结果保存在数据库中，供后续分析部分调用。
4) “规则解析”部分，这部分是由用户通过界面触发，任务调度模块会启动一个后台异步任务完成解析工作。之所以设计为异步完成，主要是审核工作可能时间较长（特别是选择审核类别较多、审核对象很多、开启的审核规则较多）的情况。审核结果会保存在数据库中。
5) “任务查看、导出”部分，在用户发起审核任务后，可在此部分查看进度（处于审核中、还是审核完成）。当审核完成后，可选择审核任务，浏览审核结果或选择导出均可。如果是选择导出的话，会生成异步后台作业生成文件，放置在下载服务器上。
以上就是整个审核的大体流程。后续将看到各部分的详细信息。
模块划分
总结一下，平台主要是由上述四个模块组成：数据采集、规则解析、系统管理、结果展示。后面将针对不同模块的实现，进行详细说明。
采集内容
先来看看数据采集模块。从表格可见，两种类型数据库的采集内容不同。
Oracle提供了较为丰富的信息，需要的基本都可采集到；MySQL功能相对能采集到的信息较少。
表格中的“对号+星号”，表示非定时作业完成，而是后面实时回库抓取的。下面简单说下，各部分的采集内容。
对象级，采集了对象统计信息、存储特征、结构信息、访问特征。
这些信息都将作为后面审核的依据。
采集原理
下面简单介绍下采集的与原理：
Oracle部分，是通过定时作业采集的AWR数据，然后转储到一套MongoDB中。这里跟有些类似产品不同，没有直接采集内存中的数据，而是取自离线的数据。其目的是尽量减少对线上运行的影响。Oracle提供的功能比较丰富，通过对AWR及数据字典的访问，基本就可以获得全部的数据。
概要说明
下面介绍整个系统最为核心的部分—规则解析模块，它所完成的功能是依据定义规则，审核采集的数据，筛选出违反规则的数据。对筛选出的数据进行计分，并记录下来供后续生成审核报告使用。同时还会记录附加信息，用于辅助进行一些判断工作。
这里有个核心的概念—“规则”。后面可以看到一个内置规则的定义，大家就会比较清楚了。从分类来看，可大致分为以下几种。
从数据库类型角度来区分，规则可分为Oracle、MySQL。不是所有规则都区分数据库，文本类的规则就不区分。
从复杂程度来区分，规则可分为简单规则和复杂规则。这里所说的简单和复杂，实际是指规则审核的实现部分。简单规则是可以描述为MongoDB或关系数据库的一组查询语句；而复杂规则是需要在外部通过程序体实现的。
规则定义
这是一个规则体的声明对象，我说明一下各字段含义，大家也可对规则有个清晰的认识。
db_type：规则的数据库类别，支持Oracle、MySQL。
input_parms：输入参数。规则是可以定义多个输出参数，这是一个参数列表，每个参数自身又是一个字典类，描述参数各种信息。
output_parms：输出参数。类似上面的输入参数，也是一个字典对象列表。描述了根据规则返回信息结构。
rule_complexity：规则是复杂规则还是简单规则。如果是简单规则，则直接取rule_cmd内容作为规则审核的实现。如果是复杂规则，则是从外部定义的rule_name命令脚本中获得规则实现。
rule_cmd：规则的实现部分。规则可能是mongodb的查询语句、可能是一个正则表达式，具体取决于rule_type。
rule_desc：规则描述，仅供显示。
rule_name：规则名称。是规则的唯一标识，全局唯一。
rule_status：规则状态，ON或是OFF。对于关闭的规则，在审核时会忽略它。
rule_summary：一个待废弃的字段，意义同rule_desc。
rule_text：规则类型，分为对象、文本、执行计划、执行特征四类。图中的示例标识一个文本类型的规则，rule_cmd是正则表达式。
solution：触发此规则的优化建议。
weight：权重，即单次违反规则的扣分制。
规则定义（对象级）
先来看第一类规则—对象规则。这是针对数据库对象设置的一组规则。上面表格，显示了一些示例。常见的对象，诸如表、分区、索引、字段、函数、存储过程、触发器、约束、序列等都是审核的对象。以表为例，内置了很多规则。
例如：第一个的“大表过多”。表示一个数据库中的大表个数超过规则定义阀值。这里的大表又是通过规则输入参数来确定，参数包括表记录数、表物理尺寸。整体描述这个规则就是“数据库中超过指定尺寸或指定记录数的表的个数超过规定阀值，则触发审核规则”。其它对象的规则也类似。
规则实现（对象级）
对象规则的实现部分，比较简单。除个别规则外，基本都是对数据字典信息进行查询，然后依据规则定义进行判断。上面示例就是对索引的一个规则实现中，查询数据字典信息。
规则定义（执行计划级）
第二类规则是执行计划类的规则，它也划分为若干类别。例如访问路径类、表间关联类、类型转换类、绑定变量类等。
以最为常见的的访问路径类为例，进行说明下。如最为常见的一个规则“大表扫描”。它表示的是SQL语句的执行中，执行了对大表的访问，并且访问的路径是采用全表扫描的方式。这个规则的输入参数，包含了对大表的定义（物理大小或记录数）；输出部分则包括了表名、表大小及附加信息（包括整个执行计划、指定大表的统计信息等内容）。
这类规则针对的数据源，是从线上数据库中抓取的。Oracle部分是直接从AWR中按时间段提取的，MySQL部分是使用explain命令返查数据库得到的。
信息存储格式
在这里特别说明一下，在保存执行计划的时候，使用了MongoDB这种文档性数据库。目的就是利用其schemaless特性，方便兼容不同数据库、不同版本执行计划的差异。都可以保存在一个集合中，后续的规则审核也是利用的mongo中的查询语句实现的。这也是最初引入mongo的初衷，后续也将其它类信息放入库中。现在整个审核平台，除了pt工具接入的部分使用MySQL外，其余都在MongoDB中。此外，MySQL库可以直接输出json格式的执行计划，很方便就入库了；Oracle部分也组成json格式入库。
规则实现（执行计划）
左边就是一个Oracle的执行计划保存在MongoDB中的样子。其实就是将sqlplan字典数据插入到mongo中。右侧就是一个规则实现的样例，就是基于mongo的查询语句。后面我们会可看到一个详细的示例。
规则实现
这里以“大表全表扫描”规则为例，进行说明。上面是在Oracle中的数据字典保存的执行计划，下面是存在Mongo中的。可见，就是完全复制下来的。
基于这样的结构，如何实现规则过滤呢？其实就是通过mongo中的find语句实现的。下面具体解读下这个语句的执行步骤。
最上面的find()部分，是用来过滤执行计划的。将满足指定用户、时间范围、访问路径(“TABLE ACCESS”+”FULL”)的执行计划筛选出来。
筛选出的部分，会关联对象数据，将符合“大表”条件的部分筛选出来。大表规则是记录数大于指定参数或者物理大小大于指定参数的。
取得的结果，将保存期sql_id、plan_hash_value、object_name信息返回。这三个信息将分别用于后续提取SQL语句信息、执行计划信息、关联对象信息使用。
取得的全部结果集，将按照先前设定的扣分原则，统计扣分。
规则实现（执行计划）
这部分是MySQL中实现层次结果存储的一个实例。
第一个图展示的是原始的执行计划。
第二个图是代码实现的摘要。
第三个图是真正保存在库中的样子。核心部分就是对item_level的生成。
规则定义（文本级）
第三类规则是文本类的规则，这是一类与数据库种类无关、描述SQL语句文本特征的规则。在实现上是采用文本正则匹配或程序方式进行处理的。它的主要目的是规范开发人员的SQL写法，避免复杂的、性能较差的、不规范的SQL写法。
规则实现（文本级）
这部分描述的是文本规则的实现方式。第一个示例bad_join，是一种简单规则，通过正则文本匹配实现。第二个示例sub_query，是通过程序判断括号嵌套来完成对子查询(或多级子查询)的判断。
规则定义（执行特征级）
最后一类规则是执行特征类的。这部分是与数据库紧密关联的，将符合一定执行特征的语句筛选出来。这些语句不一定是低效的，可能只是未来考虑优化的重点，或者说优化效益最高的一些语句。这里面主要都是一些对资源的消耗情况等。
规则管理
后面通过一些界面展示，介绍下平台的功能。
第一部分系统管理模块中规则管理的部分。在这部分，可完成新增自有规则。其核心是规则实现部分，通过SQL语句、Mongo查询语句、自定义Python文件的形式定义规则实现体。自定义规则的依据是现有抓取的数据源，定义者需要熟悉现有数据结构及含义。目前尚不支持自定义抓取数据源。
对定义好的规则，可在此处完成规则修改。主要是对规则状态、阀值、扣分项等进行配置。
任务管理
在配置好规则后，可在此处完成任务发布的工作。
上面是规则任务发布的界面，在选择数据源(ip、port、schema)后，选择审核类型及审核日期。目前审核数据源的定时策略还是以天为单位，因此日期不能选择当天。
当任务发布后，可在任务结果查看界面观察执行情况。根据审核类型、数据源对象多少、语句多少等，审核的时长不定，一般是在5分钟以内。当审核作业状态为“成功”时，代表审核作业完成，可以查看或导出审核结果了。
对象审核结果概览
上图是一个对象审核报告的示例。在报告的开头部分，是一个概览页面。它集中展示审核报告中各类规则及扣分情况；并通过一个饼图展示其占比情况。这便于我们集中精力先处理核心问题。
在最上面，还可以观察到有一个规则总分的显示。这是我们将规则扣分按照百分制，折算后得到的一个分数。分值越高，代表违反的情况越少，审核对象的质量越高。引入“规则总分”这一项，在设计之初是有些争议的，担心有了这个指标会比较打击开发人员的积极性，不利于平台的推广使用。这里有几点，说明一下。
引入规则总分，是为了数据化数据库设计、开发、运行质量。以往在很多优化中，很难去量化优化前后的效果。这里提供了一种手段去做前后对比。可能这个方式不是太科学的，但是毕竟提供一种可量化的手段。
各业务系统差异较大，没有必要做横向对比。A系统60分，B系统50分，不代表A的质量就比B的质量高。
单一系统可多做纵向对比，即对比改造优化前后的规则总分。可在一定程度上反映出系统质量的变化。
对象审核结果明细
这部分是对象审核的明细部分，对应每个规则其详细情况，可在左侧链接中进一步查看对象信息。篇幅所限，不做展示了。
执行计划审核结果概览
这部分执行计划的概览展示，跟对象的情况类似。也是每种规则的扣分情况。
执行计划审核结果明细
这部分是执行计划的明细部分。
展开之后，可以看到违反每种规则的明细。上图就是违反全表扫描的规则的明细部分。
在上面是一些通用的解决方案说明。这里将可能触发此类规则的情况及解决方案进行了说明。相当于一个小知识库，便于开发人员优化。后面在平台二期，会做更为精准的优化引擎部分，这部分还会展开。
下面是每条违反的语句情况，我们可以看到语句文本、执行计划、关联信息（例如此规则的大表名称）等。还可以进一步点开语句，展开信息。
这部分是针对每条SQL的信息，包括语句文本、执行计划、执行特征、关联对象统计信息等。DBA可从这些信息就可以做一些初步的优化判断工作。
此外，平台也提供了导出功能。可导出为excel文件，供用户下载查看。这里就展示了。
在实际开发过程中，碰到了很多问题。我们这里简单介绍两个，例如：
MySQL在解析json格式执行计划中暴露出的问题…
【会话进入sleep状态，假死】
解决方法：执行会话之前设置wait_timtout=3,这个时间根据实际情况进行调整。
【数据量过大，长时间没有结果】
会话处于query状态，但是数据量很大或因为数据库对format=json支持不是很好，长时间解析不出来，会影响其他会话。
解决方法：使用pt-kill工具杀掉会话。为了防止误杀，可打个标识“eXplAin format=json”，然后使用pt-kill识别eXplAin关键字。
此平台在宜信公司运行以来，为很多系统提供了审核报告，大大加快了数据库结构、SQL优化的速度，减轻了DBA的日常工作压力。在工作实施过程中，我们也摸索了一套推行方法。该平台已开源后，如有朋友使用，可参考实施。
收集信息阶段
海量收集公司的数据库系统的运行情况，掌握第一手资料。快速了解各业务系统的质量，做好试点选择工作。
人工分析阶段
重点系统，人工介入分析。根据规则审核中暴露出的核心问题，“以点带面”，有针对性的给出分析及优化报告。
交流培训阶段
主动上门，跟开发团队沟通交流报告情况。借分析报告的机会，可对开发团队进行必要的培训工作，结合他们身边的案例，更具有说服作用。
反馈改进阶段
落实交流的成果，督促其改进。通过审核平台定期反馈改进质量。有一定基础的团队，可开发平台，供开发人员自己使用。使SQL质量问题，不再仅仅是DBA的问题，而和项目中的每个人都有关系。
内容来源：宜信技术学院
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
