阿里雲國際帳號認證 找出真凶利用阿裡雲DAS輕鬆抓取導致CPU100百分比的慢SQL

第一章：CPU 100% 的瞬間，誰在搗亂？

凌晨兩點，監控告警像警笛一樣刺耳：CPU 使用率長時間維持在 100%，服務延遲暴漲，隊列積壓，偶爾還伴隨超時。很多團隊第一反應是「重啟」或「擴容」——這些做法有時能救急，但它們不回答一個更重要的問題：到底是哪條 SQL 把資源吃乾抹淨？

在資料庫事故裡，慢 SQL 往往不是孤立事件，它通常帶著一整套副作用：執行計畫變差、索引被忽略、統計資訊失真、鎖等待被放大、甚至是某段程式被重試機制放大了壓力。要找到真凶，就必須把「CPU 爆表」和「SQL 行為」連成一條可追溯的線。

本文的主線很簡單：用阿裡雲 DAS（Data Analytics Service / 通常指其資料庫監控與分析能力）去抓取造成 CPU 100% 的慢 SQL，並把每一步都做到可落地。你不需要先懂所有資料庫內部知識，只要掌握幾個觀察角度：慢 SQL 是什麼、是否大量重複觸發、它在什麼時間段產生、是否卡在鎖或被迫做全表掃描、以及最後的修復方向。

第二章：先看現象，再定義「真凶」

很多人拿到告警後就直接翻慢查詢列表，結果常常是：列表很長、SQL 很多、但每條都看起來「也沒那麼離譜」。問題在於你沒有定義「真凶」的判準。CPU 100% 的真凶，通常具備至少一個特徵：

• 執行頻率高：同一條 SQL 在短時間內反覆觸發，導致 CPU 被累積吃光。
• 耗時長：單次查詢非常慢，且慢的程度足以持續佔用 CPU 或造成其他操作排隊。
• 計畫不合理：例如索引失效導致全表掃描、笛卡爾積、過多的排序/聚合等。
• 被鎖放大：等待鎖的時間看似在「等」，但實際上造成連鎖阻塞，最終吞吐下降、CPU 與上下文切換飆升。

因此，第一步不是「找到最慢那條」，而是「找到最可能把 CPU 打滿的那幾條」。接下來我們用 DAS 做這件事。

第三章：用 DAS 把問題落到時間線

當你看到 CPU 告警時，務必同步抓取以下時間點：告警開始的時間、CPU 開始攀升的前後、以及是否有發布、流量增長、批次任務等事件。因為慢 SQL 的證據通常只在那段時間最明顯，過了就會被其他查詢淹沒。

在 DAS 的監控視圖中，你可以先定位資料庫實例，查看 CPU、QPS、連接數、慢查詢數等核心指標。你要盯的不是一個數字，而是關係：CPU 上升是否伴隨慢查詢數增加？QPS 是否異常波動？連接數是否暴增？如果 CPU 100% 但慢查詢數並不多，真凶可能在「非慢 SQL」——例如特定查詢其執行時間不長但頻率極高；或某些後台任務（統計/維護/索引重建）把資源吃掉。

但在多數線上事故中，慢 SQL 或性能退化確實會同步出現。接下來你要做的是把「慢 SQL」從抽象概念變成「一組具體候選」。

第四章：抓取候選慢 SQL——從海量列表到可對比的排名

在 DAS 裡找到慢查詢分析或 SQL 監控頁面後，你會看到慢 SQL 列表。此時最常見的錯誤是直接按耗時排序，忽略 CPU 的特性。更合理的策略是做交叉篩選：

• 阿里雲國際帳號認證 時間範圍：只看 CPU 告警開始前後的窗口，例如前後 30 分鐘或 1 小時。
• 執行次數：優先看執行次數高的 SQL（因為 CPU 是累積耗用）。
• 耗時分佈：關注平均耗時與分位數（若有），避免被單次極端值誤導。
• 是否為同一模板：同一條 SQL（或同一類型）可能因參數不同而呈現為多條相近語句，你需要做聚合。

假設你在 DAS 中看到某條 SQL 在告警期間執行了數萬次，平均耗時 50ms，另外一條只執行了十幾次但每次耗時 3 秒。那麼真正更可能打滿 CPU 的，往往是前者：因為它把 CPU 以「反覆、小碎」的方式吃掉，導致上下文切換與執行排隊長期存在。

在這一步，你的目標不是立刻下結論，而是把候選縮小到 3~5 條。通常候選過多意味着你的篩選維度不夠準；而候選過少則可能代表你看的窗口太窄，或 CPU 的主要來源不是慢 SQL。

第五章：確定「真凶」——從單條慢 SQL 到實際資源消耗

當候選縮到幾條 SQL 後，接下來要判斷它們是不是「真正在打 CPU」的那個。你需要做兩個層次的核對：資料層面的合理性、以及運行層面的影響。

5.1 觀察執行頻率與佔比

在 DAS 裡通常可以看到每條 SQL 的執行次數、耗時總量或佔比。你可以用一個簡單但有效的思路：耗時總和（或加權耗時）越高，越可能對 CPU 形成主要壓力。

CPU 打滿並不只與「單次耗時」相關，還與「同時併發」和「執行總量」相關。即使某條 SQL 單次耗時不長，只要執行總量足夠大，它就能把 CPU 拉到上限。

5.2 核對鎖等待與阻塞

很多團隊誤以為「慢 SQL 代表在算」，但實際上慢 SQL 很可能是在「等」。DAS 若提供鎖等待、阻塞分析或可以聯動查看相關指標，你要特別關注：

• 該 SQL 是否伴隨 lock_wait 或排隊現象？
• 是否有某些寫入（UPDATE/INSERT）導致大量讀取被鎖住？
• 是否同一條 SQL 在同一時間段形成阻塞風暴？

一旦鎖等待是核心問題，修復方向就不再是單純的「加索引」，而是要從交易設計、隔離級別、批次大小、是否存在長事務等角度處理。

5.3 核對執行計劃與索引命中

確定候選後，你要把 SQL 對應的執行計劃拉出來（DAS 通常可提供 SQL 分析、執行計劃、或可聯動查詢）。判斷指標包括：

• 是否使用了預期索引？還是落入全表掃描/索引退化？
• 是否出現大量 rows 估算偏差（例如實際掃描行數遠大於估算）？
• 阿里雲國際帳號認證 是否產生昂貴的排序（filesort）、聚合（group by）或嵌套迴圈導致爆炸？

當你看到「掃描行數飆升」或「索引命中率下降」的跡象，基本可以判定真凶與索引/統計/條件寫法相關。

第六章：一個常見案例——看似查詢慢，實際是索引失效

假設告警期間 DAS 排名靠前的一條 SQL 類似於（僅示意）：

SELECT ... FROM order_detail
WHERE user_id = ?
  AND status = ?
  AND create_time BETWEEN ? AND ?
ORDER BY create_time DESC
LIMIT 50;

你在候選列表看到它執行次數極高，平均耗時中等偏高。這時你拉執行計劃，發現它沒有走複合索引，而是走了單列索引或直接退化成大量掃描。可能原因包括：

• 複合索引順序與查詢條件不一致，例如索引是 (status, create_time, user_id)，但條件最先用的是 user_id。
• 某些條件型別不匹配，導致隱式轉換（例如 create_time 字段為 datetime，但參數被當成字串比較）。
• 統計資訊過舊，優化器估算錯誤，選錯了執行路徑。

如果你的資料表在近期發生過寫入量劇增或資料分佈改變，統計資訊確實容易失真。結果就是：同樣的 SQL，過去走索引，現在不走了。

阿里雲國際帳號認證 這也是為什麼我們要用 DAS 先定位時間窗口。你可以把「觸發 CPU 爆表的 SQL」與「最近一次索引/資料分佈變化或發布」對照，通常能找到關聯。

第七章：修復路徑——不是只有加索引

抓到真凶後，修復有多種路徑。選哪一條，取決於你在 DAS 分析中看到了什麼。

7.1 如果是索引不命中：補齊或調整複合索引

最常見的修復是建立或調整索引。要注意兩點：第一，索引不是越多越好，過多索引會拖慢寫入；第二，複合索引要匹配查詢條件的過濾順序與排序需求。

回到示例：如果查詢同時過濾 user_id、status、時間範圍並按 create_time 倒序排序，那複合索引可能需要考慮覆蓋條件的排列，例如 (user_id, status, create_time)。但最終仍要以實際執行計劃為準：你希望看到 rows 掃描下降、排序不再需要額外 filesort、成本估算合理。

7.2 如果是統計失真：更新統計與檢查自動分析策略

當你看到估算行數明顯偏離實際，通常與統計資訊有關。修復方式可能包括手動更新統計、調整自動統計的頻率、或在資料量變動大時觸發重新分析。

這種修復的特點是：SQL 本身可能沒改，卻因為資料分佈變了導致執行計劃改變。你用 DAS 定位「在哪個時間點開始變慢」，對應回去看資料增長與統計更新節奏，就能形成合理證據鏈。

7.3 如果是寫入或鎖放大：調整事務、批次大小與隔離級別

如果 DAS 顯示真凶 SQL 的慢主要由 lock wait 或阻塞造成，索引可能只是局部解法。你更需要看：

• 是否存在長事務（例如大批量更新未提交）？
• 批次大小是否過大導致鎖持有時間延長？
• 是否因為重試機制或並發策略，造成大量相同請求同時等待同一資源？

這時修復方向是工程性的：縮短鎖持有時間、把大操作拆成可控批次、在必要時調整隔離策略，並配合觀察 CPU 是否伴隨鎖等待下降。

7.4 如果是應用層問題：避免把查詢放進迴圈或 N+1

有些事故不是資料庫選錯路徑，而是應用把它濫用。典型場景是 N+1 查詢：在一次請求中執行大量相似 SQL，單次都不一定特別慢，但總量大到把 CPU 撐爆。

DAS 在這種情況下常常也會顯示「同模板 SQL 的執行次數異常高」——你看到的真凶不是最慢，而是「量最大」。修復策略是改成批量查詢、預取（prefetch）、或把統計計算移到更合理的位置。

第八章：用 DAS 驗證修復是否奏效

修復後最怕的不是「沒效果」，而是「效果看似有，但其實只是轉移到了別的地方」。所以你需要用 DAS 做回歸驗證。

阿里雲國際帳號認證 驗證應該同時看兩類指標：

• 性能指標：CPU 是否下降、慢查詢數是否回落、延遲是否恢復穩定。
• SQL 指標：真凶 SQL 的執行計劃是否改變、rows 掃描是否下降、耗時與佔比是否同步改善。

如果 CPU 沒降，但慢查詢列表裡那條真凶耗時下降了，可能代表 CPU 壓力已轉移到其他 SQL；這時候你需要回到 DAS 時間線重新抓一次候選，避免「局部修好、全局仍爆」。

相反，如果 CPU 大幅下降，但真凶 SQL 的佔比只小幅下降，則可能是其他配套因素（例如批量導致的併發降低）同時發生。你依然需要確認修復是否帶來可預期的長期收益。

第九章：抓到一次不夠，要把監控做成制度

一次事故解決容易，下一次不必然還同樣有效。你需要把這次「找出真凶」的經驗固化成可複用的方法。

9.1 建立告警到分析的標準流程

建議團隊把「CPU 告警」對應的排查流程寫成 checklist，例如：

• 確認告警開始時間與背景事件（發布、流量、批次）。
• 用 DAS 把慢 SQL 限定到時間窗口。
• 用執行次數/耗時總和而非單次最大耗時做排序。
• 核對鎖等待或阻塞信息（若有）。
• 拉執行計劃，判斷索引命中與掃描行數。
• 根據原因選擇索引/統計/事務/應用修復策略。
• 修復後用 DAS 回歸驗證 CPU 與真凶 SQL 的佔比。

這個流程的價值在於：你不再依賴個人經驗，而是讓每次排查都能更快收斂。

9.2 為高風險 SQL 設定更精細的觀測

阿里雲國際帳號認證 如果 DAS 能針對特定語句或關鍵表做更細的監控，就把它當成「重點目標」。例如：查詢面向核心交易、訂單/支付/物流等表的高頻 SQL。對這些語句，你可以：

• 設定更嚴格的慢查詢閾值。
• 對同模板 SQL 做併發與執行次數監控。
• 定期回顧執行計劃變化（特別是資料量增長後）。

9.3 做容量與回退預案

即便你找到了真凶，也要假設它可能再次出現。比如索引變更、資料分佈變化、或程式發布引入了更高頻的相同查詢。此時你需要回退預案：

• 臨時限流或降級策略：保護主流程。
• 必要時的 SQL 變更回滾：避免繼續擴大影響。
• 資料庫維護策略：更新統計、索引重建等要有節奏。

預案不是用來好看的，是為了讓你在下一次 CPU 爆表時不至於慌亂。

第十章：把「抓取」變成「結案」

阿裡雲 DAS 的價值在於縮短你從「現象」到「證據」的距離。當 CPU 100% 時，你不是要猜，而是要找到能被驗證的那條 SQL：它在告警時間窗裡反覆執行，它在執行計劃上出現了不合理的索引/掃描，它對應的耗時或鎖等待能解釋 CPU 的飆升。

阿里雲國際帳號認證 結案的標準也不應只是「CPU 下來了」。真正的結案是：你確認了原因，修復了根因，並在 DAS 裡看到真凶 SQL 的行為穩定改善。這樣才算把事故從一次性止血變成可持續的治理。

下一次當告警再響，你會發現流程其實已經在心裡。你不需要靠運氣，也不需要靠吼叫。你只要沿著時間線、沿著候選排名、沿著執行計劃的證據，一步一步抓到真凶，然後讓它永遠不再回來。