查询优化与调试_云监控(CMS)-阿里云帮助中心

UModel PaaS接口提供了丰富的调试和优化工具，帮助开发者快速定位问题、优化查询性能并确保系统稳定运行。

应用案例

当前应用案例相关素材，请参考：umodel.zip

1. DryRun模式

1.1 DryRun概述

DryRun 模式是 UModel PaaS 接口的核心调试功能，允许预览查询生成的 SPL 而不实际执行，便于：

查询预览：查看最终生成的 SPL 查询语句。
SPL验证：验证转换逻辑和字段映射是否正确。
调试分析：快速定位转换过程中的问题。
学习理解：理解 UModel 抽象到底层 SPL 的转换机制。

1.2 DryRun使用方法

基本语法

在任何UModel PaaS查询前添加DryRun设置：

.set "umodel_paas_mode"='dry_run';

-- 你的UModel PaaS查询

Phase 1 Table模式示例

.set "umodel_paas_mode"='dry_run';

.metric_set with(
    domain='apm', 
    name='apm.metric.apm.service', 
    source='metrics', 
    metric='request_count',
    query='service_id = "order-service"'
)

返回结果：

.metricstore with(region='cn-hangzhou', project='cms-cms-umodel-paas-0620-kffw8bjagidkeyc2', metricstore='metricstore-apm') 
| prom-call promql_query_range('sum by (acs_arms_service_id) (rate(arms_app_requests_count_raw{acs_arms_service_id="order-service"}[1m]))', '1m')

Phase 2 Object模式示例

.set "umodel_paas_mode"='dry_run';

.entity_set with(domain='apm', name='apm.service', ids=['1ab40caaf6xa707e6'])
| entity-call get_golden_metrics()

返回结果：

.let golden_metric_request_count_1=.metricstore with(project='proj-xtrace-xx-ap-southeast-3', metricstore='metricstore-apm-metrics') | prom-call promql_query_range('sum(sum_over_time_lcro(arms_app_requests_count_ign_destid_endpoint_parent_ppid_prpc_rpc{acs_arms_service_id="hwx28v3j7p@xx",callKind=~"http|rpc|custom_entry|server|consumer|schedule",service="payment"}[1m]))') | extend metric = 'request_count', metric_set_id = 'apm@metric_set@apm.metric.apm.service'; .let golden_metric_error_count_2=.metricstore with(project='proj-xtrace-xx-ap-southeast-3', metricstore='metricstore-apm-metrics') | prom-call promql_query_range('sum(sum_over_time_lcro(arms_app_requests_error_count_ign_destid_endpoint_parent_ppid_prpc_rpc{acs_arms_service_id="hwx28v3j7p@xx",callKind=~"http|rpc|custom_entry|server|consumer|schedule",service="payment"}[1m]))') | extend metric = 'error_count', metric_set_id = 'apm@metric_set@apm.metric.apm.service'; .let golden_metric_avg_request_latency_seconds_3=.metricstore with(project='proj-xtrace-xx-ap-southeast-3', metricstore='metricstore-apm-metrics') | prom-call promql_query_range('sum(sum_over_time_lcro(arms_app_requests_seconds_ign_destid_endpoint_parent_ppid_prpc_rpc{acs_arms_service_id="hwx28v3j7p@xx",callKind=~"http|rpc|custom_entry|server|consumer|schedule",service="payment"}[1m])) / sum(sum_over_time_lcro(arms_app_requests_count_ign_destid_endpoint_parent_ppid_prpc_rpc{acs_arms_service_id="hwx28v3j7p@xx",callKind=~"http|rpc|custom_entry|server|consumer|schedule",service="payment"}[1m]))') | extend metric = 'avg_request_latency_seconds', metric_set_id = 'apm@metric_set@apm.metric.apm.service'; $golden_metric_request_count_1 | union $golden_metric_error_count_2, $golden_metric_avg_request_latency_seconds_3

1.3 DryRun调试技巧

1.3.1 字段映射验证

通过DryRun检查字段映射是否正确：

.set "umodel_paas_mode"='dry_run';

-- 检查实体ID如何通过属性信息映射到存储字段
.entity_set with(domain='apm', name='apm.service', id=['1ab40caaf6xa707e6'])
| entity-call get_metric('apm', 'apm.metric.apm.service', 'request_count')

-- 检查实体查询字段如何映射到存储字段
.entity_set with(domain='apm', name='apm.service', query='service = "order-service"')
| entity-call get_metric('apm', 'apm.metric.apm.service', 'request_count')

观察返回的SPL中字段映射规则是否按预期应用。

1.3.2 过滤条件检查

验证复杂过滤条件的转换：

.set "umodel_paas_mode"='dry_run';

.entity_set with(domain='apm', name='apm.service', 
    query='service_id = "order-service" and region = "cn-hangzhou"')
| entity-call get_metric('apm', 'apm.metric.apm.service', 'request_count')

检查生成的SPL中过滤条件是否完整且正确。

1.3.3 关系查询调试

验证实体关系查询的字段映射：

.set "umodel_paas_mode"='dry_run';

.entity_set with(domain='apm', name='apm.service', query='service = "service-a"')
| entity-call get_relation_golden_metrics(
    'apm', 'apm.service', [], 'service = "service-b"',
    'calls', 'out', 'range', '5m')

检查源实体和目标实体的过滤条件是否正确组合。

1.4 DryRun最佳实践

逐步验证：从简单查询开始，逐步添加复杂条件。
对比验证：将 DryRun 结果与预期 SPL 对比。
字段检查：重点检查自定义字段的映射转换。
性能预估：通过生成的 SPL 评估查询复杂度。

2. 性能优化

2.1 查询计划优化

2.1.1 过滤条件优化

最佳实践：尽可能提供精确的过滤条件以减少数据扫描繁体，提升查询响应速度。

注意：如果是 phase2 模式，建议尽可能通过 ids 指定查询的实体ID，利用UModel能力进行查询转换。

.profile_set with(
    domain='apm', 
    name='apm.profile.cpu',
    query='service_id = "order-service" and profile_type = "cpu"'
)

.entity_set with(domain='apm', name='apm.service', id=['1ab40caaf6xa707e6'])
| entity-call get_metric('apm', 'apm.metric.apm.service', 'request_count')

2.1.2 指标模式步长设置

指标模式合理设置时间步长：

注意：如无特殊必要，不建议手动设置步长，UModel 中内置的步长逻辑已经考虑了查询时间范围和数据量，能够自动选择合适的步长。

查询时间范围	推荐步长	说明
1小时内	1m	精确分析
1-6小时	3m	平衡精度与性能
6-24小时	5m	趋势分析
1-7天	1h	长期趋势
7天以上	6h 或 1d	粗粒度分析

2.1.3 聚合策略优化

指标类查询尽可能优先使用聚合方式，否则可能会导致查询返回数据量过大，影响查询响应。

-- 推荐：使用聚合方式，如需获取特定维度，指定聚合维度

.metric_set with(
    domain='apm', 
    name='apm.metric.apm.service', 
    source='metrics', 
    metric='request_count',
    aggregate=true, -- 不指定维度，聚合所有指标成一条线
)

.metric_set with(
    domain='apm', 
    name='apm.metric.apm.service', 
    source='metrics', 
    metric='request_count',
    aggregate=true,
    aggregate_labels=['region']  -- 只聚合必要维度
)

-- 不推荐：不聚合，返回所有维度组合，数据量过大
.metric_set with(
    domain='apm', 
    name='apm.metric.apm.service', 
    source='metrics', 
    metric='request_count',
    aggregate=false  -- 返回所有维度组合
)

2.2 缓存策略

2.2.1 方法列表缓存

-- 缓存实体方法列表（相对稳定）
.entity_set with(domain='apm', name='apm.service')
| entity-call __list_method__()

缓存策略：

缓存时间：1-24小时。
失效条件：UModel配置更新。
适用场景：频繁的方法发现调用。

2.2.2 查询结果缓存

适合缓存的查询：

-- 相对稳定的配置查询
.entity_set with(domain='apm', name='apm.service')
| entity-call list_data_set(['metric_set'], true)

-- 标签值查询（变化较少）
.entity_set with(domain='apm', name='apm.service')
| entity-call get_label_values('apm', 'apm.metric.apm.service', 'region')

缓存策略：

缓存时间：5-60分钟。
失效条件：数据更新、配置变更。
适用场景：高频重复查询。

3. 调试工具集

3.1 配置检查工具

-- 检查UModel配置完整性
.entity_set with(domain='apm', name='apm.service')
| entity-call __inspect__(
    check_data_sets=true,
    check_links=true,
    check_field_mappings=true,
    check_metrics=true
)

3.2 方法发现工具

-- 发现可用方法
.entity_set with(domain='apm', name='apm.service')
| entity-call __list_method__()

-- 发现关联数据集
.entity_set with(domain='apm', name='apm.service')
| entity-call list_data_set(['metric_set'], true)

-- 发现相关实体
.entity_set with(domain='apm', name='apm.service')
| entity-call list_related_entity_set(['contains'], 'out')

3.3 逐步调试流程

步骤1：验证基础配置

-- 1. 检查实体是否存在
.entity_set with(domain='apm', name='apm.service')
| entity-call get_entity_set()

-- 2. 检查关联数据集
.entity_set with(domain='apm', name='apm.service')
| entity-call list_data_set()

步骤2：测试简单查询

-- 3. 测试基础方法调用
.set "umodel_paas_mode"='dry_run';

.entity_set with(domain='apm', name='apm.service')
| entity-call __list_method__()

步骤3：逐步增加复杂度

-- 4. 添加过滤条件
.set "umodel_paas_mode"='dry_run';

.entity_set with(domain='apm', name='apm.service', query='service_id = "order-service"')
| entity-call get_golden_metrics()

-- 5. 测试关系查询
.entity_set with(domain='apm', name='apm.service', query='service_id = "order-service"')
| entity-call get_relation_golden_metrics('apm', 'apm.operation', [], '', 'contains', 'out')

4. 最佳实践总结

4.1 开发阶段

先用DryRun：开发时优先使用DryRun验证查询逻辑。
逐步构建：从简单查询开始，逐步增加复杂度。
充分测试：测试边界条件和异常场景。

4.2 生产环境

性能监控：持续监控查询性能指标。
资源控制：合理设置并发限制和超时时间。
缓存优化：充分利用查询结果缓存。

4.3 故障处理

快速定位：使用DryRun和配置检查快速定位问题。
日志分析：结合系统日志分析故障原因。
分级处理：根据问题严重程度采用不同处理策略。