Tự động hóa tinh chỉnh truy vấn MySQL: từ chẩn đoán bằng AI đến theo dõi tái diễn

Tự động hóa tinh chỉnh truy vấn MySQL: từ chẩn đoán bằng AI đến theo dõi tái diễn

Sau khi học tối ưu hóa SQL, hãy tự động hóa các công việc xử lý tối ưu hóa lặp đi lặp lại. Đây là một dự án thực tiễn kết nối mọi quy trình, từ thu thập truy vấn MySQL, chẩn đoán bằng AI, xác minh bằng đo lường thực tế, bàn giao cho người phụ trách đến theo dõi tái diễn.

Từ thu thập đến theo dõi tái diễn, tất cả trong một quy trình.

Thu thập truy vấn → chẩn đoán bằng AI → xác minh bằng đo lường thực tế → ticket cho người phụ trách → khắc phục và theo dõi tái diễn

• Thu thập: lưu lại chênh lệch ảnh chụp nhanh của các giá trị tích lũy trong performance_schema và xác định mức độ ưu tiên xử lý dựa trên số lần thực thi cùng tổng tải.

• Chẩn đoán: Sử dụng các công cụ cung cấp căn cứ chỉ đọc và Claude Code để xem xét kế hoạch thực thi cùng các đề xuất cải thiện.

• Xác minh: Đo lường tính nhất quán của kết quả và hiệu năng trước và sau khi ADD INDEX đơn lẻ trong cơ sở dữ liệu riêng biệt, rồi hoàn tác chỉ mục.

• Bàn giao: Liên kết thông tin người phụ trách trong CMDB với các ticket hiện có để ngăn việc phát hành trùng lặp.

• Theo dõi: Lưu lại kết quả quan sát và trạng thái tái diễn sau khi xử lý vào báo cáo Grafana và hồ sơ công việc.

Không tự động áp dụng chỉ mục cho DB vận hành. Lưu lại kết quả xác minh và kế hoạch thay đổi; mọi thay đổi thực tế trên môi trường vận hành đều phải được con người phê duyệt và kiểm tra.

Bốn sản phẩm hoàn thiện sau khóa học

• Bảng ưu tiên truy vấn: So sánh thời gian thực thi trung bình, số lần thực thi và tổng tải, đồng thời giải thích đối tượng cần ưu tiên xử lý và lý do loại trừ.

• Biên bản xác minh đề xuất của AI: kiểm tra tính đồng nhất của kết quả, kế hoạch thực thi, các phép đo trước và sau, cùng điều kiện hoàn tác để ghi lại căn cứ cho việc chấp nhận, từ chối hoặc tạm hoãn.

• Phiếu yêu cầu dành cho người phụ trách: Liên kết cụm mục tiêu, dấu vân tay truy vấn, nhóm phụ trách và ticket hiện có.

• Báo cáo kết quả sau triển khai: ghi lại việc có áp dụng thực tế hay không, điều kiện và mẫu quan sát, các cải thiện, diễn biến xấu, tái diễn và hành động tiếp theo.

Hướng dẫn bắt đầu + 7 phần học tập, tổng cộng 8 phần

1. Hướng dẫn bắt đầu · tài liệu học tập và lộ trình thực hành: Xác nhận thứ tự học và phạm vi kiểm chứng.

2. Chuẩn bị tiêu chí quan sát và môi trường thực hành: Phân biệt thời gian trung bình, số lần thực thi và tổng tải.

3. Đánh giá kế hoạch thực thi, chỉ mục và tinh chỉnh truy vấn: Đọc kế hoạch thực thi và thực hành cải thiện chỉ mục cũng như truy vấn.

4. Kết nối thu thập, phát hiện và CMDB: Cấu hình ảnh chụp nhanh và quy tắc phát hiện, phân biệt khoảng trống thu thập với việc thực tế không được thực thi.

5. Chẩn đoán bằng Claude Code và xác minh qua đo lường thực tế: xem xét các đề xuất của AI và đo lường hiệu quả trong cơ sở dữ liệu riêng.

6. Theo dõi người phụ trách, ticket, việc xử lý và tái diễn: Liên kết trạng thái ngăn ngừa trùng lặp, xử lý và tái diễn.

7. Grafana·ghi nhận kết quả·thay đổi vận hành: Trực quan hóa kết quả quan sát, đồng thời ghi lại việc áp dụng và thành quả.

8. Bài tập đánh giá tổng hợp và mở rộng AWS: Hoàn thành bài tập tổng hợp và tìm hiểu lộ trình mở rộng lên đám mây.

Tổng cộng 59 bài học · 2 giờ 41 phút video. Ngoài thời gian xem video, bạn cần dành thời gian chuẩn bị môi trường và thực hành·làm bài tập.

Luyện tập xác minh và phán đoán sau đó qua 9 tình huống

Đề cập đến các trường hợp thay đổi kết quả, khoảng trống thu thập dữ liệu, không thực thi, không sử dụng chỉ mục, thay đổi môi trường, rút lại, cải thiện, xấu đi và chưa áp dụng. Giải thích cần thêm bằng chứng nào thông qua các trường hợp tổng hợp, mẫu câu trả lời, phần giải thích và tiêu chí đánh giá.

Chấm điểm tự động sẽ kiểm tra sự khớp nhau giữa các mục bắt buộc và mã phán định. Chất lượng phần giải thích sẽ được đánh giá riêng theo tiêu chí; việc vượt qua bài tập không đồng nghĩa với việc được cấp chứng chỉ chính thức hoặc được phê duyệt thay đổi vận hành.

Hãy xem trước bài học thực tế trước khi mua sắm

Trong chương trình học dưới đây, bạn có thể xem bản xem trước của “01-01 Giới thiệu bài giảng” (3 phút 36 giây) và “01-06 Nên sửa gì trước — xếp hạng theo tổng tải” (2 phút 30 giây).

Trong video quảng bá riêng dài khoảng 1 phút 41 giây có khoảng 90 giây trích đoạn thực tế từ bài học. Video quảng bá và bản xem trước bài học miễn phí là hai video khác nhau.

Bài học sử dụng giọng nam tổng hợp bằng AI cục bộ để thuyết minh. Nội dung chính có phụ đề tiếng Hàn tùy chọn cùng tệp SRT và kịch bản riêng, vì vậy hãy kiểm tra tốc độ giải thích và cách phát âm trong phần xem trước.

Đề xuất cho những người như sau

• Các nhà phát triển backend muốn đọc SELECT·JOIN và tự động hóa việc xử lý các truy vấn chậm lặp đi lặp lại.

• DBA·SRE·kỹ sư nền tảng muốn kết nối việc chẩn đoán, bàn giao cho người phụ trách và theo dõi sau đó

• Trưởng nhóm kỹ thuật muốn đánh giá việc áp dụng đề xuất của AI dựa trên cơ sở và số liệu thực tế

Cần có kiến thức cơ bản về SQL và khái niệm chỉ mục, cùng với nền tảng về lệnh terminal và môi trường ảo Python. Khuyến nghị học riêng một khóa cơ bản về nhập môn cú pháp SQL và ôn thi SQLP.

Môi trường thực hành và chi phí riêng biệt

• Bài tập phán đoán không cần tài khoản: Bắt đầu với Python 3.10 trở lên và trình soạn thảo. Chỉ sử dụng thư viện chuẩn của Python, không cần API bên ngoài hay tài khoản đám mây.

• Thực hành MySQL cục bộ: cần Docker hoặc môi trường MySQL riêng và Python. Vì sử dụng 2 triệu dòng đơn hàng tổng hợp, vui lòng chuẩn bị đủ bộ nhớ, dung lượng đĩa và cổng trống. Thời gian thực thi và kế hoạch sẽ khác nhau tùy môi trường.

• Chạy chẩn đoán AI mới: cần xác thực Claude Code và công cụ thực hành chỉ đọc; chi phí sử dụng dịch vụ được tính riêng. Bạn cũng có thể học qua kết quả đã được ghi lại.

• Thực hành mở rộng AWS: cần Terraform·CLI, tài khoản AWS được phê duyệt, quyền xóa tài nguyên và quyền truy cập mô hình; khi triển khai sẽ phát sinh chi phí riêng.

Tài liệu cung cấp và các nguồn bổ sung về AWS

Cung cấp tổng cộng 59 bài học và 2 giờ 41 phút video, SRT·kịch bản, workbook, câu hỏi kiểm tra các khái niệm cốt lõi, bài tập tổng hợp kèm lời giải, rubric đánh giá, 4 loại biểu mẫu ghi chép công việc cùng hướng dẫn cài đặt·xác minh·xóa.

Ngoài ra, chúng tôi cung cấp các nguồn bổ sung của AWS để kiểm tra việc thu thập và phát hiện trong môi trường RDS tổng hợp riêng biệt, ticket nội bộ, chẩn đoán bằng Bedrock, việc thêm và xóa chỉ mục xác minh, cũng như theo dõi quá trình giải quyết và tái diễn. Hãy xem các nguồn bổ sung và tài liệu công khai của AWS để kiểm tra nhật ký thực thi, các bài kiểm thử và phạm vi xác minh theo từng thông số.

Việc triển khai lại toàn bộ theo thông số tối thiểu mới nhất, đo lường thực tế, gửi thực tế qua Jira·Slack, khôi phục dài hạn và chuyển sang cơ sở dữ liệu vận hành hiện có là các hạng mục cần được xác minh riêng. Kết quả thực thi và câu trả lời của AI có thể khác nhau tùy theo môi trường. Trọng số mô hình, dữ liệu vận hành của công ty và thông tin xác thực không được bao gồm trong tài liệu cung cấp.

Những điều cần biết trước khi mua hàng

AI có tự động áp dụng chỉ mục vào cơ sở dữ liệu vận hành không?
Không. Chúng tôi kiểm tra và hoàn tác trong cơ sở dữ liệu xác minh riêng. AWS apply-plan tạo kế hoạch thay đổi, còn việc thay đổi thực tế trên hệ thống vận hành phải trải qua sự phê duyệt và kiểm tra của con người.

Có thể bắt đầu mà không cần tài khoản AI không?
Có. Bạn có thể bắt đầu với kết quả được ghi lại và các bài tập phán đoán tổng hợp không cần tài khoản. Khi chạy chẩn đoán AI mới hoặc triển khai AWS, cần có xác thực riêng và phát sinh chi phí.

Có cần đạt hiệu năng giống như ví dụ không?
Điều này phụ thuộc vào phân phối dữ liệu, thống kê, trình tối ưu hóa và môi trường thực thi. Bạn sẽ học cách so sánh tính nhất quán của kết quả, kế hoạch thực thi và cơ sở đo lường trước sau trong cùng điều kiện.

Phần hỏi đáp và cập nhật được cung cấp như thế nào?
Thời hạn học là không giới hạn. Trong 6 tháng sau khi mua, chúng tôi hỗ trợ nội dung khóa học và phần Q&A về các ví dụ được cung cấp, đồng thời trả lời trong vòng 7 ngày kể từ ngày nhận được câu hỏi. Trong 6 tháng sau khi ra mắt, chúng tôi sẽ sửa các lỗi được phát hiện trong bài giảng và phần thực hành. Việc tinh chỉnh riêng lẻ cơ sở dữ liệu đang vận hành của công ty, hỗ trợ triển khai và tích hợp với từng hệ thống riêng lẻ không nằm trong phạm vi hỗ trợ.

Giới thiệu giảng viên Dữ liệu Bậc thầy

Tôi là một chuyên gia dữ liệu đã có hơn 20 năm kinh nghiệm trong lĩnh vực cơ sở dữ liệu và CNTT. Tôi từng làm việc với tư cách DBA và quản lý nhóm DB Platform trong các lĩnh vực game, tài chính và dịch vụ CNTT, phụ trách tối ưu SQL và nền tảng cơ sở dữ liệu. Tôi xây dựng khóa học này để kết nối việc thu thập, chẩn đoán, xác minh, bàn giao cho người phụ trách và theo dõi sau xử lý các truy vấn lặp lại. Đồng thời, tôi chia sẻ các quy trình tự động hóa có thể áp dụng tại hiện trường và tiêu chí để xác minh các đề xuất của AI.