【MySQL性能监控避坑手册】:避开这6大常见误区,系统稳定性提升80%

第一章:MySQL性能监控的核心价值与挑战

在现代数据驱动的应用架构中,MySQL作为广泛使用的关系型数据库,其运行性能直接影响系统的响应速度与用户体验。有效的性能监控不仅能够实时掌握数据库的负载状态,还能提前预警潜在瓶颈,避免服务中断或响应延迟。

保障系统稳定性的关键手段

持续监控MySQL的连接数、查询吞吐量、慢查询日志等指标,有助于识别异常行为。例如,通过启用慢查询日志并设置阈值,可以捕获执行时间过长的SQL语句:
-- 开启慢查询日志并定义阈值(单位:秒)
SET GLOBAL slow_query_log = 'ON';
SET GLOBAL long_query_time = 2;
SET GLOBAL log_output = 'TABLE'; -- 日志写入mysql.slow_log表
上述配置将执行时间超过2秒的查询记录到系统表中,便于后续分析优化。

面临的典型挑战

MySQL性能监控在实际落地过程中常面临以下问题:
  • 监控指标繁多,难以聚焦核心性能维度
  • 高并发场景下监控工具自身可能成为性能瓶颈
  • 历史数据存储成本高,长期趋势分析受限
  • 缺乏统一告警机制,故障响应不及时

监控指标分类示意

类别关键指标监控意义
连接类Threads_connected, Max_used_connections评估并发压力与连接池配置合理性
查询类Queries, Questions, Slow_queries反映数据库负载及低效SQL出现频率
缓冲池Innodb_buffer_pool_read_requests, Innodb_buffer_pool_reads衡量内存命中率,判断是否需扩容
graph TD A[客户端请求] --> B{MySQL服务器} B --> C[查询解析] C --> D[执行计划生成] D --> E[存储引擎访问] E --> F[返回结果] F --> G[慢查询日志记录?] G -->|是| H[触发告警] G -->|否| I[正常结束]

第二章:常见性能监控误区深度剖析

2.1 仅关注慢查询日志:忽略高并发下的响应波动

在性能优化中,开发人员常依赖慢查询日志定位问题,但这一做法容易忽视高并发场景下的响应时间波动。仅当查询执行时间超过阈值时,慢查询日志才会记录,而大量接近阈值的请求可能未被捕捉,却已在高负载下引发用户体验下降。
响应波动的隐蔽性
在高并发场景中,即使单次查询不“慢”,频繁的微延迟累积会导致整体服务响应变差。例如,平均响应从50ms升至150ms,虽未达慢查询标准(如500ms),但用户可明显感知卡顿。
监控策略升级建议
  • 引入全链路监控,采集P95/P99响应时间
  • 结合APM工具分析请求堆积与线程等待
  • 设置动态告警阈值,适应流量波峰波谷
-- 示例:慢查询阈值设置(MySQL)
SET long_query_time = 1; -- 记录超过1秒的查询
SET slow_query_log = ON;
上述配置仅捕获超时查询,无法反映瞬时抖动。应辅以实时直方图统计,全面掌握响应分布。

2.2 过度依赖单一指标:CPU与IOPS的片面解读

在系统性能评估中,CPU使用率和IOPS常被视为核心指标,但过度依赖它们易导致误判。高CPU使用率未必代表瓶颈,可能仅反映任务并行度高;而IOPS数值优异也不等于应用响应快,尤其在高延迟存储场景下。
典型误判场景
  • CPU空转:进程频繁轮询但无实际计算
  • IOPS虚高:小块随机读写提升数值,但业务吞吐未改善
代码示例:模拟高IOPS低有效吞吐

# 使用fio测试4K随机写
fio --name=randwrite --ioengine=libaio --rw=randwrite \
     --bs=4k --size=1G --numjobs=4 --direct=1 \
     --runtime=60 --time_based
该命令生成高IOPS数据,但若应用实际以大块顺序写为主,则此测试不具备代表性。参数--bs=4k限定块大小,--rw=randwrite模拟随机写入模式,脱离业务真实IO特征将导致容量规划偏差。
多维监控建议
指标局限性补充维度
CPU使用率忽略等待与空转上下文切换、运行队列
IOPS忽视延迟与吞吐响应时间、带宽(MB/s)

2.3 盲目启用Performance Schema:性能损耗反噬系统

默认配置下的性能陷阱
MySQL的Performance Schema在默认情况下部分启用,但若盲目开启所有采集点,将显著增加CPU和内存开销。尤其在高并发场景下,事件采集频率呈指数级增长,反而导致数据库响应变慢。
关键参数调优建议
应按需启用监控项,避免全量采集。可通过以下命令查看当前活跃消费者:
SELECT * FROM performance_schema.setup_consumers WHERE ENABLED = 'YES';
该查询返回当前激活的数据消费者,如未加筛选地启用events_statements_history等细粒度记录项,每秒数万次请求将产生巨量监控数据,加剧性能退化。
推荐启用策略
  • 仅开启诊断所需消费者,如events_waits_current
  • 定期清理历史表以控制内存占用
  • 使用setup_instruments过滤低价值监控项

2.4 忽视监控数据的时间维度:短周期采样导致误判

在监控系统中,高频采样看似能提供更精细的观测,但若忽视时间维度的统计意义,反而可能引发误判。短时间内资源使用率突增可能是正常波动,例如瞬时垃圾回收或批量任务启动。
采样周期与误报关系示例
  • 1秒采样:易捕获毛刺,难以区分异常与噪声
  • 15秒采样:平滑短期波动,更适合趋势判断
  • 结合滑动窗口可有效识别持续异常
代码示例:滑动窗口检测逻辑
type Window struct {
    Data []float64
    Size int
}

func (w *Window) Add(value float64) {
    w.Data = append(w.Data, value)
    if len(w.Data) > w.Size {
        w.Data = w.Data[1:]
    }
}

func (w *Window) Avg() float64 {
    sum := 0.0
    for _, v := range w.Data {
        sum += v
    }
    return sum / float64(len(w.Data))
}
该结构通过维护一个固定大小的滑动窗口,计算近期指标均值,避免因单点高峰触发误报警。参数Size应根据业务响应延迟和采样频率综合设定,通常建议覆盖至少1分钟的数据量。

2.5 将监控等同于报警:缺乏趋势分析与根因定位

许多团队将监控简单视为“触发报警”的工具,忽视了其在系统可观测性中的深层价值。这种短视做法导致运维响应滞后,难以应对复杂分布式环境中的渐进式故障。
监控的三大盲区
  • 仅关注阈值报警,忽略指标趋势变化
  • 缺乏跨服务调用链的关联分析
  • 报警泛洪时难以定位根本原因
从报警到洞察:引入趋势分析

// Prometheus 查询示例:检测请求延迟的持续上升趋势
rate(http_request_duration_seconds[5m]) 
| predict_linear(1h) > 0.5 // 预测1小时后超0.5秒则预警
该查询通过线性预测判断未来负载趋势,提前发现潜在性能退化,而非等待阈值突破。
根因定位的关键路径
依赖拓扑图 + 日志聚合 + 分布式追踪 → 快速收敛故障范围

第三章:构建科学监控体系的关键原则

3.1 指标分层:从实例层到SQL层的全链路覆盖

在构建可观测性体系时,指标分层是实现精细化监控的关键。通过将指标划分为不同层级,可以精准定位性能瓶颈。
分层结构设计
典型的指标分层包括:
  • 实例层:关注CPU、内存、I/O等系统资源使用情况
  • 连接层:监控活跃连接数、等待队列长度
  • SQL层:追踪慢查询、执行计划变化、锁等待时间
SQL执行指标采集示例
-- 启用慢查询日志并设置阈值
SET GLOBAL slow_query_log = 'ON';
SET GLOBAL long_query_time = 2;
SET GLOBAL log_output = 'TABLE';
该配置启用慢查询记录功能,将执行时间超过2秒的SQL语句写入mysql.slow_log表,便于后续分析。
跨层关联分析
层级关键指标告警阈值
实例层CPU使用率>85%
SQL层慢查询数量/分钟>5

3.2 基线思维:建立正常与异常的量化标准

在可观测性体系中,基线思维是识别异常的前提。通过历史数据统计分析,系统可自动构建性能指标的动态基线,如请求延迟、错误率和资源利用率。
动态基线计算示例
import numpy as np

# 假设 collected_data 为过去7天每小时的P95延迟(毫秒)
collected_data = [120, 135, 118, 140, 130, 125, 128]
mean = np.mean(collected_data)
std_dev = np.std(collected_data)

upper_bound = mean + 2 * std_dev  # 上限阈值
lower_bound = mean - 2 * std_dev  # 下限阈值

print(f"正常区间: [{lower_bound:.2f}, {upper_bound:.2f}]")
该代码通过正态分布原理计算性能指标的安全范围。均值反映系统典型表现,标准差衡量波动程度,±2σ覆盖约95%的正常情况,超出即触发告警。
关键指标基线对照表
指标类型基线范围采样周期
HTTP延迟(P95)≤150ms每小时
错误率≤0.5%每5分钟
CPU使用率60%±15%每分钟

3.3 轻量持久:平衡监控精度与系统开销

在构建可观测性体系时,监控数据的采集频率直接影响系统性能。过高的采样率虽提升精度,但显著增加资源消耗与存储成本。
采样策略优化
采用动态采样机制,根据系统负载自动调节上报频率:
  • 低峰期降低采样率,减少数据量
  • 异常时段自动切换至高频采集
代码实现示例
func NewSampler(baseRate float64) *Sampler {
    return &Sampler{
        BaseRate: baseRate, // 基础采样率
        LoadFactor: getSystemLoad(), // 实时负载系数
    }
}

// Sample 决定是否上报指标
func (s *Sampler) Sample() bool {
    adjustedRate := s.BaseRate * (1.0 - s.LoadFactor)
    return rand.Float64() < adjustedRate
}
该采样器通过结合基础率与实时负载动态调整决策阈值,高负载时自动降低采样密度,实现资源与精度的平衡。
资源开销对比
采样率CPU占用内存增量
100%18%240MB
10%3%45MB

第四章:主流监控工具实践对比

4.1 Prometheus + MySQL Exporter:云原生场景下的高效组合

在云原生架构中,Prometheus 与 MySQL Exporter 的组合成为监控数据库性能的核心方案。MySQL Exporter 能够将 MySQL 实例的关键指标(如连接数、查询延迟、缓冲池使用率)转化为 Prometheus 可采集的格式。
部署配置示例

- job_name: 'mysql'
  static_configs:
    - targets: ['localhost:9104']
  metrics_path: /metrics
  params:
    module: [mysql]
该配置定义了 Prometheus 抓取任务,目标为运行在 9104 端口的 MySQL Exporter。metrics_path 指定暴露路径,params 中 module 对应 Exporter 的采集模块。
核心监控指标
  • mysql_up:实例可达性状态(1 表示正常)
  • mysql_global_status_threads_connected:当前连接数
  • mysql_info_schema_table_rows:表行数统计
通过 Relabeling 规则可实现多实例自动发现,适用于动态伸缩的容器环境。

4.2 Percona PMM:DBA友好的一体化监控平台

Percona PMM(Percona Monitoring and Management)是一款开源的数据库监控与管理平台,专为MySQL、PostgreSQL和MongoDB等数据库优化设计,深受DBA青睐。
核心功能亮点
  • 实时性能监控,涵盖查询响应时间、吞吐量与连接数
  • Query Analytics(QAN)深入分析慢查询,定位性能瓶颈
  • 基于Grafana构建可视化仪表板,界面直观易用
快速部署示例

docker run -d \
  --name pmm-server \
  -p 80:80 \
  -p 443:443 \
  percona/pmm-server:latest
该命令启动PMM服务端容器,开放80/443端口用于Web访问。参数-d表示后台运行,镜像使用最新稳定版percona/pmm-server:latest,适合快速搭建测试环境。
监控代理配置
客户端通过PMM Agent注册数据库实例,自动采集指标并加密传输至服务器,确保数据安全与完整性。

4.3 Zabbix自定义监控项:传统架构中的灵活适配

在传统IT架构中,标准化监控工具往往难以覆盖特定业务场景。Zabbix通过自定义监控项(UserParameter)实现了对私有服务与脚本的灵活集成。
配置自定义监控项
通过编辑Zabbix Agent配置文件,可定义采集逻辑:
UserParameter=custom.ping[*],/usr/local/bin/check_ping.sh $1
该指令注册了一个名为custom.ping的监控项,接收参数传递目标地址,并调用外部脚本执行探测任务。脚本输出需为数值或字符串,供Zabbix Server解析入库。
应用场景与优势
  • 监控专有端口服务状态
  • 采集遗留系统性能指标
  • 执行定时业务逻辑校验
此机制显著提升了监控系统的适应能力,无需改造原有架构即可实现深度数据采集。

4.4 使用pt-query-digest进行SQL性能回溯分析

pt-query-digest 是 Percona Toolkit 中用于分析 MySQL 慢查询日志的核心工具,能够将原始日志转化为可读性高的性能报告。

基本使用方式
pt-query-digest /var/log/mysql/slow.log > query_report.txt

该命令解析慢查询日志并生成汇总报告。输出包含查询执行次数、总耗时、锁等待时间、扫描行数等关键指标,帮助识别最消耗资源的 SQL 语句。

高级过滤与分析
  • --since:指定分析最近一段时间的日志,如 --since '2023-08-01 00:00:00'
  • --limit:控制输出结果数量,默认显示前95%的慢查询
  • --filter:自定义过滤条件,例如仅分析特定数据库的查询
输出关键字段说明
字段含义
Query_time_avg平均执行时间
Lock_time_avg平均锁等待时间
Rows_examined扫描行数
Rows_sent返回行数

第五章:从监控到优化的闭环体系建设

在现代云原生架构中,构建从监控到优化的闭环体系已成为保障系统稳定性和性能提升的核心机制。该体系不仅要求实时感知系统状态,还需驱动自动化决策与调优动作。
数据采集与指标定义
通过 Prometheus 抓取微服务的关键指标,如请求延迟、错误率和资源使用率。定义 SLO(服务等级目标)作为判断服务质量的基准,例如:

# prometheus-slo.yml
alert: HighLatency
expr: histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m])) > 0.5
for: 10m
labels:
  severity: warning
annotations:
  summary: 'High latency detected'
自动化响应机制
当告警触发后,利用 Alertmanager 联动 Webhook 调用自动扩缩容接口或流量切换策略。典型流程如下:
  • 检测到 CPU 使用率持续超过 80%
  • Kubernetes HPA 根据自定义指标自动扩容副本数
  • 流量逐步导入新实例,同时观察日志与追踪数据
  • 若问题未缓解,触发熔断并通知值班工程师
反馈与持续优化
将每次告警事件记录至分析数据库,并生成根因分析报告。通过定期回顾,调整阈值策略和资源配置。
指标类型当前阈值优化建议
95% 延迟500ms引入缓存层降低 DB 负载
错误率1%升级依赖库修复已知 bug
闭环流程图:
监控 → 告警 → 自动响应 → 数据回流 → 策略调优 → 再监控
MySQL监控工具PMM 闲谈:项目要求监控工具能实时监控分析MySQL慢查询,之前部署的Prometheus监控不了慢日志,因此试着部署了Percona魔改Prometheus和grafana的监控工具PMM,效果还挺好。 PMM-server部署 可部署在任意机器上,推荐docker部署 #拉取镜像 docker pull percona/pmm-server #建立数据卷容器 docker create -v /opt/prometheus/data -v /opt/consul-data -v /var/lib/mysql 阅读详情

相关推荐

MySql监控工具断网部署Percona Monitoring and Management ,Perocona的官方监控工具Docker安装教程

部署前提:我们已经在一台能联网的机器上将PMM-Server的镜像已经拉取到本地了,然后从拉取成功的机器上打包镜像,这样在不能联网的服务器中的docker中创建容器时就不需要远程拉取从而实现断网安装,如果机器能联网就就直接安装就行,省去打包步骤。 1.下载最新docker rpm包 rpm包 docker 官网教程 官网教程 导入导出镜像文件 导出教程 部署docke创建容器以及运

专注于编程、AI、人工智能等多个领域内容研究和分析 1846

数据库监控工具——PMM

是一款开源的数据库监控与管理平台,专注于等数据库的性能优化、故障排查和健康管理。由 Percona 公司开发,集成了数据采集、可视化、分析和告警功能,帮助运维团队高效管理数据库集群。PMM 采用部署在目标数据库服务器上,负责收集数据库性能指标(如查询延迟、连接数、锁状态等)。支持通过(如)收集系统和数据库指标。作为中心化服务,存储和分析从客户端收集的数据。: 时间序列数据库(TSDB),用于存储监控数据。: 提供可视化仪表盘,展示性能指标。

A_Tevens的博客 2278

grafana-dashboards:用于数据库监视的PMM仪表板

注意: 请参阅了解此存储库详细信息 用于使用Prometheus进行MySQL和MongoDB监视的Grafana仪表板 这是一组用于使用Prometheus数据源进行数据库和系统监视的Grafana仪表板。 先进的数据探索 Amazon RDS / Aurora MySQL指标(CloudWatch数据源) 比较系统参数 CPU使用率详细信息(核心) 跨服务器图 磁盘性能 磁盘空间 家用仪表板 MongoDB集群摘要 MongoDB内存 MongoDB MMAPv1 MongoDB概述 MongoDB ReplSet MongoDB RocksDB MongoDB Wired

PCSX2模拟器:从BIOS配置到高帧率游玩的10分钟上手

PCSX2 是一款免费开源的 PlayStation 2(PS2)游戏模拟器,通过解释器、重编译器和虚拟机的组合,在 PC 上重现 R5900 主处理器、VU 协处理器和 GS 图形芯片的运行环境,目前已可正常运行 95% 以上的 PS2 游戏库。这篇文章不讲架构原理,只讲你必须亲手做对的那几件事:首次配置向导里放好 BIOS、把游戏目录扫进游戏库、遇到掉帧和黑屏时按什么顺序调设置——做完这些,绝

gitblog_00307的博客 801

时间卷积网络(TCN):结构+pytorch代码

文章目录TCNTCN结构1-D FCN的结构因果卷积(Causal Convolutions)膨胀因果卷积(Dilated Causal Convolutions)膨胀非因果卷积(Dilated Non-Causal Convolutions)残差块结构pytorch代码讲解 TCN   TCN(Temporal Convolutional Network)是由Shaojie Bai et al....

Leon_winter的博客 11万+

Topas——基于Geant4的放射治疗蒙特卡罗算法模拟工具

本文内容参考Joseph Perl 的线上会议,视频详情可见于,该视频会议内容主要介绍Topas功能、软件架构、工作流程、参数设定、物理模型、具体案例等,对TOPAS的基本入门使用方法以及使用规定作出阐述。

fy方的博客 7610

pmm 监控mysql 所有指标_MYSQL使用PMM进行性能监控

文章目录简介安装安装PMMServerPMM client 安装使用pmm-adminOPTIONSpmm-admin add查看各种信息是否能够连接pmm服务器获取PMM客户端使用的密码删除监控服务删除孤立服务清除度量数据开启监控服务停止监控服务重启监控服务卸载前清理简介Percona监视和管理(PMM)是一个用于管理和监视MySQL和MongoDB性能的开源平台。它是由Percona与托管数据...

weixin_36275231的博客 909

无人机多旋翼倾转动力测试系统-适用于(eVTOL开发、缩比模型测试、科研教育)

LY-QZ-F4多旋翼倾转动力测试系统是全球首款专为倾转四旋翼设计的多自由度动力测试平台,融合高精度传感、动态倾转模拟与智能工况分析,为下一代eVTOL技术提供全维度验证工具。采用航空级应变传感器(精度±0.1% FS),同步捕获推力、扭矩、俯仰/滚转力矩,动态误差<1%。同时测试电驱动系统(单轴最大150kW)与混合动力单元(增程式),支持高压(800V)平台。通过MET数据采集软件,控制采集一体化,定制化,实时观察上百个传感器数据,实时更改测试需求。可搭配六维姿态平台,温湿度舱、振动台等环境模拟设备。

weixin_49209795的博客 877

mysql性能监控软件 慢日志分析利器

ubuntu14上安装percona server pmm docker mysql监控 mysql慢日志分析利器

johnhuster的专栏 6868

基于IMU的纯惯性导航轨迹绘制实践与优化

本文深入探讨了基于IMU的纯惯性导航轨迹绘制实践。通过修改开源组合导航算法KF-GINS,屏蔽GPS更新并简化地球参数,实现了仅依赖IMU数据的轨迹解算。文章详细介绍了代码改造、轨迹可视化方法,并分析了误差累积的根本原因,为深入理解惯性导航原理与传感器融合的必要性提供了宝贵的实践经验。

ff678的博客 399

手把手教你用Qwen-7B打造医疗大模型:从数据准备到RLHF全流程实战

本文是一篇基于Qwen-7B-Chat模型构建医疗领域大模型的实战全流程指南。文章详细拆解了从数据准备、环境搭建,到增量预训练、监督微调(SFT)以及偏好对齐(DPO)的核心技术步骤,并分享了部署与持续优化的实践经验。通过LoRA等高效微调技术,帮助开发者掌握将通用大模型改造为专业领域专家的完整方法论。

weixin_29191761的博客 129

2026版Linux运维SRE实战学习路线:从零基础到云原生工程化

在云计算和云原生技术普及的背景下,运维工程师的角色正从传统的手动操作向自动化与工程化转型。其核心原理在于通过脚本编程、配置管理及容器化技术,将重复性工作自动化,从而提升系统稳定性、部署效率并优化资源成本。这一技术演进的价值在于,它使运维人员能够更专注于高层次的架构设计与可靠性保障,而非陷入繁琐的日常维护。典型的应用场景包括自动化监控告警、持续集成与持续部署(CI/CD)流水线,以及大规模容器集群的管理。本文聚焦于如何构建一套体系化的实战能力培养方案,特别针对**自动化工具**和**SRE**这两个关键领域,

weixin_30411819的博客 448

《华为项目管理之道》第1章笔记

performance indicator,KPI)纳入个人绩效承诺书,贯彻结果导向的理念,以向员工。客户需求是华为发展的原动力,为客户服务是华为存在的唯一理由。目经理‘用兵’,依靠市场机制‘调兵’”,打破了人员在功能部门的板结,实现了听得。为管理者选拔的必要条件,项目经理成为人人向往的岗位。《华为项目管理之道》,是新出的华为官方的项目管理书,整个书不错。伴随着项目型组织的建立,华为逐步形成了完备的项目管理流程和制度,从而将业务运。为此,通过改革,重新明确了项目经理承担的经营责任,并开始以项。

jackyrongvip的专栏 2129

Linux新手入门与高效使用技巧全指南

Linux作为开源操作系统的代表,其核心优势在于直接控制硬件的能力和高度可定制性。通过虚拟化技术如VirtualBox,用户可以轻松创建Linux开发环境,而掌握终端操作、文件管理和系统监控等基础技能是提升效率的关键。在实际应用中,Linux广泛用于服务器管理、软件开发、数据分析等领域,其强大的命令行工具如rsync、awk和sed能高效处理各类任务。本文特别针对新手常见问题,分享了VirtualBox配置优化、SSH连接保活、crontab环境变量等实用技巧,并深入探讨了/proc文件系统解析、性能调优参

weixin_30819085的博客 327

LVGL iPhone Duo 开合过渡

环境:LVGL 9.x(需要软件模糊),窗口建议 1280×800。界面文案英文(默认 Montserrat 无 CJK)。

摸鱼专家 156

openlayers全面教程306+【目录】

vue+openlayers系列教程旨在为开发者提供简单快捷的示例。在每一个示例中,解释相应的API知识点。

大剑师兰特的GIS世界 2万+

MySQL&MongoDB监控利器PMM

一、PMM介绍 Percona Monitoring and Management (PMM)是一款开源的用于管理和监控MySQL和MongoDB性能的开源平台,通过PMM客户端收集到的DB监控数据用第三方软件Grafana画图展示出来。 PMM提供了对MyISAM、InnoDB、TokuDB和PXC/Glarera的监控,另外也提供了Query Analytics的功能...

weixin_30721899的博客 218

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

MySQL-MongoDB开源监控利器之PMM

背景说明: PMM是percona公司提供的一个对于MySQL和MongoDB的监控和管理平台。PMM有两部分组成PMM Client和PMM Server PMM Client:安装在每一台需要进行监控的数据库主机中,包括以下工具 . pmm-admin:pmm客户端客理工具,用于增加或是删除需要监控的数据库实例 . percona-qan-agent:用于搜集数据库性能数据 . no...

eagle89的专栏 1538

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

MySQL:使用PMM进行性能监控

简介 PMM是percona公司提供的一个对于MySQL和MongoDB的监控和管理平台。PMM有两部分组成PMM Client和PMM Server PMM Client:安装在每一台需要进行监控的数据库主机中,包括以下工具 pmm-admin:pmm客户端客理工具,用于增加或是删除需要监控的数据库实例 percona-qan-agent:用于搜集数据库性能数据 node_exporter :...

OceanStar的博客 4401

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

PMM添加MySQ监控服务

设置PMM来监视MySQ

qq_34595089的博客 1462

PMM监控与管理

服务端安装docker [root@localhost ~]# wget -O /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo --2021-01-18 12:14:05-- http://mirrors.aliyun.com/repo/Centos-7.repo [root@localhost ~]# yum -y install yum-utils device-mapper-persiste

weixin_45936641的博客 1669

使用PMM图形化监控MySQL MGR动态

*GreatSQL社区原创内容未经授权不得随意使用,转载请联系小编并注明来源。1.引入2.PMM监控的安装和配置使用2.1PMM介绍2.2PMM安装方式3.通过web页面添加MGR组复制监控4.PMM监控选项图示5.卸载PMM-CLIENT6.总结1.引入目前市面上对于MySQL相关的监控平台,监控软件,自动诊断平台,或者称之为云管平台等众多但是针对MGR高可用组复制和主从延迟,或者主从复制实时...

老叶茶馆 1874

percona PMM Query Analytics报“ No query classes for selected instance and time range”错

完整报错信息如下:There is no data for the selected MySQL instance, time range or search query.QAN API error: "qh.Profile: No query classes for selected instance and time range. Please check whether...

weixin_33921089的博客 199

部署PMM

部署PMM 运行PMM Server 通过Docker运行 安装PMM Client Connect PMM Client to PMM Server Start data collection 1.在主机上运行PMM Server,用于访问收集的数据,查看基于时间的图表,并执行性能分析。可以通过三种方式运行PMM Server: Run PMM Server using Docker Run P

FaN() 2306

PMM安装-第一篇

一 简介 今天来聊聊 PMM安装使用 二 安装 1 server端执行 curl -sSL https://get.daocloud.io/docker | sh docker pull percona/pmm-server 创建数据卷容器 docker create -v /opt/prometheus/data -v /opt/consul-data -v /var/lib...

weixin_33962923的博客 355

【采坑】docker 部署pmm与mysql监控

pmm部署监控与mysql监控 一、背景 二、步骤 1.PMM Server安装

二黑黑黑 2676
上一篇: Swift 中 URLSession 与 async/await 的完美结合(现代网络编程新范式)
下一篇: 快速掌握Kubernetes Helm部署:打造可复用应用包的4步法
IterStream
博客等级 码龄1年 152粉丝 2112原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值