TiDB + AiOps 实践路径

TiDB + AiOps 实践路径

采集数据

全面、高质量地采集 TiDB 集群的全链路数据。

• Metrics：使用 Prometheus 无缝采集 TiDB 丰富的内部监控指标。
• Logs：收集 TiDB 各组件的日志，并接入 ELK 或 Loki 等日志平台。
• Traces：通过开启分布式链路追踪（如 OpenTelemetry），追踪 SQL 请求的全生命周期。

如下图所示：

平台建设

将采集到的数据都接入到 AiOps 平台或数据湖中。

平台需要具备强大的数据加工、算法模型管理和可视化能力。

迭代

• 初级阶段：对核心的性能指标实现智能的异常检测。
• 中级阶段：实施根因分析，并指出问题所在以及处理方案。
• 高级阶段：辅助决策、自动化整改，如自动扩容、SQL 优化自动执行等。

TiDB + AiOps 的优势

我思考了，TiDB 相比其他的数据库真的是具有天然的优势：

• 因为 TiDB 本身根据具有丰富的监控指标，为机器学习提供了高质量的数据源。

• 且 TiDB 完美支持 Prometheus、Grafana 等云原生监控生态，易于集成。

• 以及它的分布式架构，无状态计算层（TiDB-Server）和弹性存储层（TiKV）的设计，使得自动化扩缩容等非常方便。

总结

TiDB + AiOps 的结合，我觉得不是 1+1 的计算题，而是思维的转变，一场深刻的运维变革。就像现在我们团队一直用 Jenkins 来打包部署，和之前的人工打包相比，真的是彻底解放了双手，部署的时候还能喝一杯咖啡。而 TiDB + AiOps 可以将 DBA 从繁琐重复的日常监控和救火中解放出来，使其能更加专注于数据库架构设计、性能优化等更高层次的工作。

我之前写过 TiDB MCP Server 的实践文章，通过自然语言查询数据、操作数据库，我相信在未来，随着 AI Agent 的不断发展，我们可以通过自然语言与这套结合的系统进行交互，比如帮我分析下昨天的数据库性能瓶颈，或者帮我整理一份双十一的资源扩容计划等等。而 TiDB 依据自身架构的天然优势、以及开放的生态、友好的社区氛围，将走在这场变革的最前沿，真心祝愿 TiDB 越走越好！