KWDB 运维实战：用 SQL 打通 Metrics 与 CMDB

性能指标表 (Metrics)

Tag 设计是关键，hostname 是核心维度，它是连接 CMDB 表和 Metrics 表的纽带。

CREATE TABLE server_metrics (
    ts TIMESTAMP NOT NULL,             -- 时间戳
    hostname VARCHAR(50) NOT NULL,     -- 主机名 (Tag)
    cpu_usage DOUBLE,                  -- CPU 使用率 (%)
    mem_usage DOUBLE,                  -- 内存使用率 (%)
    disk_io_read DOUBLE,               -- 磁盘读 (MB/s)
    disk_io_write DOUBLE,              -- 磁盘写 (MB/s)
    net_in DOUBLE,                     -- 网络入 (Mbps)
    net_out DOUBLE,                    -- 网络出 (Mbps)
    PRIMARY KEY(ts, hostname)
);

数据模拟：压测级脚本

我们编写了一个 Python 脚本 gen_ops_data.py 来模拟 4 台服务器过去 6 小时的数据，以便验证写入性能和查询逻辑。

import random
from datetime import datetime, timedelta

FILENAME = "ops_data.sql"
HOSTS = ['web-01','web-02','db-01','db-02']
START_TIME = datetime.now() - timedelta(hours=6)
INTERVAL_SECONDS = 5
TOTAL_POINTS = int(6*3600/ INTERVAL_SECONDS)

print(f"正在生成 {len(HOSTS)} 台服务器，过去 6 小时的监控数据...")
with open(FILENAME,"w") as f:
    f.write("USE smart_ops;\n")
    f.write("INSERT INTO server_metrics (ts, hostname, cpu_usage, mem_usage, disk_io_read, disk_io_write, net_in, net_out) VALUES\n")
    records = []
    for host in HOSTS:
        base_cpu = 20 if 'web' in host else 40
        base_mem = 40 if 'web' in host else 70
        for i in range(TOTAL_POINTS):
            ts = (START_TIME + timedelta(seconds=i*INTERVAL_SECONDS)).strftime('%Y-%m-%d %H:%M:%S')
            cpu = base_cpu + random.uniform(-10,30)
            if cpu > 100: cpu = 100
            mem = base_mem + random.uniform(-5,10)
            if mem > 100: mem = 100
            disk_r = random.uniform(0,100)
            disk_w = random.uniform(0,50)
            if 'db' in host:
                disk_r *= 2
                disk_w *= 3
            net_in = random.uniform(10,1000)
            net_out = random.uniform(10,1000)
            records.append(f"('{ts}', '{host}', {round(cpu,1)}, {round(mem,1)}, {round(disk_r,1)}, {round(disk_w,1)}, {round(net_in,1)}, {round(net_out,1)})")
    batch_size = 1000
    total = len(records)
    for i, record in enumerate(records):
        if (i + 1) % batch_size == 0 or i == total - 1:
            f.write(f"{record};\n")
            if i < total - 1:
                f.write("INSERT INTO server_metrics (ts, hostname, cpu_usage, mem_usage, disk_io_read, disk_io_write, net_in, net_out) VALUES\n")
        else:
            f.write(f"{record},\n")
print(f"生成完毕！总记录数：{total}")
print(f"请运行：time sudo /usr/local/kaiwudb/bin/kwbase sql --certs-dir=/etc/kaiwudb/certs --host=127.0.0.1:26257 < {FILENAME}")

执行导入命令后，可以看到每一批 1000 条数据的写入时间稳定在 30ms 左右。这意味着在单线程情况下，KWDB 的写入吞吐量轻松达到 3.3 万 TPS。对于 500 台服务器每 5 秒上报一次（即 100 TPS）的场景，KWDB 仅用极小的系统资源就能轻松扛住。整个导入过程耗时约 1 分 13 秒，写入了 17280 条记录，全程无报错，验证了 Batch Insert 方案的健壮性。

业务场景实战

注意：执行前请确保 USE smart_ops;。

场景一：P95 性能分析

需求是计算每台服务器在过去 1 小时内的 P95 CPU 使用率，这是容量规划的重要依据。简单的平均值可能掩盖毛刺，P95 更能反映真实压力。

USE smart_ops;
SELECT hostname,
       avg(cpu_usage) as avg_cpu,
       max(cpu_usage) as max_cpu
FROM server_metrics 
WHERE ts > now() - interval '1 hour'
GROUP BY hostname;

查询耗时仅 9.68ms。结果清晰展示了不同角色的服务器负载特征。db-01 和 db-02 的 CPU 使用率都在 50% 左右，符合数据库服务器的高负载特征；而 web-01 和 web-02 则在 30% 左右。这帮助我们快速识别出了系统的潜在瓶颈在 DB 层。

场景二：机架级负载均衡

数据中心的交换机带宽是有限的。如果某个机架上的服务器流量总和过大，会打爆接入交换机，导致整个机架网络瘫痪。这需要我们将时序数据与 CMDB 资产数据关联分析。

USE smart_ops;
SELECT s.rack_id,
       sum(m.net_in) as total_net_in,
       sum(m.net_out) as total_net_out
FROM server_metrics m 
JOIN servers s ON m.hostname = s.hostname 
WHERE m.ts > now() - interval '5 minute'
GROUP BY s.rack_id;

这是一个典型的跨表聚合查询。KWDB 成功将 Metrics 表中的流量数据与 CMDB 表中的机架信息进行了关联。结果显示两个机架的流量负载非常均衡，说明当前的负载均衡策略是有效的。如果某个机架流量突增，这个查询能立竿见影地发现问题。

场景三：僵死服务器检测

找出最近 5 分钟没有上报数据的服务器，可能是宕机了。

USE smart_ops;
SELECT s.hostname, s.ip_address, max(m.ts) as last_heartbeat
FROM servers s 
LEFT JOIN server_metrics m ON s.hostname = m.hostname 
GROUP BY s.hostname, s.ip_address 
HAVING max(m.ts) < now() - interval '5 minute' OR max(m.ts) IS NULL;

这种反向查询（找缺失的数据）是时序数据库中较难处理的场景，而 KWDB 凭借标准的 SQL 能力（LEFT JOIN + HAVING）轻松搞定。返回 0 rows 说明当前所有在册的服务器在过去 5 分钟内都有正常的心跳上报，系统处于极其健康的状态。

避坑指南

1. 数据降采样：对于 1 年前的历史数据，不需要保留 5 秒级的精度。建议使用 KWDB 的 Downsampling 功能或者定期跑批任务，将数据聚合为'1 小时 1 点'存入历史表。
2. 索引优化：如果你经常按 rack_id 查询，建议在 servers 表的 rack_id 字段建立索引。

总结

KWDB 在运维监控场景下表现出色，单机即可支撑数千台服务器的指标写入。相比 Prometheus，它最大的优势在于支持标准 SQL，这让运维人员可以非常灵活地进行多维关联分析。

核心价值回顾：

1. 降低门槛：只要会写 SQL 就能做监控分析，无需学习 PromQL 等专用语言。
2. 打破孤岛：在一个数据库内实现了 Metrics 与 CMDB 的融合，让监控数据有了业务含义。
3. 高压缩率：实测显示，KWDB 对同构的时序数据有极高的压缩比，大幅降低了长周期存储的硬件成本。

随着 AIOps 的发展，基于 KWDB 我们还能做更多：利用分析函数计算 CPU 使用率的同比环比变化自动发现异常突增；当 Web 服务器响应变慢时，通过 SQL 关联查询同一时刻数据库服务器的负载，快速定位根因；甚至存储结构化的日志数据，实现指标加日志的统一检索。

通过构建统一的运维数据底座，我们不再是救火队员，而是系统的健康管理师。