TOP SQL，是 DBA 經常需要關注的語句，這些語句往往是執行頻次高、執行時間長、資源開銷高的語句。這些語句也成為 DBA 優化的重點。但這里有一個問題就是，上述這些語句真的是需要優化的嗎？其實，針對這些語句如果是穩態運行的話，是不需要太多關注的，因為它們不會成為未來影響穩定運行的“X 因素”，反而是哪些不穩定的、即將變差的、存在毛刺的等語句反而是需要更多關注的。然后我們在各種常規的監控平臺、工具上通常只能看到前者這些語句，而針對后者這些語句反而無從下手。本文就是嘗試從另一個角度入手，通過 DeepSeek 對語句執行的日志進行分析，將原來需要繁瑣的程序處理簡化到不用寫代碼，簡單文字交互處理即可。

一、環境準備：模擬日志+文字交互

這里簡化測試環境，使用 BenchMark 數據作為基礎數據。一方面通過自己寫的小程序，模擬應用定時執行指定SQL；另一方面通過執行 BenchMark 增加環境噪聲。針對上面的執行結果記錄到日志文件中，記錄的信息是執行時間和SQL執行時長。這里執行了兩組，一組是單獨執行SQL，一組是在執行過程中增加了環境負載的情況，分別對應兩個輸出的日志文件，并上傳給 DeepSeek。

提示詞

上傳文件是兩組時序數據，針對這些數據進行分析并圖形化展示。

1.時序數據格式

1).數據使用逗號分隔

2).第一列含義為SQL語句的執行時間，第二列為SQL語句的執行時長

2.圖形化輸出要求

1).格式為HTML

2).輸出的HTML代碼中包含完整的數據

3).輸出圖形沾滿整個窗口

4).采用光滑折線圖方式

5).針對兩組數據上下分列顯示并采用相同的量程

3.數據分析要求

1).輸出SQL的執行情況

從上面圖中可以看到，第一組數據SQL執行較為平滑（如上圖），第二組數據SQL執行較為陡峭（如下圖）；其原因是在第二組執行過程中，中間施加了一些環境干擾，導致語句執行時間增長。

二、了解整體執行情況 — 統計分析

我們先整體了解下運行情況，這里可利用一些標準的統計函數來完成，交給 DeepSeek 看看情況如何？

提示詞

針對上面第二組數據，使用Python3分析其SQL語句執行特征，以圖形化的方式輸出，包括但不限于執行時長的平均值、中位線等指標

從這里可以看出信息量還是很豐富的，不僅包含了運行時長、平均值、中位數等常規的，還包括了密度分布、箱式圖（后文會講）等內容。從中我們可以觀察到一些情況，例如平均值>中位數，這表明存在右偏分布（少量高耗時查詢拉高均值）。再例如執行時長密度分布存在雙峰現象，說明存在兩種典型的執行特征（快查詢與慢查詢）等。

三、 反映運行穩定度指標 — 時間方差

方差（Variance） 是衡量數據離散程度的統計量，反映數據與平均值（均值）的偏離程度。方差越大，數據波動越大，分布越分散；方差越小，數據越集中，穩定性越高。方差的計算公式如下

那么在針對SQL執行特征方面，方差可以起到評估SQL執行是否穩定的作用。低方差，表示執行情況平穩；高方差則表示執行時間波動大，可能存在偶發性能問題。針對后者一般可考慮檢查索引、索競爭、資源瓶頸等。為了更好地展示對比，這里引入一個概念叫“箱式圖”，是一種用作顯示一組數據分散情況資料的統計圖。因形狀如箱子而得名，能顯示出一組數據的最大值、最小值、中位數及上下四分位數。

下面針對上面兩組執行情況，做一個方差分析。這里可以充分利用 DeepSeek 的能力，不需要自己寫程序分析了。

提示詞

針對上面數據做方差分析，并將結果通過箱式圖來展示。

從圖中我們可以直觀看到第一組的執行情況的時間分布更為集中，而第二組則明顯差異很大，兩者方差差異明顯。這也說明第二組執行時出現了明顯的抖動情況。同時上面圖形中也顯示出一些常用的統計指標，包括極數值（最大值、最小值）、中位數等。

四、找到語句運行“拐點” — PELT算法

所謂拐點，就是其運行特征前后發生巨大變化的情況，這通常對應于性能惡化或恢復正常的場景。那么如何在大量SQL運行信息中找到語句運行出現拐點的時刻，對于事后排查分析很重要。這里可以利用 DeepSeek 的能力幫助我們找到這個拐點。我們將這個問題提給 DeepSeek 看它如何反應？

提示詞

針對上面數據做拐點分析，并將結果圖形化展示出來。

DeepSeek 思考過程中找到多種識別算法，并最終選擇了PELT算法。因為這種算法有Python包實現，DeepSeek 給出了源碼，稍加修改就可以使用。簡單說明下PELT算法，PELT（Pruned Exact Linear Time）算法是一種高效的變點檢測方法，其核心思想是通過動態規劃結合剪枝策略，在保證檢測精度的同時實現線性時間復雜度。該算法以最小化分段成本與懲罰項之和為目標，遞歸地搜索時間序列中的最優變點組合。其核心步驟包括：1）初始化動態規劃數組，記錄不同位置的最小累積成本；2）迭代計算每個時間點的最優前驅節點，利用成本函數（如L2均方誤差或RBF核函數）評估數據分布的突變程度；3）通過剪枝策略剔除不可能成為最優解的候選點，顯著減少計算冗余。懲罰項參數（通常基于BIC準則）動態平衡檢測靈敏度與過擬合風險，低懲罰值傾向捕捉細微變化，高懲罰值側重顯著突變。該算法尤其適用于金融波動分析、物聯網設備監測等需要實時處理大規模時序數據的場景，在檢測精度與計算效率之間實現了理想平衡。上述內容看起來很拗口，沒關系我們實用看看。針對上面測試數據，運用這一算法輸出如下圖形

運用PELT算法，可以找到SQL執行出現拐點的情況。如上圖在第一時間點，系統開始出現高延遲查詢的情況，此時的執行時長均值從0.051上漲到0.097（上漲90%）；在第二時間點，系統恢復正常，執行均值下降了50%。從上面應用可以看出，PELT算法在數據庫SQL性能分析中如同一位智能巡檢員，能夠自動識別SQL執行過程中的異常波動時刻，幫助管理員快速定位性能瓶頸。其核心作用體現在三個方面：首先，精準捕捉突變時段。通過掃描SQL執行時間序列，PELT能智能識別執行時長突然飆升的時間節點（如從0.05秒陡增至0.5秒），這些拐點往往對應著緩存失效、鎖競爭或索引缺失等問題。其次，區分自然波動與真實異常。相比傳統閾值告警（如固定0.1秒為慢查詢），PELT通過動態懲罰機制，能過濾日常負載波動（如早晚高峰的規律性延遲），專注檢測非正常突變（如某時刻因全表掃描導致的持續性高耗時）。最后，提升根因分析效率。當算法標記出某時間點為異常拐點后，管理員可直接調取該時段的執行計劃、資源監控日志，快速定位是SQL寫法缺陷（如未使用索引）、硬件瓶頸（如CPU跑滿）還是并發沖突（如死鎖堆積）所致。

五、找到語句運行“毛刺”— 異常點檢測

毛刺，是指執行特征有別于絕大部分正常情況的異常點。這些點對于用戶來說，通常會存在使用體感的明顯變化，如突然變得非?？D等。這些點通常在做事后分析時，會感覺到無從下手，那么看看 DeepSeek 能幫助我們做什么？

提示詞

對上述數據做異常點檢測分析，并通過圖形化方式展示結果

通過思考，DeepSeek 使用到異常點檢測通過多維算法融合機制精準捕捉數據庫執行中的異常行為。其生成的Pytho程序，稍加修改即可使用。程序采用Z-score、滑動窗口統計和孤立森林三重檢測策略：Z-score基于正態分布假設，計算每個執行時長與整體均值的標準差距離（公式：z=σx?μ），能有效識別突破3σ閾值的全局離群點，如某SQL耗時突增至0.141秒（超均值5倍）；滑動窗口法（窗口=5）動態計算局部均值與標準差（μwin+2σwin），擅長捕捉持續時間超過10秒的異常窗口，例如緩存失效引發的連續性高延遲；孤立森林通過構建隨機二叉樹快速隔離異常路徑，對非高斯分布的隱蔽異常（如0.057秒的早期波動）具有獨特敏感性。三者的邏輯或組合策略共同決定異常點。當然這里存在一點誤差，即初始點被誤標為異常，核心原因在于算法對早期孤立波動的敏感性。具體如下圖所示

通過上圖可以看出，這種機制在真實業務場景中可有效識別三類典型問題：1）索引失效引發的全表掃描（表現為單點Z-score異常），2）鎖競爭導致的持續阻塞（滑動窗口連續異常），3）內存泄漏引發的漸進式性能劣化（孤立森林路徑異常）。通過可視化模塊的95%分位線（紫色虛線）與異常熱力圖，DBA 可快速定位出現異常的時間段范圍。

六、物以類聚，有的放矢 — 聚類分析

除了上述針對一條語句的分析外，另外值得關注的是針對全量語句特征的分析。這里可以采用聚類分析的方式，下面是模擬了四種類型的SQL語句，針對執行頻次和執行時長做了了聚類。這里簡單說明下聚類分析，聚類分析是一種無監督機器學習方法，旨在根據數據特征的相似性將樣本劃分為若干組（簇），使同一簇內樣本高度相似，不同簇間差異顯著。在SQL分析場景中，選取執行頻次（單位時間執行次數）和平均執行時長作為特征，通過標準化處理消除量綱差異后，利用聚類算法將SQL語句劃分為不同執行模式類別。下面我們看看執行情況

提示詞

上傳的sql1,sql2,sql3,sql4四個文件，表示四條語句在數據庫中的執行情況。里面的字段分別對應執行時間和執行時長，請根據執行頻次和執行時長兩個維度入手，做SQL語句執行特征的聚類分析，并通過圖形化的方式展示出來。

通過上圖可見，我們將SQL精確分類，并做有針對性的優化。一類是高頻低耗型（如sql2）：頻繁執行但耗時短，需確保其執行計劃穩定，避免索引失效或資源爭用；一類是低頻高耗型（如sql3、sql4）：執行次數少但單次耗時長，應優先優化，例如重構查詢邏輯、添加索引或緩存結果；還有一類是過渡型（如sql1）：頻次和時長均居中，需監控潛在性能劣化風險。聚類結果直觀展示不同SQL的性能影響權重，指導DBA按“低頻高耗 > 高頻低耗 > 過渡型”順序制定優化計劃，最大化投入產出比。聚類分析通過數據驅動方式揭示SQL執行特征，替代人工經驗分類，提升優化效率。但其效果依賴特征選取（如增加峰值時長、資源消耗指標可增強區分度）和簇數設定（可通過“肘部法則”選擇最佳K值）。此外，需結合業務場景解讀結果，避免單純依賴數學劃分忽略實際語義。例如，高耗時的低頻SQL可能是關鍵報表查詢，需保障其穩定性而非盲目削減耗時。綜上，聚類分析為SQL優化提供了科學的分類框架，輔助DBA從海量日志中快速定位重點問題，是實現數據庫智能調優的手段之一。