数据库健康监控

数据库健康监控，支持健康检查、异常检测、容量预测、高级容量预测、趋势分析、基线对比。 智能数据源选择： - Oracle 数据库自动使用 Zabbix 监控 - MySQL 数据库优先使用直连，其次使用 Prometheus - 支持 Z 系列资产组（如 Z18, Z5）自动识别 使用场景： - 用户说"检查健康...

数据库监控 Skill

智能数据源选择

系统会根据 --database 参数自动选择最优数据源：

数据库类型	识别规则	数据源优先级
Oracle	Z 系列资产组（Z18, Z5等）或 KF 系列	Zabbix
MySQL	其他名称	直连数据库 > Prometheus

示例：示例:

# Oracle 数据库（自动使用 Zabbix）
dbskiter --output-mode=ai --database=Z18 monitor health
dbskiter --output-mode=ai --database=Z5 monitor capacity --resource=disk

# MySQL 数据库（优先直连，其次 Prometheus）
dbskiter --output-mode=ai --database=jump monitor health
dbskiter --output-mode=ai --database=prod monitor anomalies

何时使用

当用户提到以下关键词时，使用此skill：

用户说法	执行命令	说明
"检查健康"	dbskiter --output-mode=ai --database=<name> monitor health	整体健康评分
"有异常吗"	dbskiter --output-mode=ai --database=<name> monitor anomalies	检测异常指标
"容量够吗"	dbskiter --output-mode=ai --database=<name> monitor capacity	容量预测
"采集数据"	dbskiter --output-mode=ai --database=<name> monitor collect	采集当前指标
"看历史"	dbskiter --output-mode=ai --database=<name> monitor history <指标>	查看指标历史
"高级容量预测"	dbskiter --output-mode=ai --database=<name> monitor capacity-advanced	多算法容量预测
"趋势分析"	dbskiter --output-mode=ai --database=<name> monitor trend	指标趋势分析
"基线对比"	dbskiter --output-mode=ai --database=<name> monitor compare	与历史基线对比

核心命令（8个）

高级功能（新增）

6. 高级容量预测

dbskiter --output-mode=ai --database=<数据库名> monitor capacity-advanced --resource=disk

特点：

• 自动选择最佳预测算法（线性回归、移动平均、指数平滑、多项式拟合）
• 提供置信度评估
• 更精确的预测结果

输出：

{
  "algorithm": "linear_regression",
  "confidence": 0.85,
  "predictions": {
    "7d": 68.5,
    "30d": 75.2,
    "90d": 88.5
  },
  "days_to_threshold": 45,
  "recommendation": "建议在45天内扩容"
}

7. 趋势分析

dbskiter --output-mode=ai --database=<数据库名> monitor trend --metric=cpu_usage --days=7

适用场景：

• 分析指标变化趋势
• 对比当前值与历史平均值
• 判断性能是改善还是恶化

输出：

{
  "trend_direction": "degrading",
  "current_value": 75.5,
  "historical_avg": 65.2,
  "change_percent": 15.8,
  "recommendation": "CPU使用率呈恶化趋势，建议关注"
}

8. 基线对比

dbskiter --output-mode=ai --database=<数据库名> monitor compare --metric=qps --value=1250 --baseline=2026-04-01

适用场景：

• 对比当前性能与历史基线
• 评估优化效果
• 检测性能退化

输出：

{
  "current_value": 1250,
  "baseline_value": 1000,
  "change_percent": 25.0,
  "severity": "normal",
  "message": "QPS较基线上升25.0%，在正常范围内"
}

9. 性能退化检测

dbskiter --output-mode=ai --database=<数据库名> monitor degradation

适用场景：

• 自动检测所有性能退化指标
• 与db-diagnose性能快照集成

输出：

{
  "degradation_count": 2,
  "degradations": [
    {
      "metric_type": "cpu_usage",
      "change_percent": 30.5,
      "severity": "warning"
    }
  ]
}

1. 健康检查

dbskiter --database=<数据库名> monitor health

输出：总体评分、各组件状态、关键指标

评分标准：

• 90-100：优秀 [OK]
• 70-89：良好 [WARN]
• <70：需要关注 [CRITICAL]

2. 异常检测

dbskiter --database=<数据库名> monitor anomalies

默认行为：检测所有指标的异常

输出：异常列表、严重程度、建议

3. 容量预测

dbskiter --database=<数据库名> monitor capacity --resource=disk

可选资源：

• disk：磁盘空间
• memory：内存使用
• connections：连接数

输出：当前使用率、预测值、剩余天数、风险等级

4. 采集指标

dbskiter --database=<数据库名> monitor collect

默认行为：采集所有核心指标

可选参数：

• --metrics=qps,connections：只采集指定指标

5. 查看历史

dbskiter --database=<数据库名> monitor history connections_active --hours=24

输出：历史指标数据、趋势图表

AI决策流程

场景1：用户说"检查数据库健康"

步骤1：执行 dbskiter --database=<name> monitor health
步骤2：解读健康评分和状态
步骤3：如果有问题，执行 dbskiter --database=<name> monitor anomalies
步骤4：总结给用户

场景2：用户说"磁盘还够用吗"

步骤1：执行 dbskiter --database=<name> monitor capacity --resource=disk
步骤2：解读当前使用率和预测
步骤3：如果接近阈值，给出扩容建议

场景3：用户说"看看有没有异常"

步骤1：执行 dbskiter --database=<name> monitor anomalies
步骤2：列出发现的异常
步骤3：对严重异常，建议进一步诊断