آموزش جامع Automatic Tuning در Azure SQL Database با مثال‌های عملی SQL Server

Azure SQL Database Automatic Tuning یکی از ابزارها یا قابلیت‌های مهم اکوسیستم Microsoft SQL Server برای تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده است. این مقاله از تعریف پایه آغاز می‌کند و سپس به ساخت خط مبنا، خواندن خروجی، کنترل سربار و تبدیل مشاهده فنی به اقدام قابل سنجش می‌رسد. تمام مثال‌ها برای همین موضوع طراحی شده‌اند تا متن با مقاله‌های دیگر مجموعه هم‌پوشانی محتوایی نداشته باشد.

منبع اصلی داده در این موضوع «Query Store، Telemetry سرویس و Recommendation Engine» است و خروجی‌های شاخص آن شامل CREATE_INDEX، DROP_INDEX، FORCE_LAST_GOOD_PLAN و وضعیت توصیه می‌شود. بنابراین پیش از فعال‌سازی ابزار باید پرسش عملکردی مشخص باشد؛ برای نمونه، آیا تیم در پی فعال‌سازی Force Last Good Plan است یا می‌خواهد مرور توصیه ساخت ایندکس را ارزیابی کند؟

مسیر دسترسی سریع مقاله Azure SQL Database Automatic Tuning: بازگشت به راهنمای ابزارهای گرافیکی و خارجی پایش عملکرد SQL Server.

تعریف و جایگاه Azure SQL Database Automatic Tuning

جایگاه Azure SQL Database Automatic Tuning در چرخه عیب‌یابی بین مشاهده، تفسیر و اقدام قرار می‌گیرد. مشاهده خام تنها می‌گوید چه چیزی رخ داده است؛ تفسیر باید آن رخداد را با ظرفیت سرور، الگوی مصرف و تغییرات نرم‌افزار مرتبط کند؛ اقدام نیز باید فرضیه‌ای قابل بازگشت داشته باشد. این ابزار برای تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده مناسب است، اما به‌تنهایی علت ریشه‌ای را تضمین نمی‌کند.

در یک فرایند حرفه‌ای، ابتدا بازه زمانی و معیار موفقیت ثبت می‌شود. سپس داده از Query Store، Telemetry سرویس و Recommendation Engine جمع‌آوری می‌گردد و شاخص‌هایی مانند CREATE_INDEX، DROP_INDEX، FORCE_LAST_GOOD_PLAN و وضعیت توصیه کنار هم قرار می‌گیرند. اگر نتیجه با تجربه کاربران سازگار نبود، باید از ابزار مکمل در لایه سیستم‌عامل، موتور داده یا برنامه کاربردی کمک گرفت.

تصویر نخست، معماری اختصاصی Azure SQL Database Automatic Tuning را از منبع داده تا خروجی‌های قابل استفاده برای فعال‌سازی Force Last Good Plan نشان می‌دهد.

نحو و الگوی خواندن داده در Azure SQL Database Automatic Tuning

همه قابلیت‌های Azure SQL Database Automatic Tuning یک دستور واحد ندارند، اما Query زیر نقطه شروع عملی برای مشاهده بخشی از داده مرتبط است. آن را ابتدا در محیط آزمایش اجرا کنید و نام پایگاه، مجوزها و نسخه موتور را با شرایط واقعی تطبیق دهید.

-- نمونه 1 اختصاصی Azure SQL Database Automatic Tuning
        SELECT name,desired_state_desc,actual_state_desc,reason_desc FROM sys.database_automatic_tuning_options ORDER BY name;

ده مثال عملی و غیرتکراری برای Azure SQL Database Automatic Tuning

مثال 1: ساخت خط مبنای اولیه با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 1 روی موضوع «فعال‌سازی Force Last Good Plan» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 1 اختصاصی Azure SQL Database Automatic Tuning
        SELECT name,desired_state_desc,actual_state_desc,reason_desc FROM sys.database_automatic_tuning_options ORDER BY name;

نکته فنی نمونه 1 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره کنترل Drop Index تصمیم بگیرید.

مثال 2: تحلیل داده نمونه در محیط آزمایش با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 2 روی موضوع «مرور توصیه ساخت ایندکس» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 2 اختصاصی Azure SQL Database Automatic Tuning
        SELECT reason,state,score,details FROM sys.dm_db_tuning_recommendations ORDER BY score DESC;

نکته فنی نمونه 2 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره بررسی وضعیت اعمال تصمیم بگیرید.

مثال 3: استفاده در گزارش روزانه با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 3 روی موضوع «کنترل Drop Index» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 3 اختصاصی Azure SQL Database Automatic Tuning
        SELECT JSON_VALUE(state,'$.currentValue') AS current_state,JSON_VALUE(state,'$.reason') AS state_reason FROM sys.dm_db_tuning_recommendations;

نکته فنی نمونه 3 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره بازگردانی پیشنهاد ناموفق تصمیم بگیرید.

مثال 4: اعمال فیلتر هدفمند با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 4 روی موضوع «بررسی وضعیت اعمال» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 4 اختصاصی Azure SQL Database Automatic Tuning
        SELECT name,desired_state_desc,actual_state_desc FROM sys.database_automatic_tuning_options WHERE name=N'FORCE_LAST_GOOD_PLAN';

نکته فنی نمونه 4 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره فعال‌سازی Force Last Good Plan تصمیم بگیرید.

مثال 5: ترکیب با نمای سیستمی مکمل با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 5 روی موضوع «بازگردانی پیشنهاد ناموفق» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 5 اختصاصی Azure SQL Database Automatic Tuning
        SELECT name,desired_state_desc,actual_state_desc FROM sys.database_automatic_tuning_options WHERE name IN (N'CREATE_INDEX',N'DROP_INDEX');

نکته فنی نمونه 5 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره مرور توصیه ساخت ایندکس تصمیم بگیرید.

تصویر دوم، جریان اجرای Azure SQL Database Automatic Tuning را از دریافت ورودی تا تولید مشاهده قابل مقایسه برای کنترل Drop Index ترسیم می‌کند.

مثال 6: بررسی نبود داده یا مقدار NULL با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 6 روی موضوع «فعال‌سازی Force Last Good Plan» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 6 اختصاصی Azure SQL Database Automatic Tuning
        SELECT TOP (20) p.query_id,p.plan_id,p.is_forced_plan,p.force_failure_count FROM sys.query_store_plan AS p ORDER BY p.force_failure_count DESC;

نکته فنی نمونه 6 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره کنترل Drop Index تصمیم بگیرید.

مثال 7: آزمون وضعیت مرزی و بار غیرمعمول با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 7 روی موضوع «مرور توصیه ساخت ایندکس» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 7 اختصاصی Azure SQL Database Automatic Tuning
        SELECT actual_state_desc,readonly_reason,current_storage_size_mb,max_storage_size_mb FROM sys.database_query_store_options;

نکته فنی نمونه 7 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره بررسی وضعیت اعمال تصمیم بگیرید.

مثال 8: سناریوی عملیاتی سازمانی با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 8 روی موضوع «کنترل Drop Index» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 8 اختصاصی Azure SQL Database Automatic Tuning
        SELECT TOP (20) q.query_id,COUNT(DISTINCT p.plan_id) AS plan_count FROM sys.query_store_query AS q JOIN sys.query_store_plan AS p ON p.query_id=q.query_id GROUP BY q.query_id HAVING COUNT(DISTINCT p.plan_id)>1;

نکته فنی نمونه 8 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره بازگردانی پیشنهاد ناموفق تصمیم بگیرید.

مثال 9: نمایش روش اشتباه و نسخه اصلاح‌شده با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 9 روی موضوع «بررسی وضعیت اعمال» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود. روش اشتباه، اجرای پایش بدون فیلتر و بدون تعیین مدت است؛ نسخه اصلاح‌شده Query را محدود می‌کند تا داده مرتبط با Azure SQL Database Automatic Tuning استخراج شود.

-- نمونه 9 اختصاصی Azure SQL Database Automatic Tuning
        SELECT reason,score,JSON_VALUE(details,'$.implementationDetails.script') AS proposed_script FROM sys.dm_db_tuning_recommendations ORDER BY score DESC;

نکته فنی نمونه 9 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره فعال‌سازی Force Last Good Plan تصمیم بگیرید.

مثال 10: کنترل کارایی و هزینه پایش با Azure SQL Database Automatic Tuning

در این سناریوی اختصاصی، هدف آن است که تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 10 روی موضوع «بازگردانی پیشنهاد ناموفق» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 10 اختصاصی Azure SQL Database Automatic Tuning
        SELECT GETUTCDATE() AS reviewed_at,COUNT(*) AS recommendation_count FROM sys.dm_db_tuning_recommendations;

نکته فنی نمونه 10 در Azure SQL Database Automatic Tuning آن است که نتیجه نباید جدا از بازه زمانی، بار جاری و پیکربندی سرور تفسیر شود. برای جلوگیری از نتیجه‌گیری شتاب‌زده، مقدار به‌دست‌آمده را با یک نمونه پیشین مقایسه کنید و سپس درباره مرور توصیه ساخت ایندکس تصمیم بگیرید. در محیط پرترافیک، ابتدا هزینه خود ابزار را بسنجید؛ زیرا سیاست سازمان، پنجره تغییر و ارزیابی اثر هر توصیه باید در نظر گرفته شود.

خطاهای رایج در کار با Azure SQL Database Automatic Tuning

• در Azure SQL Database Automatic Tuning، جمع‌آوری داده بدون سؤال مشخص خروجی حجیمی می‌سازد که هیچ تصمیمی را پشتیبانی نمی‌کند.
• نادیده گرفتن هشدار اصلی این ابزار: سیاست سازمان، پنجره تغییر و ارزیابی اثر هر توصیه باید در نظر گرفته شود.
• در تحلیل Azure SQL Database Automatic Tuning، مقایسه دو بازه با حجم Workload متفاوت نتیجه بهبود یا افت را مخدوش می‌کند.
• پس از مشاهده Azure SQL Database Automatic Tuning، اعمال تغییر مستقیم در تولید بدون Baseline و معیار Rollback خطرناک است.
• تفسیر Azure SQL Database Automatic Tuning با تمرکز روی یک عدد و حذف زمینه‌هایی مانند Wait، I/O، Lock و رفتار برنامه ناقص می‌ماند.

ملاحظات کارایی و بهترین روش‌ها در Azure SQL Database Automatic Tuning

هزینه پایش باید بخشی از طراحی باشد. برای Azure SQL Database Automatic Tuning دامنه داده را به رویداد، Database، Session یا بازه لازم محدود کنید. نرخ تولید داده را در پنج دقیقه نخست اندازه بگیرید؛ اگر رشد خروجی از انتظار بیشتر بود، فیلتر یا فاصله نمونه‌برداری را اصلاح کنید. نتیجه معتبر زمانی ایجاد می‌شود که خود ابزار باعث تغییر محسوس در رفتار Workload نشود.

بهترین روش، ایجاد دفترچه تصمیم است: پرسش اولیه، زمان جمع‌آوری، نسخه SQL Server، تغییرات اخیر، معیارهای CREATE_INDEX، DROP_INDEX، FORCE_LAST_GOOD_PLAN و وضعیت توصیه، تفسیر، اقدام و نتیجه پس از اقدام ثبت شوند. برای سناریوی بررسی وضعیت اعمال بهتر است داده قبل و بعد از تغییر با یک بار کاری مشابه مقایسه شود.

تصویر سوم، تصمیم فنی میان Baseline، مشاهده، هشدار Performance و Best Practice را برای Azure SQL Database Automatic Tuning و سناریوی بازگردانی پیشنهاد ناموفق خلاصه می‌کند.

سؤالات متداول اختصاصی Azure SQL Database Automatic Tuning

پرسش 1: Azure SQL Database Automatic Tuning دقیقاً چه مسئله‌ای را حل می‌کند؟

در زمینه Azure SQL Database Automatic Tuning، این ابزار برای تشخیص و اعمال خودکار برخی اصلاحات عملکردی مبتنی بر داده طراحی شده است و داده را از Query Store، Telemetry سرویس و Recommendation Engine می‌گیرد. ارزش اصلی آن زمانی آشکار می‌شود که نتیجه با خط مبنا و هدف کسب‌وکار مقایسه شود.

پرسش 2: برای شروع کار با Azure SQL Database Automatic Tuning چه پیش‌نیازی لازم است؟

در زمینه Azure SQL Database Automatic Tuning، دسترسی مشاهده DMVها یا مجوز مناسب ابزار، تعیین بازه پایش و شناخت بار عادی سامانه لازم است. پیش از اجرا نیز باید مشخص شود کدام‌یک از خروجی‌های «CREATE_INDEX، DROP_INDEX، FORCE_LAST_GOOD_PLAN و وضعیت توصیه» واقعاً اهمیت دارد.

پرسش 3: آیا Azure SQL Database Automatic Tuning برای پروژه تجاری کوچک هم ارزش دارد؟

در زمینه Azure SQL Database Automatic Tuning، بله، اما دامنه جمع‌آوری باید متناسب با اندازه سامانه باشد. در پروژه کوچک می‌توان از یک سناریوی محدود مانند فعال‌سازی Force Last Good Plan شروع کرد و تنها در صورت نیاز جزئیات بیشتری ثبت کرد.

پرسش 4: چگونه خروجی Azure SQL Database Automatic Tuning به کاهش هزینه عملیاتی کمک می‌کند؟

در زمینه Azure SQL Database Automatic Tuning، با شناسایی دقیق منبع مصرف یا رگرسیون، تیم از تغییرات حدسی دور می‌شود. این موضوع زمان عیب‌یابی، ریسک توقف سرویس و هزینه تهیه سخت‌افزار بدون ضرورت را کاهش می‌دهد.

پرسش 5: Azure SQL Database Automatic Tuning با ابزارهای نزدیک چه تفاوتی دارد؟

در زمینه Azure SQL Database Automatic Tuning، تمایز اصلی در منبع داده و عمق تحلیل است؛ این موضوع بر Query Store، Telemetry سرویس و Recommendation Engine تکیه دارد، در حالی که ابزار دیگر ممکن است فقط نمای لحظه‌ای یا گزارش سطح سیستم‌عامل ارائه کند.

پرسش 6: برای پیاده‌سازی حرفه‌ای Azure SQL Database Automatic Tuning چه خدماتی مفید است؟

در زمینه Azure SQL Database Automatic Tuning، طراحی Baseline، انتخاب فیلتر، ساخت گزارش، تحلیل خروجی و مستندسازی اقدام اصلاحی از خدمات رایج مشاوره SQL Server هستند. این مراحل باید با نیاز واقعی پروژه هماهنگ شوند.

پرسش 7: رایج‌ترین خطا هنگام استفاده از Azure SQL Database Automatic Tuning چیست؟

در زمینه Azure SQL Database Automatic Tuning، رایج‌ترین خطا تفسیر یک نمونه منفرد بدون زمینه است. همچنین باید به این هشدار توجه شود که سیاست سازمان، پنجره تغییر و ارزیابی اثر هر توصیه باید در نظر گرفته شود.

پرسش 8: اثر Performance خود Azure SQL Database Automatic Tuning چگونه کنترل می‌شود؟

در زمینه Azure SQL Database Automatic Tuning، رویدادها یا Counterها را محدود، مدت جمع‌آوری را مشخص و حجم خروجی را اندازه‌گیری کنید. سپس مصرف CPU، I/O و فضای ذخیره‌سازی ابزار را جدا از Workload اصلی ثبت کنید.

پرسش 9: بهترین روش عملی برای Azure SQL Database Automatic Tuning چیست؟

در زمینه Azure SQL Database Automatic Tuning، با یک پرسش مشخص مانند «مرور توصیه ساخت ایندکس» شروع کنید، داده حداقلی لازم را جمع‌آوری کنید، نتیجه را با Baseline بسنجید و اقدام اصلاحی را همراه با معیار بازگشت ثبت کنید.

پرسش 10: سازگاری نسخه‌ای Azure SQL Database Automatic Tuning را چگونه بررسی کنیم؟

در زمینه Azure SQL Database Automatic Tuning، قابلیت‌ها و نام DMVها میان نسخه‌های SQL Server، Azure SQL و SSMS می‌توانند تفاوت داشته باشند. قبل از اجرای اسکریپت در تولید، آن را روی همان Edition و Compatibility Level آزمایش کنید.

سؤالات مصاحبه درباره Azure SQL Database Automatic Tuning

1. توضیح دهید چرا Azure SQL Database Automatic Tuning برای فعال‌سازی Force Last Good Plan مناسب است.
2. چگونه سربار Azure SQL Database Automatic Tuning را در یک سرور پرترافیک اندازه‌گیری می‌کنید؟
3. بین خروجی‌های CREATE_INDEX، DROP_INDEX، FORCE_LAST_GOOD_PLAN و وضعیت توصیه کدام معیار را برای تشخیص اولیه انتخاب می‌کنید و چرا؟
4. اگر داده Azure SQL Database Automatic Tuning با تجربه کاربر ناسازگار باشد، چه منابع مکملی را بررسی می‌کنید؟
5. یک برنامه بازگشت برای تغییری که بر اساس Azure SQL Database Automatic Tuning پیشنهاد شده طراحی کنید.

چک‌لیست نهایی Azure SQL Database Automatic Tuning

• در Azure SQL Database Automatic Tuning پرسش پایش برای فعال‌سازی Force Last Good Plan نوشته شده است.
• برای Azure SQL Database Automatic Tuning مجوز دسترسی به Query Store، Telemetry سرویس و Recommendation Engine بررسی شده است.
• بازه زمانی و حجم خروجی Azure SQL Database Automatic Tuning محدود شده است.
• برای Azure SQL Database Automatic Tuning حداقل دو معیار از CREATE_INDEX، DROP_INDEX، FORCE_LAST_GOOD_PLAN و وضعیت توصیه ثبت شده است.
• تأثیر Azure SQL Database Automatic Tuning بر CPU، I/O و فضای دیسک سنجیده شده است.
• اقدام اصلاحی مبتنی بر Azure SQL Database Automatic Tuning و برنامه بازگشت مستند شده است.

جمع‌بندی آموزش Azure SQL Database Automatic Tuning

Azure SQL Database Automatic Tuning زمانی بیشترین ارزش را دارد که برای یک مسئله محدود مانند فعال‌سازی Force Last Good Plan به کار رود و خروجی آن با Baseline سنجیده شود. داده‌های CREATE_INDEX، DROP_INDEX، FORCE_LAST_GOOD_PLAN و وضعیت توصیه باید در کنار زمینه Workload تفسیر شوند. با رعایت فیلتر، زمان‌بندی و کنترل سربار می‌توان از این قابلیت برای تصمیم‌های قابل دفاع در SQL Server استفاده کرد.

برای مقایسه Azure SQL Database Automatic Tuning با تمام گزینه‌های مجموعه، راهنمای جامع ابزارهای گرافیکی و خارجی عملکرد SQL Server را مطالعه کنید.