آموزش جامع Management Data Warehouse با مثال‌های عملی SQL Server

Management Data Warehouse یکی از ابزارها یا قابلیت‌های مهم اکوسیستم Microsoft SQL Server برای نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی 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 «پایگاه داده MDW و Schemaهای snapshot و custom_snapshots» است و خروجی‌های شاخص آن شامل روند مصرف منابع، Query History، Disk Growth و گزارش‌های مدیریتی می‌شود. بنابراین پیش از فعال‌سازی ابزار باید پرسش عملکردی مشخص باشد؛ برای نمونه، آیا تیم در پی تحلیل روند یک‌ماهه است یا می‌خواهد مقایسه سرورها را ارزیابی کند؟

مسیر دسترسی سریع مقاله Management Data Warehouse: بازگشت به راهنمای ابزارهای گرافیکی و خارجی پایش عملکرد SQL Server.

تعریف و جایگاه Management Data Warehouse

جایگاه Management Data Warehouse 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 نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی مناسب است، اما به‌تنهایی علت ریشه‌ای را تضمین نمی‌کند.

در یک فرایند حرفه‌ای، ابتدا بازه زمانی و معیار موفقیت ثبت می‌شود. سپس داده از پایگاه داده MDW و Schemaهای snapshot و custom_snapshots جمع‌آوری می‌گردد و شاخص‌هایی مانند روند مصرف منابع، Query History، Disk Growth و گزارش‌های مدیریتی 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 Management Data Warehouse را از منبع داده تا خروجی‌های قابل استفاده برای تحلیل روند یک‌ماهه نشان می‌دهد.

نحو و الگوی خواندن داده در Management Data Warehouse

همه قابلیت‌های Management Data Warehouse 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 Management Data Warehouse
        SELECT name,create_date,state_desc,recovery_model_desc FROM sys.databases WHERE name LIKE N'%MDW%';

ده مثال عملی و غیرتکراری برای Management Data Warehouse

مثال 1: ساخت خط مبنای اولیه با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 1 روی موضوع «تحلیل روند یک‌ماهه» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 1 اختصاصی Management Data Warehouse
        SELECT name,create_date,state_desc,recovery_model_desc FROM sys.databases WHERE name LIKE N'%MDW%';

نکته فنی نمونه 1 در Management Data Warehouse 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 رشد فایل‌ها تصمیم بگیرید.

مثال 2: تحلیل داده نمونه در محیط آزمایش با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 2 روی موضوع «مقایسه سرورها» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 2 اختصاصی Management Data Warehouse
        SELECT TABLE_SCHEMA,TABLE_NAME FROM INFORMATION_SCHEMA.TABLES WHERE TABLE_SCHEMA IN ('snapshots','custom_snapshots') ORDER BY TABLE_SCHEMA,TABLE_NAME;

نکته فنی نمونه 2 در Management Data Warehouse 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 گزارش Queryهای تاریخی تصمیم بگیرید.

مثال 3: استفاده در گزارش روزانه با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 3 روی موضوع «بررسی رشد فایل‌ها» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 3 اختصاصی Management Data Warehouse
        SELECT TOP (20) snapshot_id,snapshot_time_id FROM snapshots.disk_usage ORDER BY snapshot_id DESC;

نکته فنی نمونه 3 در Management Data Warehouse 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 پاک‌سازی داده قدیمی تصمیم بگیرید.

مثال 4: اعمال فیلتر هدفمند با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 4 روی موضوع «گزارش Queryهای تاریخی» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 4 اختصاصی Management Data Warehouse
        SELECT TOP (20) collection_time,db_name,database_size_mb FROM snapshots.disk_usage ORDER BY collection_time DESC;

نکته فنی نمونه 4 در Management Data Warehouse 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 تحلیل روند یک‌ماهه تصمیم بگیرید.

مثال 5: ترکیب با نمای سیستمی مکمل با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 5 روی موضوع «پاک‌سازی داده قدیمی» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 5 اختصاصی Management Data Warehouse
        SELECT TOP (20) collection_time,cpu_usage,sql_cpu_usage FROM snapshots.os_resource_stats ORDER BY collection_time DESC;

نکته فنی نمونه 5 در Management Data Warehouse 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 مقایسه سرورها تصمیم بگیرید.

تصویر دوم، جریان اجرای Management Data Warehouse را از دریافت ورودی تا تولید مشاهده قابل مقایسه برای بررسی رشد فایل‌ها ترسیم می‌کند.

مثال 6: بررسی نبود داده یا مقدار NULL با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 6 روی موضوع «تحلیل روند یک‌ماهه» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 6 اختصاصی Management Data Warehouse
        SELECT TOP (20) query_stats_id,plan_handle,statement_start_offset,statement_end_offset FROM snapshots.query_stats ORDER BY query_stats_id DESC;

نکته فنی نمونه 6 در Management Data Warehouse 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 رشد فایل‌ها تصمیم بگیرید.

مثال 7: آزمون وضعیت مرزی و بار غیرمعمول با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 7 روی موضوع «مقایسه سرورها» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 7 اختصاصی Management Data Warehouse
        SELECT MIN(collection_time) AS first_sample,MAX(collection_time) AS last_sample,COUNT(*) AS sample_count FROM snapshots.os_resource_stats;

نکته فنی نمونه 7 در Management Data Warehouse 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 گزارش Queryهای تاریخی تصمیم بگیرید.

مثال 8: سناریوی عملیاتی سازمانی با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 8 روی موضوع «بررسی رشد فایل‌ها» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 8 اختصاصی Management Data Warehouse
        SELECT db_name,MAX(database_size_mb)-MIN(database_size_mb) AS growth_mb FROM snapshots.disk_usage GROUP BY db_name ORDER BY growth_mb DESC;

نکته فنی نمونه 8 در Management Data Warehouse 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 پاک‌سازی داده قدیمی تصمیم بگیرید.

مثال 9: نمایش روش اشتباه و نسخه اصلاح‌شده با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 9 روی موضوع «گزارش Queryهای تاریخی» 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 Management Data Warehouse استخراج شود.

-- نمونه 9 اختصاصی Management Data Warehouse
        SELECT TOP (20) wait_type,SUM(wait_time_ms) AS total_wait_ms FROM snapshots.wait_stats GROUP BY wait_type ORDER BY total_wait_ms DESC;

نکته فنی نمونه 9 در Management Data Warehouse 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 تحلیل روند یک‌ماهه تصمیم بگیرید.

مثال 10: کنترل کارایی و هزینه پایش با Management Data Warehouse

در این سناریوی اختصاصی، هدف آن است که نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی به شکلی قابل اندازه‌گیری بررسی شود. نمونه شماره 10 روی موضوع «پاک‌سازی داده قدیمی» تمرکز دارد و خروجی آن برای تصمیم‌گیری عملیاتی استفاده می‌شود.

-- نمونه 10 اختصاصی Management Data Warehouse
        SELECT DB_NAME() AS mdw_database,SUM(size)*8.0/1024 AS allocated_mb FROM sys.database_files;

نکته فنی نمونه 10 در Management Data Warehouse 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 مقایسه سرورها تصمیم بگیرید. در محیط پرترافیک، ابتدا هزینه خود ابزار را بسنجید؛ زیرا Retention، ایندکس‌گذاری مخزن و ظرفیت دیسک باید به‌طور مستمر مدیریت شود.

خطاهای رایج در کار با Management Data Warehouse

• در Management Data Warehouse، جمع‌آوری داده بدون سؤال مشخص خروجی حجیمی می‌سازد که هیچ تصمیمی را پشتیبانی نمی‌کند.
• نادیده گرفتن هشدار اصلی این ابزار: Retention، ایندکس‌گذاری مخزن و ظرفیت دیسک باید به‌طور مستمر مدیریت شود.
• در تحلیل Management Data Warehouse، مقایسه دو بازه با حجم Workload متفاوت نتیجه بهبود یا افت را مخدوش می‌کند.
• پس از مشاهده Management Data Warehouse، اعمال تغییر مستقیم در تولید بدون Baseline و معیار Rollback خطرناک است.
• تفسیر Management Data Warehouse با تمرکز روی یک عدد و حذف زمینه‌هایی مانند Wait، I/O، Lock و رفتار برنامه ناقص می‌ماند.

ملاحظات کارایی و بهترین روش‌ها در Management Data Warehouse

هزینه پایش باید بخشی از طراحی باشد. برای Management Data Warehouse 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 روند مصرف منابع، Query History، Disk Growth و گزارش‌های مدیریتی، تفسیر، اقدام و نتیجه پس از اقدام ثبت شوند. برای سناریوی گزارش Queryهای تاریخی 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 Management Data Warehouse و سناریوی پاک‌سازی داده قدیمی خلاصه می‌کند.

سؤالات متداول اختصاصی Management Data Warehouse

پرسش 1: Management Data Warehouse دقیقاً چه مسئله‌ای را حل می‌کند؟

در زمینه Management Data Warehouse، این ابزار برای نگهداری متمرکز داده‌های Data Collector برای گزارش تاریخی طراحی شده است و داده را از پایگاه داده MDW و Schemaهای snapshot و custom_snapshots می‌گیرد. ارزش اصلی آن زمانی آشکار می‌شود که نتیجه با خط مبنا و هدف کسب‌وکار مقایسه شود.

پرسش 2: برای شروع کار با Management Data Warehouse چه پیش‌نیازی لازم است؟

در زمینه Management Data Warehouse، 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 «روند مصرف منابع، Query History، Disk Growth و گزارش‌های مدیریتی» واقعاً اهمیت دارد.

پرسش 3: آیا Management Data Warehouse برای پروژه تجاری کوچک هم ارزش دارد؟

در زمینه Management Data Warehouse، بله، اما دامنه جمع‌آوری باید متناسب با اندازه سامانه باشد. در پروژه کوچک می‌توان از یک سناریوی محدود مانند تحلیل روند یک‌ماهه شروع کرد و تنها در صورت نیاز جزئیات بیشتری ثبت کرد.

پرسش 4: چگونه خروجی Management Data Warehouse به کاهش هزینه عملیاتی کمک می‌کند؟

در زمینه Management Data Warehouse، 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: Management Data Warehouse با ابزارهای نزدیک چه تفاوتی دارد؟

در زمینه Management Data Warehouse، تمایز اصلی در منبع داده و عمق تحلیل است؛ این موضوع بر پایگاه داده MDW و Schemaهای snapshot و custom_snapshots تکیه دارد، در حالی که ابزار دیگر ممکن است فقط نمای لحظه‌ای یا گزارش سطح سیستم‌عامل ارائه کند.

پرسش 6: برای پیاده‌سازی حرفه‌ای Management Data Warehouse چه خدماتی مفید است؟

در زمینه Management Data Warehouse، 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 Management Data Warehouse چیست؟

در زمینه Management Data Warehouse، رایج‌ترین خطا تفسیر یک نمونه منفرد بدون زمینه است. همچنین باید به این هشدار توجه شود که Retention، ایندکس‌گذاری مخزن و ظرفیت دیسک باید به‌طور مستمر مدیریت شود.

پرسش 8: اثر Performance خود Management Data Warehouse چگونه کنترل می‌شود؟

در زمینه Management Data Warehouse، 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 Management Data Warehouse چیست؟

در زمینه Management Data Warehouse، با یک پرسش مشخص مانند «مقایسه سرورها» 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 Management Data Warehouse را چگونه بررسی کنیم؟

در زمینه Management Data Warehouse، 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 Management Data Warehouse

1. توضیح دهید چرا Management Data Warehouse برای تحلیل روند یک‌ماهه مناسب است.
2. چگونه سربار Management Data Warehouse را در یک سرور پرترافیک اندازه‌گیری می‌کنید؟
3. بین خروجی‌های روند مصرف منابع، Query History، Disk Growth و گزارش‌های مدیریتی کدام معیار را برای تشخیص اولیه انتخاب می‌کنید و چرا؟
4. اگر داده Management Data Warehouse با تجربه کاربر ناسازگار باشد، چه منابع مکملی را بررسی می‌کنید؟
5. یک برنامه بازگشت برای تغییری که بر اساس Management Data Warehouse پیشنهاد شده طراحی کنید.

چک‌لیست نهایی Management Data Warehouse

• در Management Data Warehouse پرسش پایش برای تحلیل روند یک‌ماهه نوشته شده است.
• برای Management Data Warehouse مجوز دسترسی به پایگاه داده MDW و Schemaهای snapshot و custom_snapshots بررسی شده است.
• بازه زمانی و حجم خروجی Management Data Warehouse محدود شده است.
• برای Management Data Warehouse حداقل دو معیار از روند مصرف منابع، Query History، Disk Growth و گزارش‌های مدیریتی ثبت شده است.
• تأثیر Management Data Warehouse بر CPU، I/O و فضای دیسک سنجیده شده است.
• اقدام اصلاحی مبتنی بر Management Data Warehouse و برنامه بازگشت مستند شده است.

جمع‌بندی آموزش Management Data Warehouse

Management Data Warehouse زمانی بیشترین ارزش را دارد که برای یک مسئله محدود مانند تحلیل روند یک‌ماهه به کار رود و خروجی آن با Baseline سنجیده شود. داده‌های روند مصرف منابع، Query History، Disk Growth و گزارش‌های مدیریتی 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 Management Data Warehouse با تمام گزینه‌های مجموعه، راهنمای جامع ابزارهای گرافیکی و خارجی عملکرد SQL Server را مطالعه کنید.