AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


ChatDBA: 数据库根因分析智能助手的实践与应用
发布日期:2024-11-08 20:55:55 浏览次数: 1629 来源:DataFunSummit


导读 ChatDBA 是由上海爱可生开发的一款数据库运维领域的智能辅助系统,通过对话交互,提供数据库故障诊断、专业知识学习、SQL 生成和优化等功能,旨在提升 DBA 工作效率。本文将介绍 ChatDBA 是如何利用大语言模型实现其数据库故障诊断智能助手功能的。

主要内容包括以下几大部分:


1. 背景介绍

2. ChatDBA 架构

3. 挑战与解决思路

4. 未来展望

分享嘉宾|李剑楠 上海爱可生信息技术股份有限公司 高级研发工程师

编辑整理|程思琪

内容校对|李瑶

出品社区|DataFun


01

背景介绍



随着大模型的兴起,从底层硬件、基础设施,到中间件,再到上层应用,出现了很多优秀的基于大模型的产品。



大模型在数据库领域的应用也逐渐受到关注,常见的应用场景包括 BI 数据分析、NL2SQL 等,大模型的代码生成能力也为 NL2SQL 任务带来了新的可能性。此外,DBA 越来越多地使用大模型进行日常工作,例如生成排查建议、检索数据库参数或名词含义等。因此,我们决定研发 ChatDBA 这样一个产品,帮助 DBA 提高其日常工作效率。



早期开发的 ChatDBA 是一个基于 RAG (Retrieval-Augmented Generation) 的项目,利用公司内部的历史工单数据进行了清洗、切片等工作,并加入了文本溯源这样的辅助功能为 DBA 提供问答服务。它可以实现基本问答,但对 DBA 的日常工作实际价值不大。总结来看,初期版本存在以下问题:


  • 输出内容泛泛,逻辑性不强:大模型生成的回答往往过于基础,缺乏实际指导意义。


  • 故障诊断场景复杂:难以在多轮对话中保证排查逻辑的连贯性。


  • 模型倾向问题:大模型倾向基于已有的全局信息进行推测,这与DBA 的排查思路存在差异,DBA 往往是基于现象多次检索,逐渐排查定位问题。



基于上述思考,所以我们重新设计了 ChatDBA 这一产品。它仍然是一个经典的 RAG 项目,我们希望它通过对话交互的方式,提供数据库故障诊断、数据库专业知识学习、SQL 生成、SQL 优化等功能。


02


技术架构




升级后的 ChatDBA 仍然基于 RAG 架构,主要包含以下组件:


  • 环境输入处理处理所有输入信息,并进行文本向量化、三元组抽取等操作,为模型提供输入。


  • 模型规划利用决策树、思维链、反思行动等结构,保证模型处理问题的逻辑性和连贯性。


  • 工具使用调用检索 API、监控工具接口等,增强生成内容的准确性和可靠性


03


挑战与解决思路



1. 故障排查逻辑树



为了解决输出内容泛泛和逻辑性不强的问题,ChatDBA 引入了故障诊断树结构,保证多轮对话的排查逻辑。



如上图中的样例,mysql 频繁报错,我们会将其分为四类场景,每类场景对应不同的排查方法。多轮对话中,随着更多信息的输入,一些排查节点可能会发生改变,可能会缩小排查范围,或引入新的故障原因,这些都会实时更新到排查逻辑树中,但框架主体是不变的。这种方法也可以提升问题解决的效率,一些 DBA 看到这样一个完整的故障诊断树后就可以开始着手解决问题了。



这里的挑战在于如何生成准确的、高效的、覆盖可能原因全面的故障诊断树。上图是一个简单的示例,根据参考资料生成 Error2002 的故障排查树。假设刚好有一张工单总结是关于 Error2002 的处理方法,文章分为三个章节,相应地我们会将文章切成三个 chunk。其中第一和第三两个章节描述的是故障现象和故障总结,对生成故障排查树是没有帮助的,所以检索时并不希望召回这两个 chunk,这是检索需要解决的一个问题。而真实场景中,问题可能会更加复杂,文章可能并没有划分明显的章节,或者第二部分也许很长,就必须切开,这样就可能造成上下文割裂。


很多工作考虑到了这些问题,针对 RAG 设计了信息检索的方法。接下来将介绍其中一些主流的方法。


2. 信息检索



  • 多路召回:结合关键词和向量检索,提升召回率。



  • 查询重写/扩充:将用户查询细化为不同主题的子问题,扩大召回数量。



查询重写                                             查询扩充

  • 多模态检索:针对不同结构数据(文本、图片、表格)进行多模态、多向量的检索。



  • 垂直领域增强:构建特定场景的数据集,增强模型表征能力。当前行业内做向量索引和表征学习往往是在不同阶段执行,导致模型在向量空间中检索得到的结果准确率很高,但是实际应用不尽如人意,为此有部分研究者开始研究向量索引和表征学习的联合计算,解决向量检索和表征学习目标割裂的问题。



  • 图 RAG:利用知识图谱建模实体关系,进行多跳检索。这类方法更适用于用户提问问题明确,且已具备高精度的行业知识图谱后。另外,多跳检索在大数据量的应用场景中,用户的等待时间会逐渐变得不可接受,如何进行检索调优是重点关注方向。




3. 文档处理



在实践中为了提升整体效率,需同时考虑检索算法加文档处理。



前文中提到按照章节对文档进行划分可能存在的问题,通常有两种方法来解决这一问题,一是以摘要的形式增强上下文文本块之间的关联,避免信息割裂。另一种方法,针对原始文档生成 QA 对,在检索时使用用户的输入结合 QA 对进行检索。


在 ChatDBA 里面,我们融合了查询重写+文档格式化+多路召回的策略。



  • 格式化:将工单内容格式化为故障现象、原因、排查方法和解决方案四部分。



  • 查询重写:结合对话历史,重写查询为梳理故障现象的表达,在故障现象库中进行向量检索,从召回的工单中提取排查方法和解决方案,输送到 LLM 中作为 prompt 的一部分。为了提升模型回答的效果,我们采用了分治的思想,让模型同步分析多个文档中,每篇工单对当前问题起到了什么帮助,如果有帮助,就形成当前树结构的一个补丁,最后通过合并补丁,实现完整的排查逻辑树的生成。



在确定上述策略之后,我们制定了一套数据预处理流程。



为了拉通内部工单系统,自动化补充知识库,我们制定的流程如上图所示。


  • 首先是对工单内容做清洗,因为在一个工单中,有很多内容是与故障本身无关的,对于模型来说,就是噪音数据。


  • 第二部分就是内容的分类和格式化。


  • 最后我们会对格式化之后的内容打分。


实践中重写后的文档对比原始数据,会丢失一些关键的信息或生成一些不合适的总结性的内容,所以这里我们利用模型来做了一个评分。我们把评分划分成多个维度,分别为是否删减了步骤、是否生成了原始文档中没有的内容、是否包含格式要求的多个部分等,如果分数低于阈值,就需要重新走这套流程去进行下一步的重写。


4. 记忆问题



回到最初提出的问题,我们已经通过设计文档处理和 LLM 处理文档流程生成故障排查树,再利用故障排查树串联多轮对话来保障全局的回答逻辑性。接下来探讨多轮交互中关于记忆的问题。


随着对话轮次增加,对话历史信息变长,模型难以处理过长输入,会导致重点信息偏差。目前的解决方案是对对话历史进行整理和存储,仅保留最近几轮的完整问答,并通过实时检索补充关键信息。



我们也研究了其他一些已有工作,如上图左侧,提出了采用自信息压缩来量化提示词。通过尝试,仍然会出现大量关键信息的丢失,导致用户体验不佳,因此目前在 ChatDBA 中仍然是使用长期对话摘要、短期对话保留的形式来实现记忆。


5. 意图识别



多轮对话中,用户意图识别至关重要,不同意图可能对应不同的处理逻辑。



解决方案是增加意图判断模块,通过预设意图模板和不同意图处理流程来实现意图识别。


然而在多轮对话中,意图识别仍面临挑战。比如用户提问“mysql 严格模式是什么意思”,单看这一个问题,用户意图应该是知识学习或概念解释,但如果前几轮的问题是关于 mysql 报错,而错误可能是由于严格模式而产生的,那么这时的意图就不仅仅是知识学习了,而是希望对故障诊断有所帮助。我们采取的解决方案是多意图处理,将同一问题走多个处理分支,最后合并答案。


6. 可观测性和评估




我们希望模型的输出是一个长对话,且逻辑性强,能够为 DBA 提供实际帮助,这就需要一条长流程,也就不可避免的会遇到长流水线的弊端,难以保证每个节点输出的稳定性。



因此,需要构建一个可观测模型,评估框架和端到端输出。



目前评估方法多依赖于大模型自身,存在不稳定性,未来可探索利用知识图谱进行可解释性评估。


7. 时间成本



长流水线还会导致生成答案时间较长,影响用户体验。目前采用分步展示中间结果的策略,并期待未来出现更多 RAG 加速平台或方案。



8. ChatDBA 的核心特性



  • 关键信息提取模块:从不同类型(监控图、图表、长日志、工单等)输入中提取与故障相关的信息。



  • SQL 优化和生成:利用 NL2SQL 技术处理 SQL 相关问题。

  • 知识学习模块:帮助 DBA 快速学习和迭代进步。




04


未来展望




ChatDBA 作为数据库故障诊断智能助手,正处于不断发展和完善的过程中。未来,我们将重点关注以下方向:


  • 多模态处理:处理工单系统中的图片、日志等非文本信息,进一步提升 ChatDBA 的信息处理能力。



  • 实时监控组件接入:支持自动化巡检、分析报表等功能,帮助 DBA 更好地掌握数据库运行状态。



  • 知识图谱构建:构建更全面、更精准的数据库知识图谱,为 ChatDBA 提供更强大的知识支撑。



  • 个性化推荐:根据用户历史行为和偏好,为 DBA 推荐相关学习资料和故障排查方案。



53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询