之前看过很多根因定位的论文，大多数都是基于PC算法+随机游走，而这些论文上的算法很难落地。去了解很多大厂的解决方案之后，发现他们基本上都是基于专家规则做分类。下面介绍一下华为opengauss的AI4DB中的慢SQL根因定位时如何实现的。根据他的这种方案，我们可以推广到系统根因定位、日志系统的根因定位等。
慢SQL一直是数据运维中的痛点问题，如何有效诊断慢SQL根因是当前一大难题，工具结合openGauss自身特点融合了现网DBA慢SQL诊断经验，该工具可以支持慢SQL根因15+，能同时按照可能性大小输出多个根因并提供针对性的建议。
先来看一下数据流图：
参数配置
1：在misc/dbmind.config中设置detection_interval（检测的间隔），和last_detection_time（上次检测距离本次多久）。
2：利用metadatabase/slow_queries.py在关系数据库中建立如下表，方便前端系统获取数据展示：
3：设置计算特征的阈值，也是在数据库建表，你也可以保存在文件中或固定的代码中：
4：模块启动时的其他参数
慢SQL和专家规则
1：慢SQL类(common/types/misc.py)
2：根因类(common/types/root_cause.py)
每个根因由四部分组成，分别是根因类别、根因细节、根因的建议、根因等级。
3：根因映射（slow_sql/featurelib/feature_mapping.py）
4：定义根因的规则（slow_sql/featurelib/features.py）
①：FEATURE_LIB[‘features’]
这是一个75*22的矩阵，行表示样本数可以是专家定义（针对一些根因，只需要一个特征被触发，前20个样本中大部分都是这样的）的也可以是历史慢SQL被打标签。列代表抽取出的慢SQL的特征。
②：FEATURE_LIB[‘labels’]
①中样本的标签，1到17对应于根因映射中分C1到C17，C1到C16只需要一个特征就能触发这些根因。
③：FEATURE_LIB[‘weight_matrix’]
这是一个17*22的矩阵，17代表根因数，22代表特征数，是由①中的features矩阵计算而来的，详细计算过程在slow_sql/featurelib/feature_model.py中的calculate_weight函数
定时任务
和趋势预测都是定时任务的脚本中app/timed_app.py
1：检测间隔
2：从prometheus获取最近时间（last_detection_time）的慢查询集合。
2：上次检测距离本次多久，last_detection_time转换为秒
3：慢查询诊断入口函数（并行检测）
模块入口
在app/diagnosis/query/init.py中（这个函数由上面的定时任务调用）：
1：慢SQL诊断的核心类
2：入口函数，接下来我们会进入该函数进行详解
3：如果遇到异常，默认返回该根因
诊断的核心类SlowSQLAnalyzer
核心入口run()函数：
1：QueryContext是慢SQL对象的数据处理工厂类
2：从慢SQL获取数据库的相关信息：库、模式、表，以字典形式返回
3：从2返回的字典中获取schema信息，
4：诊断的核心函数，
核心函数_analyze（）：
1：对一些特殊情况（commit或关键字）直接匹配指定的根因
2：正则找到所有SQL文本中所有schema.table，找到schmema和table
3：把所有的schema.table替换为空，是SQL文本成文SQL pattern
4：初始化各种类型的metrics（数据库、表结构、锁信息、系统信息）
5：调用QueryFeature类的__call__函数，依次生成features列表中的每一个特征
6:在第5步中生成的慢SQL根因和featurelib下的features.py下的权重矩阵计算距离，得到topk个最相似的根因
7：遍历根因封装到慢SQL对象的属性中
8：如果没有找到根因，以‘C_UNKNOW’根因返回
