Teradata Vantage bleibt eine der wichtigsten Plattformen für großangelegte Unternehmensanalysen, da es leistungsstark, skalierbar und bewährt ist. Doch mit zunehmender Komplexität der Workloads stehen Teams vor einer ständigen Herausforderung: 

Wie überwachen Sie kontinuierlich CPU, IO, Schiefe und Workload-Trends, ohne manuelle Überprüfungen, dutzende SQL-Abfragen oder nachträgliches Krisenmanagement? 

Hier sorgt digna für eine deutliche Verbesserung. 

Durch das Auslesen von Teradatas DBC-Systemtabellen, deren Umwandlung in intelligente Zeitreihenmetriken und die Anwendung von KI-basierter Anomalie-Erkennung bietet digna Ingenieurteams eine Echtzeit- und automatisierte Sicht auf das Workload-Verhalten, ohne Daten zu exportieren und ohne manuelle Regeln zu pflegen. 

Dieser Artikel erklärt, wie digna das Teradata Workload-Management mit KI verbessert, wie es CPU/IO-Anomalien erkennt und wie Organisationen digna nutzen können, um Risiken zu reduzieren, Stabilität zu verbessern und Kosten zu senken. 

Warum digna eine natürliche Ergänzung für die Teradata-Workload-Überwachung ist 

Teradata bleibt eine der stabilsten und vertrauenswürdigsten Analyseplattformen. digna ergänzt die Zuverlässigkeit von Teradata, indem es Folgendes bietet: 

KI-basiertes Trendlernen 

Keine Schwellenwerte. Keine Regeln. digna lernt automatisch, wie „normale“ CPU-, IO-, Perm-Nutzung und Workload-Muster aussehen. 

Echtzeit-Anomalieerkennung 

Sobald ein Job von den erwarteten Werten abweicht, markiert digna dies—noch bevor es zu einem systemweiten Problem wird. 

End-to-End-Workload-Sichtbarkeit 

Alle Einblicke werden innerhalb von Teradata generiert, unter Verwendung von: 

• DBC-Tabellen 

• AMPCPUTime 

• IO-Histogrammen 

• Perm-Nutzung 

• Schiefe-Metriken 

• QryLog-Daten 

• DBQL-Tabellen 

Benachrichtigungen dort, wo Teams arbeiten 

E-Mails, Slack, Jira und modulbasierte Benachrichtigungen sorgen dafür, dass Probleme nie übersehen werden. 

Keine Datenbewegung 

Alle Berechnungen laufen innerhalb der Datenbank—nur Metriken verlassen das System. 

Wie digna das Teradata-Workload-Verhalten lernt 

digna beginnt mit der Erfassung von Betriebsmetriken direkt von Teradata durch SQL-Abfragen, die in Ihrer Umgebung ausgeführt werden. Aus Ihrem System verlassen nur die berechneten Metriken. Aber dies ist erst der Anfang — die wirkliche Intelligenz entsteht, wenn digna diese Rohsignale in sich entwickelnde Verhaltensprofile umwandelt. 

Anstatt innerhalb der Datenbank zu lernen, leitet digna diese Metriken an die digna-KI-Engine weiter, wo Modelle kontinuierlich anpassen, wie sich Ihr Teradata-System im Laufe der Zeit verhält. Dies ermöglicht digna, nicht nur einzelne Datenpunkte zu verstehen, sondern Muster: wie die CPU während des Geschäftstages wächst, wie sich das IO während nächtlicher Chargen verhält und wie Workloads sich über Wochen oder Monate hinweg ändern. 

Im Gegensatz zu traditionellen Workload-Tools, die eine Regelkonfiguration erfordern, lernt die Plattform automatisch tägliche, wöchentliche und monatliche Saisonalitäten. Z. B.: 

• Höherer CPU-Verbrauch jeden Montag 

• Zusätzliche IO-Belastung am 10. Tag jedes Monats 

• Monatsendspitzen, die für Ihre Organisation normal sind 

  
  

Durch das Erkennen Ihrer natürlichen Betriebsrhythmen kann digna erwartete Zyklen von wahren Anomalien genau trennen. So vermeidet digna Fehlalarme, richtet den Fokus auf bedeutende Abweichungen und gibt Ihnen ein ständig anpassbares Verständnis der Workload-Gesundheit.  

1. AMPCPUTime-Trendlernen  

 Eines der stärksten Beispiele ist, wie digna AMPCPUTime für das gesamte Teradata-System lernt. 

Anfangs ist der akzeptierte (grüne) Bereich breit, da digna noch Variabilität beobachtet. Mit der Zeit wird die Nutzung stabiler, und der grüne Bereich wird enger. Dieses engere Band bedeutet, dass digna genau versteht, wie „gesunde“ CPU aussieht—so dass es echte Anomalien mit hoher Präzision markieren kann. 

Wesentlicher Wert: digna reduziert CPU-bezogene Eskalationen und hilft Teams, wachsende Workloads vorherzusehen, bevor sie Vorfälle verursachen. 

2. Früherkennung von IO-Ausreißern  

 IO-Spitzen sind einige der frühesten Indikatoren für problematische Workloads. 

Im hier eingefügten Beispiel identifiziert digna einen Job, der plötzlich IO weit außerhalb seines normalen Musters zeigt—obwohl die CPU möglicherweise normal erscheint. 

Diese Frühwarnung ermöglicht es Teams, zu untersuchen: 

• Datenverteilungsänderungen 

• Tabellenscans 

• Ungleichmäßige Verbindungen 

• Unerwartetes Datenwachstum 

• Unoptimierte Workload-Logik 

Wesentlicher Wert: digna hilft Teams, IO-Engpässe zu vermeiden, die das gesamte System verlangsamen. 

3. Identifizierung instabiler CPU-Verbraucher  

Nicht alle Jobs verhalten sich konsistent. Einige zeigen unerwartete Schwankungen im CPU-Verbrauch, die im Laufe der Zeit zur Instabilität des Clusters führen. 

Das unten gezeigte Bild zeigt, wie digna diese Anomalien hervorhebt. 

Schwankende CPU-Workloads weisen oft auf Folgendes hin: 

• Schlechte Abfragepläne 

• Datenmodelländerungen 

• Parameterempfindliche Optimierungen 

• Drift in Tabellengrößen 

• Schiefe in Verbindungen oder Aggregationen 

Mit digna werden diese Muster lange erkannt, bevor sie zu einem großen Vorfall werden. 

Wesentlicher Wert: digna macht störende Workloads frühzeitig sichtbar und ermöglicht eine CPU-Optimierung, die direkt Lizenz- und Infrastrukturkosten senkt. 

4. Erkennung plötzlicher CPU-Instabilität in kritischen Jobs  

   
   

Manchmal ist der CPU-Verbrauch monatelang stabil—und wird plötzlich unregelmäßig. 

Genau derartige Workloads ist digna gebaut, um sie zu erkennen. 

Diese Änderungen resultieren oft aus: 

• Datenmigration 

• Neuen Demografien oder Verteilungen 

• Änderungen in der ETL-Logik 

• Schema-Drift 

• Schwacher Wartung von Indizes 

digna markiert sofort solche Muster und kennzeichnet diese Workloads als hochprioritär für die Analyse. 

Geschäftsauswirkungen: Frühzeitige Erkennung verhindert CPU-Spitzen, die die Leistung für Hunderte von Benutzern und Workloads beeinträchtigen könnten. 

5. Erkennen und Respektieren saisonaler Muster  

Nicht alle Spitzen sind Anomalien. 

Einige Workloads ändern sich natürlich: 

• Monatsabschluss 

• Wöchentliche Abrechnungszyklen 

• Montagsberichte 

• Datenladungen zu Beginn des Quartals 

• Ende-of-Day Aggregationen 

Das hier gezeigte Bild zeigt, wie digna saisonale Muster automatisch lernt. 

Statt falsch alarmiert zu werden, versteht digna: 

• Wann bestimmte Workloads ansteigen sollten 

• Wie steil der Anstieg sein sollte 

• Welche Muster sich über die Zeit wiederholen 

Wesentlicher Wert: digna eliminiert Fehlalarme, indem es Anomalien von natürlicher Saisonalität unterscheidet. 

6. Überwachung des Datenbankwachstums mit Perm-Nutzungstrends 

 Perm-Nutzung ist eine grundlegende Metrik für das Kapazitätsmanagement von Teradata. digna: 

• Lernt die normale Größe 

• Markiert plötzliche Steigerungen 

• Identifiziert abnormales Tabellengrößenwachstum 

• Erkennt Spitzen beim Speicherverbrauch 

Das hilft, Folgendes zu verhindern: 

• Speicherplatzfehler 

• Ungeplante Volltabellenscans 

• Durchlaufende ELT-Workloads 

Wesentlicher Wert: digna gibt Teams Zeit, zu reagieren, bevor der Speicherverbrauch die Leistung beeinträchtigt. 

7. Erkennung von Schiefe: Identifizierung ungleichmäßiger Datenverteilungen 

Schiefe ist eines der häufigsten—und teuersten—Leistungsprobleme bei Teradata.

Schiefe tritt auf, wenn Daten nicht gleichmäßig über AMPs verteilt sind, was verursacht: 

• Engpässe 

• Lange CPU-Zyklen 

• Langsame Verbindungen 

• Leistungsschwankungen 

digna analysiert automatisch Schiefetrends im Laufe der Zeit, um zu zeigen: 

• Wann eine Tabelle ungleichmäßig wird 

• Ob sich die Schiefe verschlechtert 

• Welche AMPs betroffen sind 

• Ob kürzliche Datenänderungen neue Schiefe verursacht haben 

  
  

Wesentlicher Wert: digna identifiziert schiefebedingte Verschlechterungen, bevor sie die Leistung über die Plattform hinweg beeinträchtigen. 

8. digna konvertiert alle DBC-Metriken in Zeitreihendaten 

Dies ist der Kern des oben beschriebenen Funktionsumfangs. Durch die Konvertierung von DBC-Tabellenmetriken in Zeitreihen kann digna: 

KI-Fähigkeiten 

• CPU-Muster lernen 

• IO-Anomalien erkennen 

• Saisonale Schwankungen modellieren 

• Job-Level-Volatilität verfolgen 

• Langsame Datenverschiebung erkennen 

• Langfristige Systemkapazität überwachen 

Observability-Fähigkeiten 

• Vergleichen von Workloads über Tage hinweg 

• Verfolgen von Abfrageleistungsänderungen 

• Bieten von historischen Trends 

• Erkennen von Regressionen 

• Wachstumsmuster überwachen 

Alarmierung & Integrationen 

• Email 

• Slack 

• Jira 

• Webhooks 

• Modul-basierte Benachrichtigungen 

Wesentlicher Wert: dignas Zeitreihen-Engine verwandelt rohe Teradata-Metadaten in umsetzbare Erkenntnisse. 

9. Echte Auswirkungen: Mehr Stabilität, niedrigere Kosten, weniger Eskalationen 

Basierend darauf, wie Teams digna heute nutzen, liefert die Plattform: 

1. Weniger Eskalationsmeetings: Da Anomalien erkannt werden, bevor Probleme eskalieren. 

2. Größere Vorhersehbarkeit: Stabile Workloads = vorhersehbarer Ressourcenverbrauch = einfachere Kostenkontrolle. 

3. Reduzierter CPU- und IO-Verbrauch: Durch frühzeitige Identifikation ineffizienter Workloads. 

4. Stärkere Zusammenarbeit mit Geschäftsteams: Probleme werden behoben, bevor die Geschäftsnutzer etwas bemerken. 

5. Weniger Brandbekämpfung für Ingenieurteams: KI übernimmt die Überwachung, sodass sich das Team auf wertschöpfende Aufgaben konzentrieren kann. 

Zusammenfassung 

Teradata Vantage bietet die Grundlage für Unternehmensdaten und -analysen. digna erweitert diese Grundlage durch eine automatisierte KI-Überwachungsschicht, die rohe Systemmetriken in Echtzeit-Betriebsintelligenz verwandelt. 

Durch die kontinuierliche Analyse von CPU, IO, Schiefe, Perm-Nutzung und Job-Verhalten ermöglicht digna Ingenieurteams, die Leistung zu verbessern, Ausfallzeiten zu verhindern, Cloud-/On-Prem-Kosten zu senken und proaktiv statt reaktiv zu arbeiten. 

• Verbesserte Leistung 

• Vermeidung von Ausfällen 

• Reduzierung der Cloud-/On-Prem-Kosten 

• Proaktives Arbeiten statt reaktivem 

  
  

Dies ist die nächste Generation der Teradata Workload-Analyse—KI-gesteuert, automatisiert und für den Unternehmensmaßstab entwickelt. 

Sehen Sie sich unsere Demo an und entdecken Sie AI-Driven Optimization für CPU, IO und Kosteneffizienz in Ihrer Teradata-Umgebung oder kontaktieren Sie uns.