Teradata Vantage reste l'une des plateformes les plus importantes pour l'analyse d'entreprise à grande échelle car elle est puissante, évolutive et éprouvée. Mais à mesure que les charges de travail se complexifient, les équipes font face à un défi constant: 

Comment surveiller en continu les tendances CPU, IO, de skewness et de charge de travail sans vérifications manuelles, des dizaines de requêtes SQL, ou la lutte contre les incendies post-incidents ? 

C'est là que digna fournit une amélioration significative. 

En lisant les tables système DBC de Teradata, en les convertissant en métriques intelligentes de séries chronologiques, et en appliquant la détection d'anomalies basée sur l'IA, digna donne aux équipes d'ingénieurs une vue automatisée en temps réel du comportement de la charge de travail sans exporter de données et sans maintenir des règles manuellement. 

Cet article explique comment digna améliore la gestion de la charge de travail Teradata en utilisant l'IA, comment il détecte les anomalies CPU/IO, et comment les organisations peuvent utiliser digna pour réduire les risques, améliorer la stabilité, et réduire les coûts. 

Pourquoi digna est un complément naturel pour la surveillance de la charge de travail Teradata 

Teradata demeure l'une des plateformes analytiques les plus stables et fiables. digna complète la fiabilité de Teradata en fournissant : 

Apprentissage des tendances basé sur l'IA 

Pas de seuils. Pas de règles. digna apprend automatiquement à quoi ressemblent les modèles de CPU, d'IO, d'utilisation de perm et de charge de travail « normaux ». 

Détection d'anomalies en temps réel 

Dès qu'un travail dévie des valeurs attendues, digna le signale—avant qu'il ne devienne un problème à l'échelle du système. 

Visibilité de la charge de travail de bout en bout 

Toutes les informations sont générées à l'intérieur de Teradata, en utilisant : 

• Tables DBC 

• AMPCPUTime 

• Histogrammes IO 

• Usage de perm 

• Métriques de skew 

• Données QryLog 

• Tables DBQL 

Alertes là où les équipes travaillent 

Email, Slack, Jira, et notifications basées sur des modules garantissent que les problèmes ne sont jamais manqués. 

Zero mouvement de données 

Tous les calculs sont effectués à l'intérieur de la base de données - seuls les métriques quittent le système. 

Comment digna apprend le comportement de la charge de travail Teradata 

digna commence par collecter des métriques opérationnelles directement à partir de Teradata via des requêtes SQL exécutées dans votre environnement. Rien ne quitte votre système à l'exception des métriques calculées elles-mêmes. Mais ceci n'est que le début — l'intelligence réelle se produit lorsque digna transforme ces signaux bruts en profils comportementaux évolutifs. 

Au lieu d'apprendre dans la base de données, digna achemine ces métriques vers le moteur IA de digna, où les modèles s'adaptent en continu à la manière dont votre système Teradata se comporte au fil du temps. Cela permet à digna de comprendre non seulement les points de données individuels, mais aussi les modèles : comment le CPU augmente pendant la journée de travail, comment l'IO se comporte lors des lots nocturnes, et comment les charges de travail fluctuent sur des semaines ou des mois. 

Contrairement aux outils de gestion de charge de travail traditionnels qui nécessitent la configuration de règles, la plateforme apprend automatiquement la saisonnalité quotidienne, hebdomadaire et mensuelle. Par exemple: 

• Augmentation de l'utilisation du CPU chaque lundi 

• Charge IO supplémentaire le 10ème jour de chaque mois 

• Pics de fin de mois qui sont normaux pour votre organisation 

  
  

En reconnaissant vos rythmes opérationnels naturels, digna peut précisément séparer les cycles attendus des véritables anomalies. C'est ainsi que digna évite les fausses alertes, se concentre sur les déviations significatives, et vous donne une compréhension continuellement adaptative de la santé des charges de travail.  

1. Apprentissage des tendances AMPCPUTime  

 L'un des exemples les plus puissants est la façon dont digna apprend AMPCPUTime pour l'ensemble du système Teradata. 

Au début, la plage acceptée (en vert) est large car digna observe encore la variabilité. Avec le temps, plus la consommation se stabilise, plus la zone verte se rétrécit. Cette bande plus étroite signifie que digna comprend exactement à quoi ressemble un CPU « sain » — afin qu'il puisse signaler les anomalies réelles avec une grande précision. 

Valeur clé : digna réduit les escalades liées au CPU et aide les équipes à anticiper les charges de travail croissantes avant qu'elles ne causent des incidents. 

2. Détection précoce des aberrations IO  

 Les pics IO sont parmi les premiers indicateurs de charges de travail problématiques. 

Dans l'exemple que vous ajouterez ici, digna identifie un travail qui montre soudainement un IO bien au-delà de son schéma normal - même si le CPU peut sembler normal. 

Cette détection précoce permet aux équipes d'enquêter sur : 

• Changements de distribution des données 

• Scans de tables 

• Jonctions déséquilibrées 

• Croissance inattendue des données 

• Logique de charge de travail non optimisée 

Valeur clé : digna aide les équipes à éviter les goulets d'étranglement IO qui ralentissent l'ensemble du système. 

3. Identification des consommateurs de CPU instables  

Certains travaux ne se comportent pas de manière cohérente. Certains montrent une volatilité inattendue de l'utilisation du CPU qui, avec le temps, conduit à une instabilité du cluster. 

L'image ci-dessous montre comment digna met en évidence ces anomalies. 

Les charges de travail CPU volatiles indiquent souvent : 

• Mauvais plans de requête 

• Changements de modèle de données 

• Optimisations sensibles aux paramètres 

• Dérive de la taille des tables 

• Déséquilibre dans les jonctions ou les agrégations 

Avec digna, ces schémas sont détectés bien avant qu'ils ne deviennent un incident majeur. 

Valeur clé : digna met à jour les charges de travail bruyantes tôt, permettant une optimisation du CPU qui réduit directement les coûts de licence et d'infrastructure. 

4. Détection de l'instabilité soudaine du CPU dans les travaux critiques  

   
   

Parfois, la consommation de CPU est stable pendant des mois—et devient soudainement erratique. 

C'est exactement le type de charge de travail que digna est construit pour détecter. 

Ces changements résultent souvent de : 

• Migration de données 

• Nouvelles démographies ou distributions 

• Modifications de la logique ETL 

• Dérive du schéma 

• Mauvaise maintenance des index 

digna signale immédiatement ces schémas, marquant ces charges de travail comme hautement prioritaires pour l'analyse. 

Impact sur l'entreprise : La détection précoce empêche les pics de CPU qui peuvent dégrader les performances pour des centaines d'utilisateurs et de charges de travail. 

5. Reconnaître et respecter les schémas saisonniers  

Pas tous les pics ne sont des anomalies. 

Certaines charges de travail changent naturellement : 

• Clôture de fin de mois 

• Cycles de facturation hebdomadaires 

• Rapports du lundi 

• Charges de données du début de trimestre 

• Agrégations de fin de journée 

L'image ici montre comment digna apprend ces motifs saisonniers automatiquement. 

Plutôt que d'alerter incorrectement, digna comprend : 

• Quand certaines charges de travail doivent culminer 

• À quelle hauteur la pointe doit être 

• Quels motifs se répètent dans le temps 

Valeur clé : digna élimine les faux positifs en distinguant les anomalies de la saisonnalité naturelle. 

6. Surveiller la croissance de la base de données avec les tendances d'utilisation de perm 

 L'utilisation de perm est une métrique fondamentale pour la gestion de la capacité Teradata. digna : 

• Apprend la trajectoire normale de la taille 

• Signale les augmentations soudaines 

• Identifie la croissance anormale des tables 

• Détecte les pics de consommation de stockage 

Ceci aide à prévenir : 

• Erreurs d'espace 

• Scans complets de tables inattendus 

• Charges de travail ELT incontrôlées 

Valeur clé : digna donne aux équipes le temps de réagir avant que la consommation de stockage n'affecte les performances. 

7. Détection des skew : Identifier la distribution inégale des données 

Le skew est l'un des problèmes de performance les plus courants — et coûteux — dans Teradata.

Le skew survient lorsque les données ne sont pas réparties uniformément entre les AMPs, causant : 

• Goulets d'étranglement 

• Longs cycles CPU 

• Jonctions lentes 

• Inconsistances de performance 

digna analyse automatiquement les tendances de skewness au fil du temps pour montrer : 

• Quand une table devient déséquilibrée 

• Si le skew s'aggrave 

• Quels AMPs sont affectés 

• Si des changements récents des données ont causé un nouveau déséquilibre 

  
  

Valeur clé : digna localise la dégradation liée au skew avant qu'elle n'impacte les performances sur toute la plateforme. 

8. digna convertit toutes les métriques DBC en données de séries chronologiques 

C'est le moteur central de tout ce qui est décrit ci-dessus. En convertissant les métriques des tables DBC en séries chronologiques, digna peut : 

Capacités IA 

• Apprendre les schémas CPU 

• Détecter les anomalies IO 

• Modéliser les fluctuations saisonnières 

• Suivre la volatilité au niveau des travaux 

• Détecter la dérive lente des données 

• Surveiller la capacité du système à long terme 

Capacités d'observabilité 

• Comparer les charges de travail au fil des jours 

• Suivre les changements de performance des requêtes 

• Fournir des tendances historiques 

• Identifier les régressions 

• Surveiller les schémas de croissance 

Système d'alertes et intégrations 

• Email 

• Slack 

• Jira 

• Webhooks 

• Notifications au niveau des modules 

Valeur clé : le moteur de séries chronologiques de digna transforme les métadonnées brutes de Teradata en informations exploitables. 

9. Impact réel : Plus de stabilité, des coûts réduits, moins d'escalades 

Basé sur la manière dont les équipes utilisent digna aujourd'hui, la plateforme offre : 

1. Moins de réunions d'escalade: Parce que les anomalies sont détectées avant que les problèmes ne s'aggravent. 

2. Plus de prévisibilité: Charges de travail stables = utilisation des ressources prévisible = contrôle des coûts facilité. 

3. Réduction de la consommation CPU et IO: Grâce à l'identification précoce des charges de travail inefficaces. 

4. Collaboration renforcée avec les équipes métiers : Les problèmes sont résolus avant que les utilisateurs du métier ne remarquent quoi que ce soit. 

5. Moins de lutte contre les incendies pour les équipes d'ingénierie : L'IA gère la surveillance afin que l'équipe puisse se concentrer sur des tâches à forte valeur ajoutée. 

Conclusion 

Teradata Vantage fournit la base pour les données et l'analyse d'entreprise. digna élève cette base en ajoutant une couche de surveillance automatisée par IA qui transforme les métriques système brutes en intelligence opérationnelle en temps réel. 

En analysant en continu le CPU, l'IO, le skew, l'utilisation de perm et le comportement des travaux, digna permet aux équipes d'ingénieurs de : 

• Améliorer les performances 

• Prévenir les temps d'arrêt 

• Réduire les coûts cloud/sur site 

• Travailler de manière proactive plutôt que réactive 

  
  

C'est la nouvelle génération de l'analyse de charges de travail Teradata — pilotée par l'IA, automatisée, et construite pour l'échelle d'entreprise. 

Regardez notre démo et explorez l'optimisation pilotée par IA pour l'efficacité CPU, IO et coût sur votre environnement Teradata ou contactez-nous.