运维的四个日常动作
数据库上生产后，日常运维绕不开四件事：监控告警、性能诊断、变更操作、故障应急。OceanBase 自带工具链覆盖了全部四个场景，这篇把核心知识点理清。
知识点一：OCP 是什么
OCP（OceanBase Cloud Platform）是 OceanBase 官方的运维管理平台，提供集群的全生命周期管理。核心价值在于把"命令行里敲几十条命令"变成"界面上点几下"，同时内置了监控、诊断、告警、备份等全套能力。
部署方式两种：独立部署（单独装一台机器管理多个集群，适合大规模环境）和一体机（OCP 和 OceanBase 集群一起交付，适合中小规模）。
知识点二：监控指标怎么看
OCP 内置了数百个监控指标，日常盯这几个就够了：
| 类别 | 关键指标 | 异常信号 |
|---|---|---|
| 请求 | QPS、RT（响应时间）、错误率 | RT 突增、错误率升高 |
| 资源 | CPU、内存、磁盘、网络 | 磁盘快满、内存接近上限 |
| 存储 | MemStore 使用率、转储次数、合并进度 | 转储过于频繁、合并卡住 |
| 选举 | 分区 Leader 数、Leader 切换次数 | Leader 频繁切换（有节点不稳定） |
| 日志 | 日志同步延迟、日志盘使用率 | 日志盘接近打满（高危） |
特别要盯的是日志盘使用率：OceanBase 的 Redo Log 先写日志盘，日志盘满了整个集群就写不进去了，比数据盘满了更严重。
知识点三：告警配置原则
OCP 的告警规则内置了几十条（阈值可以自定义），建议的原则是：
- **三层告警：**紧急（集群不可用）、警告（性能下降）、提示（资源紧张），分别对应不同的响应动作。
- **告警收敛：**同一告警在 5 分钟内重复触发，只发一次，避免告警风暴。
- **告警通知：**支持短信、钉钉、企业微信、邮件等通道，建议至少配两个通道，一个挂了另一个兜底。
常见必配的告警：磁盘使用率 > 85%、Leader 切换次数 > 10 次/分钟、QPS 同比下降 > 50%、节点失联。
知识点四：性能诊断三板斧
OCP 的诊断能力主要通过三个模块：
- 慢 SQL 分析 ------ 自动抓取执行时间超过阈值的 SQL，展示执行计划、耗时分布、扫描行数。可以按"最慢 SQL"、"扫描最多 SQL"、"执行次数最多 SQL"排序，快速定位问题 SQL。
- TOP SQL 报表 ------ 按 CPU 消耗或 IO 消耗排名，找出最耗资源的 SQL。有些 SQL 单次执行不慢，但执行频率极高，总消耗巨大，TOP SQL 报表能把它们揪出来。
- 全链路 Trace ------ 每条 SQL 生成唯一 trace_id，OCP 能把这条 SQL 在客户端、OBProxy、OBServer、日志流等各环节的耗时串起来可视化，适合排查"请求到底卡在哪"。
知识点五：变更操作的安全姿势
OceanBase 的变更分两类，风险等级不同：
低风险变更（可以直接做）：
- 加列（在线 DDL，不锁表）
- 加索引（在线创建，不阻塞读写）
- 扩资源池、扩 Unit（自动完成，业务无感）
高风险变更（需要停机窗口或灰度）：
- 删列、改列类型（会触发大表重建）
- 减副本、改 Locality（涉及数据迁移）
- 大版本升级（3.x 升 4.x）
高风险变更的操作规范：先在测试环境演练，再选业务低峰期执行，过程中保持回退方案可用。
知识点六：OCP 的备份管理
OCP 内置了备份管理功能，支持两种备份：
- **数据备份：**全量备份 + 增量备份，基于快照实现，备份期间不阻塞业务。
- **日志归档：**把 Redo Log 持续归档到远端存储，用于恢复到任意时间点（PITR，Point-in-Time Recovery）。
备份策略的关键参数：备份保留天数（建议 ≥ 7 天）、备份存储位置（本地或 OSS/S3，生产建议远端）、备份窗口（避开业务高峰）。
知识点七：日常巡检清单
每天看一眼这几个指标，能避免大部分故障：
- **集群状态：**所有节点正常、无 Leader 频繁切换
- **资源水位：**CPU < 70%、内存 < 80%、磁盘 < 70%
- **合并状态：**昨日合并完成、耗时正常（< 2 小时）
- **备份状态：**昨日备份成功、日志归档无延迟
- **慢 SQL：**新增慢 SQL 有定位、有优化计划
小结
OCP 把 OceanBase 的运维从"黑盒"变成"白盒"------能看、能告警、能诊断、能管变更。运维的核心原则就一条：监控前置，告警收敛，变更灰度，故障有预案。工具只是手段，规范才是底线。