Kompleksitas data statistik dan akuntansi Db2 yang luas menyulitkan perolehan nilai maksimal dari berbagai metrik yang tersedia. Visibilitas yang jelas atas metrik Db2 melalui catatan SMF membantu Anda mencegah risiko ketersediaan serta mengelola dan mengoptimalkan kinerja dengan lebih efektif.
Gunakan insight kesehatan bawaan yang menilai ratusan metrik penting untuk secara proaktif mengidentifikasi risiko terhadap kesehatan dan kinerja aplikasi Anda. Deteksi anomali berbasis AI menyoroti perubahan yang signifikan secara statistik, sehingga mempercepat proses pemecahan masalah.
Manfaatkan ribuan laporan siap pakai, ditambah dengan GUI yang intuitif dan andal, kemampuan perbandingan dan pengeditan real-time, serta perincian yang kontekstual, untuk mengoptimalkan waktu dalam mencegah dan menyelesaikan masalah. Minimalkan waktu henti tanpa perlu pengodean khusus.
Tingkatkan efektivitas tim dengan memanfaatkan dasbor interaktif yang dapat disesuaikan dan dibagikan, lengkap dengan penjelasan bawaan dan uraian terperinci. Gunakan AI sebagai alat penguat untuk mempercepat pembelajaran, meningkatkan kolaborasi, dan mengoptimalkan efektivitas analisis.
Hal yang disertakan
Volume dan kompleksitas data Statistik Db2 (SMF 100) dan data Akuntansi Db2 (SMF 101) membuat analisisnya menjadi sulit. Akses yang mudah ke metrik utama Db2 melalui catatan SMF sangat penting untuk mencegah risiko ketersediaan secara proaktif serta mengelola dan mengoptimalkan kinerja dengan efektif.
Penilaian otomatis terhadap lebih dari 80 metrik untuk setiap anggota Db2 dan buffer pool di lingkungan Anda membantu mengidentifikasi risiko yang dapat memengaruhi ketersediaan dan kinerja. Gambar ini menunjukkan contoh laporan interaktif Db2 Health Insights. Semua peringatan dan pengecualian ditampilkan dalam tabel ini, dengan fitur untuk menelusuri setiap pengecualian dan melakukan analisis mendalam untuk menemukan akar masalah.
Beberapa perincian dapat dialihkan dari tampilan keseluruhan perusahaan ke analisis yang lebih terfokus, sehingga membantu mengidentifikasi insight yang dapat ditindaklanjuti untuk anggota Db2 tertentu, buffer pool, dan lainnya. Gambar ini menunjukkan dua tahap perincian dimulai dari "Pool by Size" dan kemudian berfokus pada “Buffer Pool” untuk mengisolasi pengecualian di buffer pool tertentu (seperti yang ditunjukkan di sini).
Anda dapat membuat “bagan waktu” dari semua metrik yang dievaluasi untuk mengidentifikasi kemungkinan hubungan antara berbagai metrik pada setiap tahap proses analisis. Dalam contoh ini, Anda dapat mengevaluasi kemungkinan korelasi antara dua metrik yang menunjukkan pengecualian (ditandai dengan batas oranye dan merah) dan aktivitas pengambilan halaman secara keseluruhan (terlihat pada bagan pertama) berdasarkan waktu dalam sehari.
Karena Db2 bergantung pada data yang berada dalam buffer untuk menghindari I/O yang sinkron dengan unit kerja (“sinkronisasi dan pembacaan acak I/Os”), memiliki visibilitas mendalam atas buffer pool dan metrik I/O sangat penting untuk optimasi kinerja Db2.
Perincian yang kontekstual atas volume data besar memungkinkan Anda memfokuskan analisis hanya pada data yang paling relevan. Para pakar sering merekomendasikan analisis yang difokuskan berdasarkan jenis koneksi, karena aktivitas online (seperti akses ke Db2 dari CICS) biasanya memiliki karakteristik yang berbeda dibandingkan dengan pekerjaan batch (seperti akses melalui IMS batch BMP).
Pantau kinerja I/O disk dan cache berdasarkan buffer pool Db2 serta basis data dengan menggabungkan data kinerja I/O kumpulan data (dari rekaman SMF 42) dengan data statistik I/O kumpulan data Db2 (IFCID 199). Pantau metrik seperti waktu respons disk per komponen (IOSQ, Pend, Disc, Conn) serta hit dan miss pada cache disk berdasarkan buffer pool Db2 dan basis data.
Dalam data akuntansi Db2, menggabungkan waktu “kelas 2” (CPU) dan "kelas 3" (waktu tunggu) memberikan gambaran lengkap tentang total waktu yang dihabiskan dalam Db2. Profil untuk pekerjaan yang berasal dari CICS menunjukkan bahwa tiga faktor utama yang berkontribusi terhadap waktu yang telah berlalu adalah Read I/O Commit Lain (hijau), Waktu yang Tidak Diperhitungkan per Commit (ungu muda), dan Waktu Local Lock Contention per Commit (oranye).
Untuk pekerjaan yang masuk ke CICS dari Db2, Anda dapat memanfaatkan ID transaksi pemanggilan yang tercantum dalam kolom nama korelasi pada data akuntansi Db2. Informasi ini memudahkan berbagai jenis analisis berdasarkan transaksi CICS. Contoh ini menyajikan tampilan profil waktu berlalu Db2 berdasarkan transaksi CICS.
Lebih dari 250 bidang bukan waktu dalam catatan CICS 110.1 memungkinkan analisis mendalam dan dikelompokkan ke dalam subkategori. Dasbor khusus pada gambar ini menampilkan beberapa contohnya, termasuk panggilan SQL Db2 per transaksi CICS, penulisan aliran log, pemuatan program, dan pengambilan file.
Keuntungan mengadopsi model cloud meliputi implementasi yang cepat (tanpa penundaan untuk instalasi dan konfigurasi lokal), pengaturan yang mudah (hanya untuk mengirimkan data SMF), pengurangan kebutuhan sumber daya karyawan, serta akses ke layanan konsultasi IntelliMagic untuk mendukung pengembangan keterampilan tim internal.