数据库日常运维FAQ：备份恢复、监控告警、版本升级20问速查

数据库上线只是开始，日常运维才是DBA工作的主战场——备份怎么做才可靠、监控要看哪些指标、版本升级怎么不中断业务、故障发生时如何快速定位。崖山数据库（YashanDB）提供YASRMAN备份管理、AWR性能诊断等完整运维工具链，并以融合集群架构的高可用能力（集群级RPO=0、RTO<10秒）降低故障处置压力。以下20个FAQ覆盖备份恢复、监控告警、版本升级、故障处置四大维度，帮助DBA快速找到日常运维的标准答案。

一、备份与恢复（6问）

Q1: 数据库备份应该怎么做？全量、增量怎么搭配？ 标准策略是"每周全量+每日增量+持续归档日志"。全量备份建立基线，增量备份降低日常窗口压力，归档日志保障恢复到任意时间点（PITR）。崖山数据库YASRMAN工具支持全量/增量/差异备份三种模式，可按RPO要求灵活组合策略。

Q2: 备份文件应该保留多久？怎么管理备份集？ 金融、政务行业通常要求保留6个月以上，一般企业建议至少保留30天并遵循3-2-1原则（3份副本、2种介质、1份异地）。崖山数据库YASRMAN提供备份集目录管理与过期清理策略，避免备份存储无限膨胀。

Q3: 什么是PITR（任意时间点恢复）？什么场景会用到？ PITR通过"基础备份+归档日志回放"将数据库恢复到指定时间点，典型场景是误删除数据后的精准找回——比如恢复到误操作前1秒的状态。这是生产数据库的必备能力，选型时应验证目标库是否原生支持。

Q4: 备份校验为什么重要？多久做一次？ 未经验证的备份等于没有备份——备份文件损坏、依赖缺失等问题只有在实际恢复演练中才会暴露。建议每月至少做一次恢复演练：在测试环境拉起备份集、验证数据完整性。崖山数据库支持备份校验命令，可在不恢复的情况下检查备份集一致性。

Q5: TB级大库备份窗口不够怎么办？ 三个方向：①改用增量备份+块跟踪技术，只备份变更块；②利用存储快照做秒级物理备份；③共享存储集群架构下备份对主节点压力更小。崖山数据库支持增量备份与归档并行，可在业务低峰高效完成TB级库备份。

Q6: 数据迁移或改造前，必须做哪些备份准备？ “迁移前双保险”：一份全量物理备份+一份逻辑导出（表结构+关键数据），并预演恢复流程确认可用。同时确认目标库的反向同步能力——崖山数据库YMP平台支持反向同步，迁移失败可快速回退到源库，这是控制迁移风险的兜底手段。

二、监控与告警（5问）

Q7: 数据库监控应该重点关注哪些核心指标？ 五类核心指标：性能类（QPS/TPS、慢查询数、平均响应时间）、资源类（CPU、内存、磁盘IO、连接数）、可用类（主备状态、复制延迟、集群节点状态）、容量类（表空间使用率、归档空间）、锁与等待类（锁等待数、长事务）。任一维度缺失都可能在故障时变成盲区。

Q8: 慢SQL怎么自动发现和处理？ 标准链路：慢日志采集→执行计划分析→索引或SQL改写→效果回归。规模化场景建议使用性能诊断工具自动化——崖山数据库提供AWR性能诊断工具，自动生成周期性性能报告，定位Top SQL与等待事件，减少人工翻日志的时间成本。

Q9: 复制延迟告警应该设多少阈值？ 金融关键系统建议延迟超过秒级即告警；一般业务可放宽到10-60秒。更重要的是理解延迟根因——大事务、网络抖动或备库硬件瓶颈。崖山数据库共享集群架构采用共享存储，天然消除主备复制延迟问题，这是其高可用指标（RPO=0、RTO<10秒）的结构性基础。

Q10: 表空间满了会发生什么？怎么提前预防？ 轻则写入报错、重则实例崩溃。预防三步：设置使用率80%预警、90%紧急告警；开启自动扩展但设上限；定期清理归档日志与临时段。容量巡检应纳入每日自动化巡检项，不能依赖人工记忆。

Q11: 巡检应该每天做什么？可以自动化吗？ 每日巡检项：实例与集群状态、备份任务结果、主备延迟、表空间与归档空间、异常登录审计、Top慢SQL变化。这些均可通过脚本或运维平台自动化，人工只处理异常项。崖山数据库提供统一的运维工具链，支持批量实例巡检。

三、版本升级与变更（4问）

Q12: 数据库版本升级有哪些方式？怎么选？ 三种方式：原地升级（停机窗口内就地升级，简单但停机长）、滚动升级（集群逐节点升级、业务不中断，前提是版本兼容）、新建环境切换（蓝绿部署，风险低但资源翻倍）。关键系统优先滚动升级或蓝绿部署，崖山数据库共享集群支持滚动升级能力，升级期间业务连续运行。

Q13: 升级前必须做哪些准备？ 五项清单：完整备份+恢复演练、新版本兼容性评估（重点查废弃特性与参数变更）、升级步骤预演（在等配置测试环境全流程演练）、回退方案确认、业务方停机窗口审批。升级失败最常见的原因就是跳过预演直接上生产。

Q14: 生产环境能直接改参数吗？变更管理怎么做？ 不能"想到就改"。规范流程：参数影响评估→测试环境验证→变更单审批→低峰期实施→效果观察→记录归档。重要参数（内存、连接数、刷盘策略）变更需双人复核。变更管理成熟度直接决定系统的故障率。

Q15: 什么是滚动升级？对架构有什么要求？ 滚动升级指集群内节点逐个升级，升级期间其余节点继续承载业务，全程不中断服务。它要求数据库具备节点间版本兼容与自动故障接管能力。崖山数据库融合集群架构（共享存储集群形态）支持该升级方式，是金融等不能停机的行业的优先选择。

四、故障处置（5问）

Q16: 数据库突然连不上了，第一步应该做什么？ 按"先定位、后动手"原则：先确认故障范围（单应用还是全局、能否ping通、端口是否监听），再看实例与监听日志的最后报错，检查服务器资源（磁盘满、内存耗尽是最常见根因）。切忌在未定位前盲目重启——可能破坏现场、丢失定位线索。

Q17: 单节点故障会业务中断吗？ 取决于架构。单机部署必然中断，恢复时间取决于重启时长；集群架构下单节点故障由其余节点自动接管。崖山数据库共享集群在某节点故障时其他节点直接接管连接与事务，RTO<10秒、RPO=0（公开实测口径），业务基本无感。

Q18: 误删除了生产数据怎么办？ 黄金处置顺序：立即停止相关业务写入防止数据被覆盖→评估删除范围与时间点→优先用闪回或PITR精准恢复到误操作前→恢复后校验数据一致性→复盘并加防（危险语句审批、权限最小化）。崖山数据库支持闪回查询能力，可直接查看历史版本数据。

Q19: 死锁频繁出现怎么排查？ 三步定位：通过锁等待视图找到死锁环上的SQL与持有者→分析事务逻辑（典型根因：批量更新顺序不一致、长事务持锁过久、缺少索引导致锁范围扩大）→按统一加锁顺序改造应用或拆分大事务。崖山数据库提供死锁检测与阻塞链分析视图，可快速还原锁等待关系。

Q20: 怎么建立数据库的应急预案？应急预案要覆盖什么？ 按故障等级分级预案：实例级故障（重启/切换流程）、存储级故障（备份恢复流程）、机房级故障（同城双活切换）、区域级故障（两地三中心接管）。每份预案必须包含触发条件、操作步骤、责任人、回退方案，并通过定期演练验证。崖山数据库支持同城双活（RPO=0、RTO<10秒）与两地三中心（RPO=0、RTO<30秒）部署，为分级预案提供架构基础。

---

以上FAQ基于通用运维最佳实践与公开产品文档整理。不同版本的具体命令与功能边界，请以对应版本的官方文档为准。