> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-fix-nav-issues.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
> Dashboard avanzado en ClickHouse Cloud
# Dashboard avanzado en ClickHouse Cloud
export const Image = ({img, alt, size}) => {
return
;
};
Supervisar su sistema de bases de datos en un entorno de producción es vital para
comprender el estado de su implementación, de modo que pueda prevenir o resolver caídas del servicio.
El dashboard avanzado es una herramienta ligera diseñada para ofrecerle información detallada
sobre su sistema ClickHouse y su entorno, lo que le ayuda a anticiparse a
cuellos de botella de rendimiento, fallos del sistema e ineficiencias.
El dashboard avanzado está disponible tanto en ClickHouse OSS (software de código abierto)
como en Cloud. En este artículo le mostraremos cómo usar el dashboard avanzado en
Cloud.
## Acceso al dashboard avanzado
Se puede acceder al dashboard avanzado desde:
* Panel lateral izquierdo
* `Monitoring` → `Advanced dashboard`
## Acceso al dashboard avanzado nativo
Se puede acceder al dashboard avanzado nativo navegando hasta:
* Panel lateral izquierdo
* `Monitoring` → `Advanced dashboard`
* Haciendo clic en `You can still access the native advanced dashboard.`
Esto abrirá el dashboard avanzado nativo en una nueva pestaña. Deberás
autenticarte para acceder al dashboard.
Cada visualización tiene una consulta SQL asociada que la genera. Puedes
editar esta consulta haciendo clic en el icono del lápiz.
## Visualizaciones preconfiguradas
Los gráficos predeterminados del Dashboard avanzado están diseñados para ofrecer
visibilidad en tiempo real de su sistema ClickHouse. A continuación se incluye una lista con la descripción de
cada gráfico. Están agrupados en tres categorías para facilitar su navegación.
### Específico de ClickHouse
Estas métricas están diseñadas para supervisar el estado y el rendimiento de su
instancia de ClickHouse.
| Métrica | Descripción |
| ------------------------------- | ---------------------------------------------------------------------------------------------------------------- |
| Consultas por segundo | Realiza un seguimiento de la tasa de consultas procesadas |
| Filas seleccionadas/seg | Indica el número de filas leídas por las consultas |
| Filas insertadas/seg | Mide la tasa de ingestión de datos |
| Total de partes MergeTree | Muestra el número de partes activas en las tablas MergeTree, lo que ayuda a identificar inserciones no agrupadas |
| Máx. de partes por partición | Resalta el número máximo de partes en cualquier partición |
| Consultas en ejecución | Muestra el número de consultas que se están ejecutando actualmente |
| Bytes seleccionados por segundo | Indica el volumen de datos leídos por las consultas |
### Métricas específicas de salud del sistema
Supervisar el sistema subyacente es tan importante como vigilar ClickHouse.
| Metric | Description |
| -------------------------------------- | ------------------------------------------------------------------------------------------------------------- |
| Espera de E/S | Hace un seguimiento de los tiempos de espera de E/S |
| Espera de CPU | Mide los retrasos causados por la contención de recursos de CPU |
| Lectura desde disco | Hace un seguimiento de la cantidad de bytes leídos desde discos o dispositivos de bloque |
| Lectura desde el sistema de archivos | Hace un seguimiento de la cantidad de bytes leídos desde el sistema de archivos, incluida la caché de páginas |
| Memoria (monitorizada, bytes) | Muestra el uso de memoria de los procesos monitorizados por ClickHouse |
| Carga promedio (15 minutos) | Informa del promedio de carga actual del sistema en 15 minutos |
| Uso de CPU del SO (espacio de usuario) | Uso de CPU al ejecutar código en espacio de usuario |
| Uso de CPU del SO (kernel) | Uso de CPU al ejecutar código del kernel |
## Específico de ClickHouse Cloud
ClickHouse Cloud almacena datos mediante object storage (tipo S3). Supervisar esta
interfaz puede ayudar a detectar problemas.
| Métrica | Descripción |
| ---------------------------------------------------- | ---------------------------------------------------------------------------------------- |
| Espera de lectura de S3 | Mide la latencia de las solicitudes de lectura a S3 |
| Errores de lectura de S3 por segundo | Realiza un seguimiento de la tasa de errores de lectura |
| Lectura desde S3 (bytes/s) | Realiza un seguimiento de la velocidad a la que se leen datos desde el almacenamiento S3 |
| Solicitudes/s de escritura en disco S3 | Supervisa la frecuencia de las operaciones de escritura en el almacenamiento S3 |
| Solicitudes/s de lectura en disco S3 | Supervisa la frecuencia de las operaciones de lectura en el almacenamiento S3 |
| Tasa de aciertos de la caché de páginas | La tasa de aciertos de la caché de páginas |
| Tasa de aciertos de la caché del sistema de archivos | Tasa de aciertos de la caché del sistema de archivos |
| Tamaño de la caché del sistema de archivos | El tamaño actual de la caché del sistema de archivos |
| Bytes enviados por red/s | Realiza un seguimiento de la velocidad actual del tráfico de red entrante |
| Bytes recibidos por red/s | Realiza un seguimiento de la velocidad actual del tráfico de red saliente |
| Conexiones de red concurrentes | Realiza un seguimiento del número actual de conexiones de red concurrentes |
## Identificación de problemas con el dashboard avanzado
Disponer de esta vista en tiempo real del estado de su servicio de ClickHouse resulta de gran ayuda
para mitigar problemas antes de que afecten a su negocio o para resolverlos. A continuación, se muestran
algunos problemas que puede detectar con el dashboard avanzado.
### Inserciones sin lotes
Como se describe en la [documentación de buenas prácticas](/es/concepts/best-practices/selecting-an-insert-strategy#batch-inserts-if-synchronous), se recomienda siempre
insertar datos en bloque en ClickHouse si es posible hacerlo de forma síncrona.
Una inserción en bloque con un tamaño de lote razonable reduce el número de partes creadas
durante la ingestión, lo que se traduce en escrituras en disco más eficientes y menos
operaciones de merge.
Las métricas clave para detectar inserciones subóptimas son **Inserted Rows/sec** y
**Max Parts for Partition**
El ejemplo anterior muestra dos picos en **Inserted Rows/sec** y **Max Parts for Partition**
entre las 13 h y las 14 h. Esto indica que se están ingiriendo datos a una velocidad razonable.
Luego vemos otro gran pico en **Max Parts for Partition** después de las 16 h, pero un valor de
**Inserted Rows/sec** muy bajo. Se están creando muchas partes con
muy pocos datos, lo que indica que el tamaño de las partes es
subóptimo.
### Consulta con uso intensivo de recursos
Es habitual ejecutar consultas SQL que consumen una gran cantidad de recursos, como
CPU o memoria. Sin embargo, es importante supervisar estas consultas y comprender
su impacto en el rendimiento general de su implementación.
Un cambio repentino en el consumo de recursos sin que cambie el volumen de consultas puede
indicar que se están ejecutando consultas más costosas. Según el tipo de consultas
que esté ejecutando, esto puede ser esperable, pero conviene detectarlas en el dashboard
avanzado.
A continuación se muestra un ejemplo de un pico en el uso de CPU sin que cambie significativamente la
cantidad de consultas por segundo ejecutadas.
### Mal diseño de la clave primaria
Otro problema que puedes detectar con el dashboard avanzado es un mal diseño de la clave primaria.
Como se describe en ["A practical introduction to primary indexes in ClickHouse"](/es/guides/clickhouse/data-modelling/sparse-primary-indexes#a-table-with-a-primary-key),
elegir la clave primaria que mejor se adapte a tu caso de uso mejorará considerablemente el rendimiento
al reducir el número de filas que ClickHouse necesita leer para ejecutar tu consulta.
Una de las métricas que puedes seguir para detectar posibles mejoras en las claves primarias
es **Selected Rows per second**. Un pico repentino en el número de filas seleccionadas puede
indicar tanto un aumento general del volumen total de consultas como consultas que
seleccionan una gran cantidad de filas para ejecutarse.
Usando el timestamp como filtro, puedes encontrar las consultas ejecutadas en el momento
del pico en la tabla `system.query_log`.
Por ejemplo, ejecutar una consulta que muestre todas las consultas ejecutadas entre las 11 a. m.
y las 11 a. m. de un día determinado para entender qué consultas están leyendo demasiadas filas:
```sql title="Query" theme={null}
SELECT
type,
event_time,
query_duration_ms,
query,
read_rows,
tables
FROM system.query_log
WHERE has(databases, 'default') AND (event_time >= '2024-12-23 11:20:00') AND (event_time <= '2024-12-23 11:30:00') AND (type = 'QueryFinish')
ORDER BY query_duration_ms DESC
LIMIT 5
FORMAT VERTICAL
```
```response title="Response" theme={null}
Row 1:
──────
type: QueryFinish
event_time: 2024-12-23 11:22:55
query_duration_ms: 37407
query: SELECT
toStartOfMonth(review_date) AS month,
any(product_title),
avg(star_rating) AS avg_stars
FROM amazon_reviews_no_pk
WHERE
product_category = 'Home'
GROUP BY
month,
product_id
ORDER BY
month DESC,
product_id ASC
LIMIT 20
read_rows: 150957260
tables: ['default.amazon_reviews_no_pk']
Row 2:
──────
type: QueryFinish
event_time: 2024-12-23 11:26:50
query_duration_ms: 7325
query: SELECT
toStartOfMonth(review_date) AS month,
any(product_title),
avg(star_rating) AS avg_stars
FROM amazon_reviews_no_pk
WHERE
product_category = 'Home'
GROUP BY
month,
product_id
ORDER BY
month DESC,
product_id ASC
LIMIT 20
read_rows: 150957260
tables: ['default.amazon_reviews_no_pk']
Row 3:
──────
type: QueryFinish
event_time: 2024-12-23 11:24:10
query_duration_ms: 3270
query: SELECT
toStartOfMonth(review_date) AS month,
any(product_title),
avg(star_rating) AS avg_stars
FROM amazon_reviews_pk
WHERE
product_category = 'Home'
GROUP BY
month,
product_id
ORDER BY
month DESC,
product_id ASC
LIMIT 20
read_rows: 6242304
tables: ['default.amazon_reviews_pk']
Row 4:
──────
type: QueryFinish
event_time: 2024-12-23 11:28:10
query_duration_ms: 2786
query: SELECT
toStartOfMonth(review_date) AS month,
any(product_title),
avg(star_rating) AS avg_stars
FROM amazon_reviews_pk
WHERE
product_category = 'Home'
GROUP BY
month,
product_id
ORDER BY
month DESC,
product_id ASC
LIMIT 20
read_rows: 6242304
tables: ['default.amazon_reviews_pk']
```
En este ejemplo, podemos ver la misma consulta ejecutada sobre dos
tablas, `amazon_reviews_no_pk` y `amazon_reviews_pk`. Se puede concluir que
alguien estaba probando una opción de clave primaria para la tabla `amazon_reviews`.