【Go-SQL可观测性最后一公里】：自动提取慢查询中的绑定参数、执行计划、索引使用率，并推送至飞书告警机器人

第一章：Go-SQL可观测性最后一公里：慢查询深度洞察体系构建

在分布式微服务架构中，SQL性能瓶颈常隐匿于应用层与数据库之间的“黑盒地带”——日志缺失、链路断点、参数脱敏导致慢查询难以复现与归因。Go-SQL可观测性的“最后一公里”，核心在于将执行上下文、参数绑定、执行计划与业务语义动态关联，而非仅依赖数据库端的慢日志或APM的粗粒度耗时统计。

慢查询捕获与上下文增强

使用 sqlx 或 database/sql 驱动时，通过 sql.DriverContext 注册自定义 driver.Connector，注入 context.Context 并携带 traceID、用户ID、HTTP路径等业务标签：

// 在DB初始化阶段注入上下文装饰器
db, _ := sql.Open("mysql", dsn)
db.SetConnMaxLifetime(3 * time.Hour)
db.SetMaxOpenConns(100)

// 使用中间件包装Query/Exec，自动记录SQL+参数+耗时+调用栈
db = sqltrace.WrapDB(db, "myapp") // 基于opentelemetry-go-contrib/instrumentation/database/sql

执行计划与参数敏感度分析

对超过500ms的慢查询，主动触发 `EXPLAIN ANALYZE`（MySQL 8.0+/PostgreSQL），并对比实际执行计划与预估差异：	指标	正常阈值
rows_examined		10万行扫描仅返回5行 → 缺失索引
key_len	匹配索引长度	key_len=4但WHERE含3个条件 → 索引未全用
extra	无Using filesort	Using temporary → 排序内存溢出

动态采样与根因定位

启用分层采样策略：

全量采集所有 >2s 查询（带完整参数与堆栈）
对 500ms–2s 查询按 traceID 哈希采样 5%（避免参数泄露）
实时聚合至 Prometheus 指标 go_sql_slow_query_count{db="user",query_type="SELECT",has_index="false"}

结合 OpenTelemetry Collector 的 spanmetrics processor，将慢查询 Span 转为指标，并联动 Grafana 看板下钻至具体 SQL 模板（如 SELECT * FROM orders WHERE user_id = ? AND created_at > ?），支持按业务维度（租户、渠道、API路径）交叉分析。

第二章：Go语言SQL执行链路拦截与元数据增强

2.1 基于database/sql/driver的Hook机制原理与Go 1.18+接口适配实践

Go 标准库 database/sql 本身不提供钩子（Hook）能力，但可通过包装 driver.Driver 实现连接、查询、事务前后的可观测性注入。

Hook注入核心路径

实现 driver.Driver 接口，代理原始驱动（如 mysql.MySQLDriver）
在 Open() 中封装 *sql.DB 并注入 driver.Conn 包装器
利用 Go 1.18+ 的 any 类型与泛型约束，统一处理 driver.QueryerContext 等可选接口

type HookedDriver struct {
    base driver.Driver // 原始驱动，如 mysql.Driver
    onOpen func(string) error
}

func (h *HookedDriver) Open(dsn string) (driver.Conn, error) {
    h.onOpen(dsn) // 钩子执行点：连接建立前
    conn, err := h.base.Open(dsn)
    if err != nil {
        return nil, err
    }
    return &hookedConn{Conn: conn}, nil // 返回增强连接
}

该实现中 onOpen 是用户定义的钩子函数，接收 DSN 字符串；hookedConn 需进一步实现 PrepareContext/QueryContext 等方法以支持上下文感知钩子。Go 1.18+ 的 constraints 包可辅助类型安全断言可选接口。

钩子时机	对应接口方法	是否强制实现
连接建立	`Driver.Open`	✅ 必须
查询执行	`Conn.QueryContext`	❌ 可选（需类型断言）
事务提交	`Tx.Commit`	❌ 需包装 `driver.Tx`

graph TD
    A[sql.Open] --> B[HookedDriver.Open]
    B --> C[触发 onOpen 钩子]
    C --> D[调用 base.Open]
    D --> E[返回 hookedConn]
    E --> F[QueryContext 时再触发 onQuery]

2.2 QueryContext拦截器设计：从原始SQL到AST解析的参数绑定还原技术

QueryContext拦截器是SQL执行链路中承上启下的关键组件，负责在JDBC PreparedStatement执行前，将占位符参数（?）精准回填至AST节点，而非简单字符串拼接。

核心职责拆解

拦截PreparedStatement#execute*()调用，提取BoundSql与ParameterMapping
基于JSqlParser构建AST，定位Expression节点中的ParameterMarkerExpr
利用TypeHandler完成类型安全的参数值注入

AST参数还原流程

// 从ParameterMapping获取实际值并注入AST对应节点
for (ParameterMapping pm : boundSql.getParameterMappings()) {
    Expression paramNode = findParameterNode(ast, pm.getProperty()); // 定位AST中的?节点
    Object value = paramMapping.getValue(); // 如Integer、String等
    paramNode.replace(new StringValue(value.toString())); // 类型适配后替换
}

该代码实现AST层级的语义化参数绑定，避免SQL注入风险，同时保留原始语法结构供后续路由/改写使用。

阶段	输入	输出	关键保障
解析	原始SQL + ParameterMapping	JSqlParser AST	语法完整性
绑定	AST + 参数值	参数已填充AST	类型一致性
传递	参数化AST	下游执行器	无字符串拼接

graph TD
    A[PreparedStatement.execute] --> B[QueryContext.intercept]
    B --> C[解析SQL为AST]
    C --> D[匹配ParameterMapping与AST节点]
    D --> E[TypeHandler序列化注入]
    E --> F[返回参数化AST]

2.3 执行计划（EXPLAIN ANALYZE）自动捕获策略：MySQL/PostgreSQL方言兼容实现

统一抽象层设计

为屏蔽 MySQL（EXPLAIN FORMAT=JSON）与 PostgreSQL（EXPLAIN (ANALYZE, BUFFERS, TIMING)）语法差异，定义标准化捕获接口：

def capture_execution_plan(conn, sql: str) -> dict:
    if is_postgres(conn):
        return conn.execute("EXPLAIN (ANALYZE, BUFFERS, FORMAT JSON)", sql).fetchone()[0]
    elif is_mysql(conn):
        return conn.execute("EXPLAIN FORMAT=JSON", sql).fetchone()[0]

FORMAT JSON 确保结构化输出；PostgreSQL 的 BUFFERS 提供内存/磁盘访问统计，MySQL 需通过 performance_schema 补充——此处由后续插件扩展。

兼容性关键字段映射

PostgreSQL 字段	MySQL 对应字段	语义说明
`Execution Time`	`query_time`	实际执行耗时（ms）
`Shared Hit Blocks`	`Handler_read_key`	缓存命中读取量

自动触发流程

graph TD
    A[SQL 执行拦截] --> B{是否启用 PLAN_CAPTURE}
    B -->|是| C[预编译前注入 EXPLAIN]
    B -->|否| D[直行原SQL]
    C --> E[解析JSON并归一化]

拦截点位于 ORM 执行器或连接池 before_execute 钩子
归一化后字段统一为 cost, actual_time_ms, rows_estimated

2.4 索引使用率指标提取：pg_stat_statements与performance_schema联合建模方法

数据同步机制

PostgreSQL 的 pg_stat_statements 提供 SQL 级执行统计（调用次数、总耗时），而 MySQL 的 performance_schema 记录索引访问详情（table_io_waits_summary_by_index_usage）。二者需通过统一时间窗口对齐并关联查询。

联合建模核心逻辑

-- 关联 pg_stat_statements（PG）与 performance_schema（MySQL）的伪SQL映射
SELECT 
  s.query, 
  s.calls,
  i.index_name,
  i.count_read
FROM pg_stat_statements s
JOIN index_usage_mapping i ON s.query_hash = i.query_hash
WHERE s.calls > 100 AND i.count_read = 0;

逻辑说明：query_hash 是跨库标准化的关键锚点，通过 SQL 归一化（去空格/参数占位）生成；count_read = 0 表示索引未被使用，但语句高频执行，属高优先级优化目标。

指标融合维度表

维度字段	PostgreSQL 来源	MySQL 来源
查询指纹	`md5(query)`	`DIGEST_TEXT`（经 normalize）
执行频次	`calls`	`COUNT_STAR`（statement summary）
索引命中状态	—（需反查 pg_class）	`COUNT_READ`（非零即命中）

流程协同示意

graph TD
    A[pg_stat_statements] -->|query_hash + time_range| C[归一化指纹中心]
    B[performance_schema] -->|digest + index_usage| C
    C --> D[联合分析视图]
    D --> E[索引使用率 = count_read / calls]

2.5 慢查询上下文增强：事务ID、goroutine stack trace、调用链SpanID注入实践

在高并发数据库访问场景中，单靠 SQL 执行时长难以定位根因。需将运行时上下文注入慢查询日志。

关键上下文字段注入策略

tx_id：从 sql.Tx 或上下文提取唯一事务标识
goroutine_id：通过 runtime.Stack 获取当前 goroutine 栈快照
span_id：从 OpenTracing/OTel 的 context.Context 中提取 Span ID

注入实现示例（Go）

func injectSlowQueryContext(ctx context.Context, stmt string) string {
    txID := getTxID(ctx) // 从 ctx.Value("tx_id") 获取
    spanID := trace.SpanFromContext(ctx).SpanContext().TraceID().String()
    stack := make([]byte, 2048)
    runtime.Stack(stack, false)
    return fmt.Sprintf("[%s|%s|%d] %s", txID, spanID, time.Now().UnixNano(), stmt)
}

该函数将事务ID、分布式追踪ID与轻量级栈快照拼接为可检索标签；runtime.Stack 第二参数设为 false 仅捕获当前 goroutine，避免性能抖动。

上下文字段价值对比

字段	可追溯性	性能开销	调试价值
`tx_id`	强（跨语句）	极低	定位事务边界
`span_id`	强（跨服务）	低	关联全链路
`stack_trace`	中（单点）	中	定位协程阻塞点

graph TD
    A[SQL执行超时] --> B[触发慢查询Hook]
    B --> C[从ctx提取tx_id/span_id]
    B --> D[捕获goroutine stack]
    C & D --> E[结构化日志输出]

第三章：可观测性数据标准化与实时聚合

3.1 慢查询特征向量建模：参数敏感度、索引失效模式、执行耗时分布三维度Schema设计

慢查询特征向量需结构化捕获三类核心行为信号，避免扁平化打标。

三维特征语义对齐

参数敏感度：量化WHERE子句中绑定变量变化对执行计划扰动程度（如EXPLAIN FORMAT=JSON中used_columns与key_parts动态偏移）
索引失效模式：识别隐式类型转换、函数包裹、OR逻辑拆分等7类典型失效路径
执行耗时分布：按Query_time, Lock_time, Rows_examined分位数（p50/p90/p99）构建偏态分布向量

特征Schema定义（Parquet Schema片段）

# schema.py —— 支持向量化计算与离线回溯
slow_query_features = {
    "query_id": pa.string(),                    # 全局唯一标识
    "param_sensitivity_score": pa.float64(),    # [0.0, 1.0]，基于计划稳定性熵计算
    "index_failure_flags": pa.list_(pa.int8()), # [type_cast=1, func_wrap=1, ...]
    "exec_time_p99_ms": pa.float64(),           # 单位毫秒，非对数压缩
}

该Schema支持Presto/Trino直接列裁剪查询，index_failure_flags采用位图编码，节省87%存储；param_sensitivity_score由执行计划AST Diff的Jaccard相似度衰减加权生成。

维度	数据类型	更新频率	典型值域
参数敏感度	float64	实时	[0.02, 0.98]
索引失效模式	list	查询级	长度≤8
执行耗时p99	float64	分钟级	[12.5, 12480.0]

3.2 高并发场景下的采样与降噪：基于滑动窗口与动态阈值的智能采样算法实现

在万级QPS监控系统中，原始指标采集易引发带宽与存储雪崩。传统固定频率采样无法适配流量突变，而静态阈值降噪常误杀真实毛刺。

核心设计思想

滑动窗口实时统计请求速率、P99延迟、错误率三维度指标
动态阈值 = 基线均值 + α × 标准差（α随窗口内离散度自适应调整）
仅当指标连续3个子窗口超阈值时触发高保真采样

智能采样决策流程

def should_sample(window_stats: dict) -> bool:
    # window_stats: {"rate": 1250.3, "p99": 421.7, "err_rate": 0.021}
    baseline = calc_baseline(window_stats)  # 基于EWMA平滑历史趋势
    std = calc_volatility(window_stats)     # 近10个窗口标准差
    alpha = 1.0 + 0.5 * (std / max(baseline["rate"], 1e-6))  # 波动越大，阈值越宽松
    threshold = baseline["rate"] + alpha * std
    return window_stats["rate"] > threshold and window_stats["err_rate"] > 0.015

该逻辑避免了瞬时抖动误触发，alpha 动态补偿流量基线漂移；err_rate 硬约束确保业务异常不被过滤。

性能对比（10K QPS压测下）

策略	存储开销	丢包率	毛刺捕获率
固定10%采样	1.2 GB/h	8.3%	62%
静态阈值（P95）	0.8 GB/h	12.1%	74%
本算法	0.5 GB/h	2.7%	96%

graph TD A[原始指标流] –> B{滑动窗口聚合
1s粒度×60s} B –> C[三维度统计] C –> D[动态阈值计算] D –> E[连续性校验
≥3窗口超限] E –>|是| F[启用全字段采样] E –>|否| G[降级为摘要采样]

3.3 OpenTelemetry SQL Span扩展：将绑定参数与执行计划注入trace attributes规范

OpenTelemetry 默认 SQL span 仅记录 db.statement（脱敏后的原始SQL），丢失关键调试信息。扩展需在 BeforeExecute 钩子中注入敏感但可审计的上下文。

注入绑定参数（安全脱敏）

# 使用 otel-sql-instrumentation 的自定义 hook
def inject_bound_params(span, statement, params):
    if params and span.is_recording():
        # 仅记录类型与长度，避免 PII 泄露
        span.set_attribute("db.bind_types", [type(p).__name__ for p in params])
        span.set_attribute("db.bind_lengths", [len(str(p)) if hasattr(p, '__len__') else 1 for p in params])

逻辑分析：params 是数据库驱动传入的绑定值元组；db.bind_types 辅助定位类型不匹配问题，db.bind_lengths 可识别超长字符串导致的索引失效。

执行计划采集策略

采集方式	适用场景	性能开销
`EXPLAIN ANALYZE`	调试慢查询	高
`EXPLAIN`（无执行）	生产环境采样	低
计划哈希缓存	避免重复解析	极低

数据注入流程

graph TD
A[SQL 执行前] --> B[拦截 Statement]
B --> C{是否启用 plan capture?}
C -->|是| D[执行 EXPLAIN]
C -->|否| E[仅注入 bind metadata]
D --> F[提取 Query Plan JSON]
F --> G[set_attribute 'db.execution_plan']

第四章：飞书告警机器人集成与智能响应闭环

4.1 飞书Bot API v2鉴权与消息卡片渲染：支持可折叠SQL详情、执行计划树状图、索引建议按钮

飞书 Bot v2 鉴权采用 App ID + App Secret 获取 tenant_access_token，再用于后续卡片发送接口调用：

# 获取租户级访问令牌（有效期2小时）
response = requests.post(
    "https://open.feishu.cn/open-apis/auth/v3/tenant_access_token/internal/",
    json={"app_id": "cli_XXXX", "app_secret": "XXX"},
    headers={"Content-Type": "application/json"}
)
token = response.json()["tenant_access_token"]  # 后续所有请求需携带此 token

参数说明：app_id 和 app_secret 来自飞书开放平台应用凭证；响应中 tenant_access_token 是调用消息卡片 API 的必要凭据，需缓存并自动刷新。

消息卡片支持 expandable 字段实现 SQL 详情折叠，tree_node 组件渲染执行计划，action 按钮触发索引建议：

组件类型	用途	关键字段
`expandable`	折叠长SQL文本	`title`, `content`
`tree_node`	层级化展示执行计划节点	`label`, `children`
`button`	触发索引优化建议生成	`url`, `text`, `type`

渲染逻辑流程

graph TD
    A[获取SQL分析结果] --> B[构造卡片JSON]
    B --> C[注入expandable SQL块]
    B --> D[递归生成tree_node结构]
    B --> E[绑定索引建议回调URL]
    C & D & E --> F[POST /message/v4/send]

4.2 告警分级策略：基于P95延迟突增、全表扫描频次、缺失索引命中率的多因子触发模型

多因子加权评分机制

告警级别（L1–L4）由三维度实时归一化得分加权计算：

delay_score = (current_p95 / baseline_p95 - 1) * 100（突增百分比）
scan_score = log2(全表扫描/min(1, avg_daily_scan))
index_score = max(0, 100 - 缺失索引命中率)

动态阈值判定逻辑

def calculate_alert_level(p95_ratio, full_scan_cnt, missing_idx_hit_rate):
    # 归一化至[0,1]区间（Z-score后截断）
    delay_norm = min(1.0, max(0.0, (p95_ratio - 1.2) / 0.8))
    scan_norm = min(1.0, math.log2(max(1, full_scan_cnt)) / 5.0)
    idx_norm = (100 - missing_idx_hit_rate) / 100.0

    # 加权融合（业务敏感度调权）
    score = 0.5 * delay_norm + 0.3 * scan_norm + 0.2 * idx_norm
    return "L1" if score < 0.3 else "L2" if score < 0.6 else "L3" if score < 0.85 else "L4"

逻辑说明：p95_ratio以1.2为基线突增拐点，避免毛刺；full_scan_cnt取对数压缩长尾分布；missing_idx_hit_rate反向映射，体现索引治理紧迫性。权重分配反映SLO对延迟的最高敏感性。

告警等级与响应SLA对照表

等级	P95突增	全表扫描/小时	缺失索引命中率	响应时限
L1				2h
L4	>150%	≥8	>40%	15min

触发决策流程

graph TD
    A[采集指标] --> B{P95突增>20%?}
    B -->|否| C[L1]
    B -->|是| D{全表扫描≥3次/h?}
    D -->|否| E[L2/L3]
    D -->|是| F{缺失索引命中率>25%?}
    F -->|否| E
    F -->|是| G[L4]

4.3 自动化诊断建议生成：结合pg_hint_plan或MySQL optimizer_trace输出可执行优化提示

为什么需要可执行的优化提示？

查询性能瓶颈常源于优化器选择次优执行计划。人工解读EXPLAIN耗时且易错，而pg_hint_plan（PostgreSQL）与optimizer_trace（MySQL）分别提供计划干预与决策过程快照。

自动生成Hint的典型流程

-- PostgreSQL：启用pg_hint_plan并捕获低效查询
LOAD 'pg_hint_plan';
SET pg_hint_plan.enable_hint = on;
SELECT /*+ SeqScan(t) */ COUNT(*) FROM large_table t WHERE status = 'active';

此例强制顺序扫描，适用于小结果集但高过滤率场景；SeqScan(t)需配合pg_stat_statements识别高频低效查询后动态注入。

MySQL优化路径可视化

SET optimizer_trace="enabled=on";
SELECT * FROM orders WHERE created_at > '2024-01-01' ORDER BY amount DESC LIMIT 10;
SELECT * FROM information_schema.OPTIMIZER_TRACE\G;

OPTIMIZER_TRACE输出JSON含considered_execution_plans、best_access_path等字段，为规则引擎提取索引缺失、排序代价高等特征提供结构化依据。

工具	输出粒度	可操作性	典型集成方式
`pg_hint_plan`	Hint级（SQL内嵌）	高（直接生效）	查询重写中间件
`optimizer_trace`	决策树级（JSON）	中（需解析映射）	日志采集+ML分类

graph TD
    A[慢查询日志] --> B{解析SQL与执行计划}
    B --> C[pg_hint_plan hint生成]
    B --> D[optimizer_trace特征提取]
    C & D --> E[生成可执行Hint建议]
    E --> F[自动注入/审核队列]

4.4 告警抑制与去重：基于SQL指纹+服务实例标签的分布式告警合并机制

传统告警风暴常源于同一慢查询在多个实例上重复触发。本机制通过两级聚合实现精准去重：

核心聚合维度

SQL指纹：对 SELECT * FROM users WHERE age > ? 归一化为 SELECT * FROM users WHERE age > ?（参数占位）
服务实例标签：service=order-service,env=prod,zone=cn-shanghai-1a

合并策略流程

-- 告警合并表结构（关键字段）
CREATE TABLE alert_merger (
  sql_fingerprint VARCHAR(512),     -- 归一化后SQL哈希（SHA256）
  instance_tags JSONB,              -- ['service=auth', 'pod=auth-7b8d']
  latest_at TIMESTAMPTZ,            -- 最近触发时间
  occurrence_count INT DEFAULT 1    -- 5分钟窗口内合并计数
);

该表作为分布式共享状态，各采集节点通过 INSERT ... ON CONFLICT UPDATE 原子更新，避免竞态。

决策逻辑

graph TD
  A[原始告警] --> B{SQL指纹匹配？}
  B -->|是| C[提取instance_tags]
  B -->|否| D[新建合并桶]
  C --> E{tags集合相同？}
  E -->|是| F[计数+1，刷新时间]
  E -->|否| G[视为新维度告警]

合并效果对比

场景	告警条数（未合并）	合并后
同一慢SQL在3个Pod触发	3	1
同SQL但跨prod/staging环境	2	2（env标签不同）

第五章：从可观测性到可治理性：Go-SQL智能运维演进路径

可观测性落地的典型瓶颈

某电商中台团队在接入 Prometheus + Grafana 监控 Go-SQL 执行耗时后，发现 83% 的慢查询告警无法定位根因。日志中仅记录 Query: SELECT * FROM orders WHERE user_id = ?，缺失执行计划、绑定参数值、连接上下文（如调用链 trace_id）、事务隔离级别等关键元数据。当 user_id = 123456789 实际触发索引失效时，监控系统仍显示“语句模板合规”，形成可观测性幻觉。

SQL 元数据增强采集架构

团队基于 go-sql-driver/mysql 的 Connector 接口扩展了 TracingConnector，在 Open 阶段注入上下文钩子，在 ExecContext 和 QueryContext 中自动捕获：

type SQLTrace struct {
    Statement   string            `json:"stmt"`
    Params      []interface{}     `json:"params"`
    Plan        string            `json:"plan,omitempty"` // EXPLAIN FORMAT=JSON 结果
    DurationMs  float64           `json:"duration_ms"`
    TraceID     string            `json:"trace_id"`
    TxIsolation sql.IsolationLevel `json:"tx_isolation"`
}

该结构被序列化为 OpenTelemetry Span 属性，并同步写入 ClickHouse 表 sql_traces，支撑毫秒级多维下钻分析。

治理规则引擎驱动闭环

引入轻量级规则引擎（基于rego），定义可执行治理策略：

规则ID	触发条件	自动动作	生效范围
idx-missing	`trace.plan contains "type: ALL" AND trace.stmt matches "^SELECT.*FROM orders"`	向 DBA 飞书群推送索引建议 + 创建工单	生产环境
param-leak	`len(trace.params) == 0 AND trace.stmt contains "WHERE user_id ="`	阻断执行并返回 `SQL_INJECTION_RISK` 错误码	所有环境

治理效果量化对比

指标	可观测阶段（Q1）	可治理阶段（Q3）	变化
平均故障定位时长	47.2 分钟	6.8 分钟	↓85.6%
高危 SQL 拦截率	0%	92.3%	↑92.3pp
索引优化采纳率	11%（人工评审）	68%（自动推荐+灰度验证）	↑57pp

混沌工程验证治理韧性

使用 Chaos Mesh 注入网络延迟（p99 延迟突增至 2s）与连接闪断场景，验证治理策略鲁棒性：当 SELECT ... FOR UPDATE 语句因锁等待超时被自动降级为只读查询时，业务成功率从 31% 提升至 99.2%，且错误日志中明确标记 GOVERNANCE_ACTION: READ_ONLY_FALLBACK。

运维知识图谱构建

基于 12 个月 SQLTrace 数据，使用 Neo4j 构建实体关系图谱，节点类型包括 SQLPattern、Table、Index、Service、Developer；关系包含 TRIGGERS_FULL_SCAN、MISSING_INDEX_ON_COLUMN、OWNED_BY。当新上线服务 payment-v2 首次出现 orders 表全表扫描时，图谱自动关联历史责任人 @zhangsan 并推送修复方案快照。

持续反馈机制设计

每个治理动作生成 GovernanceEvent 结构体，包含 action_id、effect_score（基于后续 1h 内同类 SQL P95 耗时下降百分比计算）、false_positive_count。该事件流接入 Flink 实时作业，动态调整规则置信度阈值——例如 idx-missing 规则在连续 5 次推荐被驳回后，自动将 EXPLAIN 分析权重从 0.8 降至 0.4，并启用 pt-query-digest 的采样统计辅助判断。