SQL Server审计功能入门：CDC（Change Data Capture）

原文:SQL Server审计功能入门：CDC（Change Data Capture）

介绍

SQL Server 2008引入了CDC(Change Data Capture),它能记录：

1. 哪些数据行发生了改变

2. 数据行变更的历史记录，而不仅仅是最终值。

跟CT(Change Tracking)相比，它通过作业实现异步变更跟踪(像事务复制)，而CT是同步实现的。因此它对性能的影响较轻并且不会影响事务。

典型应用是在提取、传输和加载数据到其它数据源，就像图中的数据仓库。

实现

微软建议CDC结合快照快照隔离级别使用，可以避免读取变更数据与变更数据写入时的读写阻塞。

需要注意：快照隔离级别会有额外的开销，特别是Tempdb(所有的数据更改都会被版本化存到tempdb)。

use master

go

create database CDCTest

go

alter database CDCTest set allow_snapshot_isolation on

go

--enable CDC on database CDCTest

use CDCTest

go

exec sys.sp_cdc_enable_db

go

启用CDC之后会新增一个叫CDC的Schema和一系列的系统表、SP和View。官方建议不要直接查询系统表而是使用对应的系统SP/FN来获取CDC数据。

系统对象	说明	建议使用的对象
cdc.captured_columns	为在捕获实例中跟踪的每一列返回一行	sys.sp_cdc_get_source_columns
cdc.change_tables	为数据库中的每个更改表返回一行	sys.sp_cdc_help_change_data_capture
cdc.ddl_history	针对启用了变更数据捕获的表所做的每一数据定义语言 (DDL) 更改返回一行	sys.sp_cdc_get_ddl_history
cdc.lsn_time_mapping	为每个在更改表中存在行的事务返回一行	sys.fn_cdc_map_lsn_to_time (Transact-SQL) , sys.fn_cdc_map_time_to_lsn (Transact-SQL)
cdc.index_column	为与更改表关联的每一索引列返回一行	sys.sp_cdc_help_change_data_capture
msdb.dbo.cdc_jobs	存储用于捕获和清除作业的变更数据捕获配置参数	NA
cdc.<capture_instance>_CT	对源表启用变更数据捕获时创建的更改表。该表为对源表执行的每个插入和删除操作返回一行，为对源表执行的每个更新操作返回两行.capture_instance格式=SchameName_TableName	cdc.fn_cdc_get_all_changes_<capture_instance> , cdc.fn_cdc_get_net_changes_<capture_instance>

创建测试表并对期启用CDC。使用sys.sp_cdc_enable_table 对表启用CDC。

--Create a test table for CDC

use CDCTest

GO

create table tb(ID int primary key ,name varchar(20),weight decimal(10,2));

go

EXECUTE sys.sp_cdc_enable_table

    @source_schema = N'dbo'

  , @source_name = N'tb'

  , @role_name = null;

GO

如果源表是数据库中第一个要启用变更数据捕获的表，并且数据库不存在事务发布，则 sys.sp_cdc_enable_table 还将为数据库创建捕获和清理作业。它将 sys.tables 目录视图中的 is_tracked_by_cdc 列设置为 1。

对应的跟踪表cdc.dbo_tb_CT包含了源表所有的变更数据。它包含原来所有的列和5个新的列，结构如图：

验证

当在源表中操行数据更改操作，表cdc.dbo_tb_CT会记录下来。试一下：

为什么没有数据呢？因为之前介绍过了，CDC是靠作业来捕获变更数据的，我的Agent还没有运行。

手动启用后，就有数据了。

结果列的含义：

列名	数据类型	说明
__$start_lsn	binary(10)	更改提交的LSN。在同一事务中提交的更改将共享同一个提交 LSN 值。
__$seqval	binary(10)	一个事务内可能有多个更改发生，这个值用于对它们进行排序。
__$operation	int	更改操作的类型： 1 = 删除 2 = 插入 3 = 更新（捕获的列值是执行更新操作前的值）。 4 = 更新（捕获的列值是执行更新操作后的值）。
__$update_mask	varbinary(128)	位掩码，源表中被CDC跟踪的每一列对应一个位。如果 __$operation = 1 或 2，该值将所有已定义的位设置为 1。如果 __$operation = 3 或 4，则只有那些对应已更改列的位设置为 1。

现在再插入一行，并更新它，然后再删除ID=1的行。再查看结果：

简单说明一下跟踪的查询结果：总共5行，第一行和第二行是插入数据，第三行和第四行是更新前后的数据，第五行是删除数据。操作类型由_$operation值可得知。

简单应用

前文中创建的tb表，记录了每个人的姓名和体重变化信息。另外某一个数据库(表tb_rs)，它是体重变化趋势报表的数据源。它每天同步一次数据，更新自己的数据。怎么用CDC来实现这个需求呢？

CDC中记录了start_lsn,如果能知道tb_rs上次同步完成时，tb中被同步的最大LSN。那下次同步时，只需要同步tb表中大于此LSN的变更记录即可。

问题就简单：获取上次同步完成tb的最大LSN,获取大于此LSN的所有变更记录，更新tb_rs。

由sys.fn_cdc_map_time_to_lsn可以将时间映射到对应的LSN，时间就是前一天。
由cdc.fn_cdc_get_net_changes_<capture_instance>能得到一天内的所有的净变更记录。
由变更记录自定义同步逻辑和语句。

insert into tb

values(1,'Ken',70.2),(3,'Joe',66),(4,'Rose',50)

update tb

set weight=70

where ID=3;

delete from tb where name='Rose';

go

DECLARE @begin_time datetime, @end_time datetime, @begin_lsn binary(10), @end_lsn binary(10); 

--get the interval

select @begin_time=GETDATE()-1,@end_time=GETDATE();

--map the time to LSN of the CDC table tb

select  @begin_lsn = sys.fn_cdc_map_time_to_lsn('smallest greater than or equal', @begin_time),

  @end_lsn = sys.fn_cdc_map_time_to_lsn('largest less than or equal', @end_time);

--get the net changes within the specified LSNs

SELECT * FROM cdc.fn_cdc_get_net_changes_dbo_tb(@begin_lsn, @end_lsn, 'all');

居然没有Rose的记录？Joe的信息被更新过，怎么才一条记录？

这是因为这里得到是净变更行，也就是最终结果的意思。新增然后又删除，不影响最终结果，所以没有。多次更新同一行的某一列数据，只返回最后更新的结果。

得到这个结果，我们就可以根据__$operation和实际数据定义同步数据的逻辑了。比如：

--generate sync statements

SELECT (case __$operation when 2 then 'insert into tb_rs values ('+cast(ID as varchar(2))+', '+Name+', '+cast(weight as varchar(10))+')'

        when 4 then 'update tb_rs set name='+name+',weight='+cast(weight as varchar(10))+' where ID='++cast(ID as varchar(2)) END)

FROM cdc.fn_cdc_get_net_changes_dbo_tb(@begin_lsn, @end_lsn, 'all');

对于更新过的行，同步数据时，我想要先判断出列是否被更改过和被更改的时间。更改过的列才需要被同步，而不是所有列同步一次。以name为例：

DECLARE @begin_time datetime, @end_time datetime, @begin_lsn binary(10), @end_lsn binary(10); 

--get the interval

select @begin_time=GETDATE()-1,@end_time=GETDATE();

--map the time to LSN of the CDC table tb

select  @begin_lsn = sys.fn_cdc_map_time_to_lsn('smallest greater than or equal', @begin_time),

  @end_lsn = sys.fn_cdc_map_time_to_lsn('largest less than or equal', @end_time);

--get the all changes within the specified LSNs

SELECT *,

(Case sys.fn_cdc_has_column_changed('dbo_tb','name',__$update_mask) when 1 then 'Yes' when 0 then 'No' End) as isNameUpdated,

sys.fn_cdc_map_lsn_to_time(__$start_lsn) as updateTime

FROM cdc.fn_cdc_get_all_changes_dbo_tb(@begin_lsn, @end_lsn, 'all')

where __$operation in(3,4);

go

CDC不仅能记录DML操作，还能记录DDL操作。查询cdc.ddl_history。

但有一点要格外注意：新增的列，能被CDC DDL跟踪到，但是新列的数据变更却不能被CDC跟踪到。如果需要跟踪它，先禁用表上的CDC，再启用即可。

CDC Agent Job

在指定的数据库中首次启用CDC，并且不存在事务复制，则会创建capture和cleanup两个作业：

capture作业是用于扫描日志文件，把变更记录写到变更表中。调用sp_MScdc_capture_job来实现，可以根据当前库的实际事务吞吐量来设置扫描参数和扫描间隔，使得在性能开销和跟踪需求间达到合理平衡。

cleanup作业是清理变更变表中的数据，默认三天的数据。

所以合理设定cleanup的间隔是非常重要的。

这两个作业的相关的配置存储在msdb.dbo.cdc_jobs中。当前的默认配置如图：

总结

1. CDC使用方便，易于配置，能与同步抽取等应用结合使用。

2. CDC能满足大多数对数据审计的要求，但不能告诉你“谁”更改了数据。

3. 虽说CDC是异步的，对应性能影响小，但还是会增加开销，特别是IO读写和容量方面的。开启CDC，每次更改，都至少会额外增加一次数据文件写和日志文件写操作。