组复制官方文档翻译(依赖和限制)

Group Replication Requirements


要用于组复制的服务器实例必须满足以下要求。

基础设施

InnoDB Storage Engine. 数据必须存储在InnoDB事务存储引擎中。事务以乐观的方式执行,然后在提交时检查冲突。如果存在冲突,为了保持整个组的一致性,某些事务将回滚。这意味着需要事务存储引擎。此外,InnoDB提供了一些额外的功能,当与组复制一起操作时,可以更好地管理和处理冲突。
Primary Keys. 组复制的每个表都必须定义一个显式主键。主键通过精确地识别每个事务已经修改了哪些行,在确定哪些事务发生冲突时起着极其重要的作用。
IPv4 Network.  MySQL组复制使用的组通信引擎仅支持IPv4。因此,组复制需要IPv4网络基础结构。
Network Performance. 组复制设计为部署在集群环境中,其中服务器实例彼此非常接近,并受网络延迟和网络带宽的影响。

 

服务器实例配置

必须在作为组成员的服务器实例上配置以下选项。

Binary Log Active. 启动binlog

Slave Updates Logged. Log_slave_updates设置为1

Binary Log Row Format. Binlog_format设置为row

Global Transaction Identifiers On. 启用gtid

Replication Information Repositories.设置--master-info-repository=TABLE 和 --relay-log-info-repository=TABLE来保证复制元数据的一致性

Transaction Write Set Extraction. 设置 --transaction-write-set-extraction=XXHASH64保证产生写集合

 
Limitations

组复制存在以下已知的限制。
Replication Event Checksums.  
由于复制事件校验和的设计限制,组复制当前无法使用它们。因此设置--binlog-checksum = NONE
 
Gap Locks. 
认证过程没有考虑间隙锁,因为有关间隙锁的信息在InnoDB之外不可用。组复制建议将事务隔离级别设置为read commit
 
Table Locks and Named Locks. 
认证过程不支持表锁和名称锁,即lock tablesunlock tablesget_lock()
Savepoints Not Supported. 不支持保存点
 
SERIALIZABLE Isolation Level. 
不支持SERIALIZABLE的事务隔离级别
 
Concurrent DDL versus DML Operations.
使用多主模式时,不支持在同一对象上但在不同服务器上执行并发数据定义语句和数据操作语句。在对象上执行数据定义语言(DDL)语句期间,在同一对象上但在不同的服务器实例上执行并发数据操作语言(DML)时,可能会在未检测到的不同实例上执行冲突的DDL
 
Foreign Keys with Cascading Constraints. 
多主模式组(所有配置为group_replication_single_primary_mode = OFF的成员)不支持具有多级外键依赖关系的表,特别是已定义了CASCADING外键约束的表。这是因为导致由多主模式组执行的级联操作的外键约束可能导致未检测到的冲突,并且导致该组的成员之间的不一致的数据。因此,我们建议在多主模式组中使用的服务器实例上设置group_replication_enforce_update_everywhere_checks = ON,以避免未检测到的冲突。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值