J2EE持久层持久化上下文传播总结(续)

 来源:http://yuquan-nana.javaeye.com/blog/296257

 

关键字: 持久化上下文的传播 <script type="text/javascript"> </script> <script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script>

作者:狂放不羁
网址:http://yuquan-nana.javaeye.com

>>>转载请注明出处!<<<

 

接着上篇“J2EE事务并发控制策略总结”,今天我接着写一下持久化上下文的传播问题。

目前持久层框架都有一个持久化上下文的概念,下面以比较流行的hibernate以及JPA来做一总结。

     如果我们采用OO的方式开发系统,那么势必为了减低耦合,增加内聚,我们会通过细粒度的类来实现业务功能,那么这样就产生了一个问题,如何将持久化上下文在不同的类(这里面其实就是Dao类或者DDD里面的repository)中传播,比如传统的开发方式中,一个service里通过不同的Dao来访问数据库,那么怎么保证不同的Dao类中用的session以及以及与session对应的持久化上下文是同一个呢?这就涉及到了持久化上下文如何传播的问题。下面以我熟悉的hibernate以及JPA来来说明一下,在hibernate中,根据采用的底层事务的不同,需要采用不同的策略来实现:

1 Hibernate中持久化上下文的传播

1.1 采用jdbc事务

此时hibernate通过Threadlocal将当前的session与当前的线程绑定在一起,这样以来只要是同一个线程中的调用,那么获得的session都是同一个,具体来说就是配置hibernate.current_session_context_class属性为thread,这样以来hibernate内部就会通过CurrentSessionContext接口的实现类ThreadlocalSessionContext通过threadlocal来将session和当前线程绑定在一起。当调用SessionFactory的getCurrentSession()方法,返回的就是与当前线程绑定的session,从而解决了持久层上下文传播的问题。

1.2 采用JTA事务

此时hibernate内部是将当前的session以及对应的持久化上下文绑定到了全局的JTA事务上,这样以来我们通过sessionFactory的getCurrentSession()方法获得的就是与当前的JTA事务绑定的session.具体一点就是配置属性hibernate.current_session_context_class为jta,这样以来hibernate内部就是通过CurrentSessionContext接口的实现类JTASessionContext来将session与当前的JTA全局事务绑定在一起,因此当我们通过sf.getCurrentSessionContext()来获取session时,获得的就是与当前的JTA绑定到一起的session.

但是在此种情况下,需要特别注意一个问题:不能同时使用hibernate的Transaction接口与getCurrentSession(),因为当前的session是绑定到全局JTA事务中的,如果通过session.beginTransaction()来开始事务,这说明以前没有事务,既然没有事务存在,我们的session又是怎么绑定到全局JTA事务上的呢?所以一定要注意:当使用JTA事务,并且用了getCurrentSession()的方法时,一定不要用hiernate的native transaction 接口。但是我们如果我们用openSession(),那么就可以通过通过hibernate的native Transaction接口来控制JTA事务。

最后还需要弄清楚一点,Hibernate中还有一种绑定持久化上下文的方法,那就是通过设置hibernate.current_session_context_class属性为managed,hiberante内部就是通过CurrentSessionContext接口的实现类ManagedSessionContext来绑定的。在此种情况下主要是为了实现会话,会话在hibernate中的实现在下面介绍。

2 JPA中持久化上下文的传播

JPA中持久化上下文的传播根据采用不同的事务模型而不同,下面分别来说明:

2.1 采用resource-local事务模型

如果采用resource-local事务模型,此种情况也就是在非J2EE应用服务器的支持下使用。那么我们的持久化上下文的生命周期是与当前的EntityManager绑定到一起的,所以我们可以在不同的类中传播相同的EntityManager实例来达到传播事务上下文的传播。

2.2 采用JTA事务模型

在此种模型下面,我们有EJB容器的支持,持久化上下文的传播是借助于事务上下文来传播的,在说明如何传播前首先要明确EJB组件中两种不同的事务上下文的生命周期:

对于stateless session bean,持久化上下文的生命周期是与当前的系统事务一致的,这也就是无状态会话bean的事务型的持久化上下文,每当事务结束,持久化上下文也就结束了,所有持久化对象也就变为了脱管的(detached).

对于statefull session bean,持久化上下文的生命周期是与当前的有状态会话bean一致的,只有当有状态的会话bean从系统中移除的时候,持久化上下文才关闭,这也就是有状态会话bean的扩展的事务上下文。

搞清楚了这两种不同的事务上下文的生命周期以后,我们来说一下持久化上下文如何传播的问题。持久化上下文是通过当前系统事务来传播的,当一个EJB组件调用另一个EJB组件的时候,如果两个EJB组件的事务范围是一样的,那么持久化上下文就会传播,下面分几种情况来说明:

无状态会话bean之间调用:此时如果两个无状态会话bean在同一个事务中调用,那么持久化上下文就是同一个,通过当前事务来传播。

有状态会话bean调用无状态会话bean:此种情况下如果两者在同一个事务中,那么有状态会话bean的扩展的事务上下文会传播到无状态会话bean里,其实还是通过事务来传播。但是如果被调用的无状态会话bean不支持事务的话(事务属性设置为not support 或者never),那么此时持久化上下文不能传播(JPA规范规定扩展的持久化上下文是不能传播到无事务的stateless session bean)。

有状态会话bean之间调用:此时无论两个有状态会话bean是否支持事务,那么扩展的持久化上下文都会传播,此时就不是通过系统事务来传播的,而是通过statefull session bean的实例来传播(但是此时一定要注意有状态会话bean必须是通过容器注入的或者显示通过JNDI查找)。

    无状态的会话bean调用有状态会话bean:一个有事务范围的持久化上下文的stateless session bean调用一个statefull session bean会引发一个错误,因为当前的事务上下文不能传播)

综上所述,EJB之间的持久化上下文传播是通过我们的系统事务来传播的,如果EJB不支持事务(事务属性设置为not support或者never)),那么持久化上下文就不会传播,但是对于扩展的持久化上下文,是通过statefull session bean来传播的,即使没有事务也可以传播,下篇的如何实现会话会再谈到这个问题。

前面说的是关于持久化如何在持久层的不同的类之间传播的问题,其实无外乎就是通过当前的线程和当前的系统事务来传播,不过对与statefull session bean的扩展的持久化上下文,传播是通过实例来传播的,在下面的实现会话的讨论中,我还会说到这个问题。当我们掌握了原理的时候,遇到一些问题的时候,我们就会很快找到解决方案。

 

未完待续。。。

下篇“J2EE持久层如何实现会话”

 

<script type="text/javascript"> </script> <script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script>
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组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,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)**:由两个网络组成,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。
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组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,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)**:由两个网络组成,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 3
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