高性能MySQL读书笔记:1、MySQL架构与历史

MySQL逻辑架构

MySQL具有分层架构,上层是服务器层的查询和执行引擎下层是存储引擎。其中,服务器层又包含两层,第一层负责连接/线程处理、授权认证、安全,第二层负责查询解析、分析、优化、缓存以及所有的内置函数,所有的跨存储引擎功能。

每个客户端连接都会在服务器端拥有一个线程,MySQL服务器端维护线程池。

认证基于用户名、原始主机信息和密码,可使用SSL。

收到查询后,MySQL会解析查询,建立解析树,然后进行各种优化:重写查询,决定表的读取顺序,选择合适的索引等等。

用户可以使用特殊关键字提示优化器,以影响它的决策,也可以令优化器解释优化过程。

优化器并不关心使用的是什么存储引擎,只是要求存储引擎提供容量和开销信息。


并发控制

MySQL在两个层面并发控制:服务器和存储引擎。

读锁:共享锁

写锁:排它锁

锁粒度越小,每次锁定的资源就越少,并发性能更强。

锁策略:在锁的开销和数据安全性做取舍。

每种存储引擎都可以实现自己的锁粒度和锁策略。

表锁:开销最小,读锁共享,写锁互斥,写锁优先级高于读锁。并发性差。

行级锁:最大程度支持并发处理。


事务

事务具有ACID特性,具体来说:

原子性:事务是最小工作单元。

一致性:数据库总是从一个一致性的状态转到另一个一致性的状态。

隔离性:一个事务做的修改,在提交之前,对于其他事务是不可见的。

持久性:一旦事务提交,所做的修改就永久保存到数据库中。


SQL定义了四种隔离级别,较低的隔离带来较低的开销和更高的并发。

READ UNCOMMITTED:事务的没提交修改,对于别的事务可见,带来脏读。

READ COMMITTED:只有已提交修改,其他事务才可见。但是同一个事务两次读数据库,结果是不同的。

REPEATABLE READ:可重复读,会有幻读问题。

SERIALIZABLE:事务串行执行,无并发。


死锁:多个事务以不同的顺序锁定资源,或者多个事务同时锁定一个资源(?)

处理死锁的方法:将持有最少行级锁的事务回滚(InnoDB)


预写式日志:修改表后,首先写在日志中,后台根据日志将改变慢慢刷回磁盘,修改数据需要写两次磁盘。


AUTOCOMMIT:自动提交事务,每个查询都被当作一个事务。关闭则需要显式提交事务。

有一些命令,运行时强制提交当前活动事务。


显式锁定:服务器层实现,不推荐使用。


多版本并发控制

MVCC是行级锁的变种,很多情况下避免了加锁,开销更低。

实现是通过保存数据在某个时间点的快照。

每条记录加入两个列:行的创建时间,过期时间(删除时间)

读的时候,按照事务的时间决定返回那些数据,从而实现可重复读。


MySQL的存储引擎

SHOW TABLE STATUS


InnoDB存储引擎

默认级别可重复读,通过间隙锁避免幻读。

表通过聚簇索引建立,主键查询性能高,二级索引必须包含主键。

事务性存储引擎,支持真正的热备份。


MyISAM存储引擎

MyISAM不支持事务和行级锁。

MyISAM压缩表


除非用到某些InnoDB某些不具备的特性,并且没有其他的办法可以替代,那么都应该使用InnoDB引擎。


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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
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