Redo

oracle规定:保证重做记录先于对应的脏数据块写入持久层

内存层面:Oracle先写日志缓冲数据后写数据缓冲数据

物理层面:oracle先写redo log后写datafile

 

Redo中包含undo

DDL操作虽然无法产生rollback,但是仍会产生redoundo

 

Redo:记录所有操作,因为先写redo后写datafie,所以实例恢复时需要把redo中信息读取出来再判断是否需要写入datafile

 

 

redo的原因是:每次commit时,将数据的修改立即写到online redo中,但是并不一定同时将该数据的修改写到数据文件中。因为该数据已经提交,但是只存在联机日志文件中,所以在恢复时需要将数据从联机日志文件中找出来,重新应用一下(前滚),使已经更改数据在数据文件中也改过来!非commit时,因redo log先于datafile写入持久层,所以重启时需要先前滚redo log中修改的数据,如果这些数据没有commit再从undo中回滚回去。

 

 

实验验证:

一次性写入400M数据记录为10万条,但是不commit,发现很多8个在线日志都归档了,并且发现数据文件也增长了400M,删除其中一个归档日志后shutdown abort并且startup后,数据文件大小不变(不会减少400M),但是记录为0,说明前滚不会用到归档日志(理论解释:因为归档日志切换的时候会触发checkpoint再出发dbwr写,所以数据必须先写入datafile才会做日志归档操作),但是回滚数据就全部用到了,因为回滚数据中只要事务标记为未提交,就会用做回滚。

 

 

instance crash recovery 的时候总是先rollforward rollback

实例恢复顺序:先redo,再undoredo范围之内的才undo

例子:

两个块,值分别是A1

A修改为B,并且commit提交了,说明写到了redo日志

1修改为2没有提交,写入到了undo,不一定写到了redo日志,事务槽状态一定是未提交

 

如果1修改为2写到了redo日志,则恢复是:

实例恢复的时候利用redo先前滚到a->b1->2,再利用undo回滚2->1,结果两个块的值分别B1

 

如果1修改为2没写入redo日志,则恢复是:

实例恢复的时候是利用redo先前滚到a->b,结果两个块的值分别B1虽然1->2undo,但是undo不在redo的范围,故不用回滚

 

 

 

多个日志组的好处

归档比较慢,切换比较快,比如ABC三组日志,A在归档,lgwrA切换到了BB也写满了需要切换到CC也写满了需要切换到A,而A可能还没有归档完,导致数据库等待

 

 

 

Alter system switch logfile对单实例数据库或RAC中的当前实例执行日志切换;

Alter system archive log current对数据库中的所有实例执行日志切换。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/30126024/viewspace-2109196/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/30126024/viewspace-2109196/

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