初学MySQL-事务是隔离还是不隔离的?


进一步了解InnoDB的事务和锁

MySQL中有两个视图的概念:

  • view,用查询语句定义的虚拟表,在调用的时候执行查询语句并生成结果,创建视图的语法是create view…
  • consistent read view用于支持RC(Read Committed,读提交)和RR(Repeatable Read,可重复读)隔离级别的实现;

快照在MVCC中的工作原理

快照是基于整个库的,InnoDB里面的每个事务都有一个唯一的事务ID,是transaction id,在事务开始的时候,InnoDB的事务系统申请的,按照申请顺序严格递增。

每行数据都会有多个版本,每次事务更新数据的时候,都会生成一个新的数据版本,并且将transaction id赋值给这个数据版本的事务ID,记作row_trx_id;也就是说数据表中的一记录可能有多个版本(row),每个版本都有其对应的row_trx_id;

更新过程
最新版本是V4,它是被transaction id为25的事务更新的,因此它的row trx_id也是25;
上图中的三个箭头就是undo log,需要v2版本就需要根据V4和U3、U2来计算。

InnoDB为每个事务构造了一个数组,用来保存事务启动瞬间,当前正在“活跃”的所有事务ID,"活跃"就是启动了还未提交;

数组里面的事务ID最小值为低水位,已经创建过的事务ID的最大值+1记作高水位;
这个视图数组和高水位就组成了当前事务的一致性视图,根据数据版本的可见性规则,把所有的row trx_id分成了几种情况:
视图数组和高水位

  1. 绿色部分代表已提交事务或者当前事务自己生成,可见;
  2. 红色部分代表将来启动事务生成,不可见;
  3. 黄色部分
    如果row trx_id在数组中,表示事务还没提交,不可见;
    如果row trx_id不在数组中,表示已经提交了事务,可见;

InnoDB就是利用了“所有数据都有多个版本”这一特性,实现了"秒级创建快照"的能力;

事务ABC执行过程
假设事务A活跃前的事务ID是99,那么A、B、C的版本号分别是100、101、102;三个事务开始前(1,1)这一行的数据的row trx_id是90;

事务A的视图数组就是[99,100],事务B的视图数组就是[99,100,101],事务C的视图数组是[99,100,101,102];

下图中只画出跟A查询逻辑有关的操作:
在这里插入图片描述
第一个有效更新的是事务C将数组从(1,1)改成了(1,2),此时的row trx_id为102,
第二个有效更新的是事务B将数组(1,2)变成了(1,3),此时的row trx_id为101;

事务A在查询的时候事务B还未提交,对A不可见:
事务A的视图数组是[99,100],其查询语句的读数据流程如下:
找到(1,3)的时候,row trx_id=101>100,处于红色区域不可见;
再到上一个版本,row trx_id=102100处于红色区域不可见,
在往上找到了(1,1),row trx_id=90,比低水位低,处于绿色区域可见;
虽然在执行期间的数据发生了更新,但是事务A不管何时查询,看到的数据结果都是一致的,被称为一致性读;

对于一个事务视图来说,除了自己的更新总是可见,还有三种情况:

  1. 版本未提交不可见;
  2. 版本已提交,但在视图创建后提交不可见;
  3. 版本已提交,在视图创建前提交,可见;

根据这个规则来判断也可以:
事务A启动的时候,(1,3)未提交不可见;
(1,2)提交了但是在A的视图数组创建之后提交,不可见;
(1,1)是在视图数组创建之前提交的额,可见;

更新逻辑

更新数据都是先读后写的,而且这个读,只能读当前的值,称为“当前读”(current read)
对于当前读,除了update语句外,select语句如果加锁也是当前读;

继续上面提到的事务A B C的执行过程,B语句更新的时候,当前读拿到的数据是(1,2),更新之后生成的新版本的数据是(1,3),这个新版本的row trx_id是101

事务B在执行查询语句的时候,查询到的K值就是3;
如果事务A的查询语句修改一下,加上lock in share mode或for update,也可以读取到版本号是101的数据,返回的k值也是3,下面的两个select语句就是分别加了读锁(S锁,共享锁)和写锁(X锁,排他锁)

select k from t where id=1 lock in share mode;
select k from t where id = 1 for updatel

事务的可重复读的能力是怎么实现的?

可重复读的核心就是一致性读(consistent read);而事务更新数据的时候,只能用当前读,如果当前的记录的行锁被其它事务占用的化,就需要进入锁等待;

读提交和可重复读的逻辑类似,主要区别在于:

  • 在可重复读隔离级别下,只需要在事务开始的时候创建一致性视图,之后事务里的其它查询都共用这个一致性视图;
  • 在读提交隔离级别下,每个语句执行前都会重新算出一个新的视图;

总结

InnoDB的行数据有多个版本,每个数据版本都有自己row trx_id,每个事务或者语句都有自己的一致性视图;普通查询语句是一致性读,一致性读会根据row trx_id和一致性视图来确定数据版本的可见性;

  • 对于可重复读,查询只承认在事务启动前就已经提交完成的数据;
  • 对于读提交,查询只承认在语句启动前就已经提交完成的数据;

为什么表结构不支持“可重复读”?因为表结构中没有对应的行数据,也没有row trx_id,因此只能遵循当前读的逻辑。

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、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。
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。、资 5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。
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