事务隔离机制以及hibernate悲观锁和乐观锁


脏读dirty   reads:当事务读取还未被提交的数据时,就会发生这种事件。

不可重复的读non-repeatable   reads:当事务两次读取同一行数据,但每次得到的数据都不一样时,就会发生这种事件。

虚读phantom   read:如果符合搜索条件的一行数据在后面的读取操作中出现,但该行数据却不属于最初的数据,就会发生这种事件。

数据库带来的并发问题包括:   

   1.丢失或覆盖更新。(幻像读)

   2.未确认的相关性(脏读)。

   3.不一致的分析(非重复读)。


Java中的解决办法

在java的Connection中 可以设置 setTransactionIsolation(int leave) 方法设置该连接的事务隔离级别

java中隔离级别有如下几种:

 1、READ_COMMITTED   表示只读别的事务提交了的数据。这样可以防止脏数据的发生,但结局不了不可重复读和虚读

 2、RRPEATABLE_READ  表示不可发生脏读和不可重复读, 虚读还是可能发生。

 3 、SERIALIZABLE  表示所有的情况都不允许发生


但是 其中等级设置的越高,效率也就越低了, 一般设置为READ_COMMITTED  


hibernate中的解决方案。

先设置hibernate.connection.isolation  的值为2   即:READ_COMMITTED

它就会使用JDBC中的COMMITTED隔离机制。但是这样还是解决不了non-repeadable ,解决的办法有两种,

第一种:悲观锁

 Hibernate的悲观锁,也是基于数据库的锁机制实现。 下面的代码实现了对查询记录的加锁:

<pre name="code" class="html"><span style="font-size:18px;">String hqlStr  =  " from TUser as user where user.name=’Erica’ ";
Query query =  session.createQuery(hqlStr);
query.setLockMode(" user " ,LockMode.UPGRADE);  // 加锁
List userList  =  query.list(); // 执行查询, </span>


 
获取数据 query.setLockMode 对查询语句中特定别名所对应的记录进行加锁(我们为 TUser类指定了一个别名“user”),这里也就是对返回的所有user记录进行加锁。 观察运行期Hibernate生成的SQL语句:

</pre><pre name="code" class="html"><span style="font-size:18px;">select tuser0_.id as id, tuser0_.name as name, tuser0_.group_id as group_id, tuser0_.user_type as user_type, tuser0_.sex as sex 
from t_user tuser0_ where (tuser0_.name= ’Erica’ ) for  update</span>
 这里Hibernate通过使用数据库的for update子句实现了悲观锁机制。

第二种:乐观锁

乐观锁,就没有用数据库的隔离机制了,而是用一个版本号记录每条记录当前的版本,如果一个事务开始,查询到数据的版本,和他最后提交时候的版本不一致,就会报异常,程序捕获到异常后做出相应的处理就可以了。可以选择重新再执行一遍,或其他一些操作。

具体实现方法为:

在POJO上面加上一个Version字段 ,就可以了。
    @Version
    private int version ;


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