基于redis的实现分布式锁

本文探讨了分布式锁的重要性及条件,包括互斥性、锁超时、阻塞非阻塞、可重入性和高可用性。重点介绍了基于Redis的分布式锁实现,包括使用SETNX命令确保互斥性,设置锁超时避免死锁,以及如何处理可重入性和高可用性问题。
摘要由CSDN通过智能技术生成

分布式锁以及基于redis的实现

什么是分布式锁

  • 为了防止分布式系统中的多个进程之间相互干扰,我们需要一种分布式协调技术来对这些进程进行调度。而这个分布式协调技术的核心就是来实现这个分布式锁。

分布式锁具备的条件

  • 互斥性(在分布式系统环境下,一个方法在同一时间只能被一个机器的一个线程执行)
  • 锁超时 (避免部分原因未释放锁导致的死锁)
  • 支持阻塞和非阻塞(没有获取到锁将直接返回获取锁失败或者持续等待)
  • 重入性(可理解为重新进入,由多于一个任务并发使用)
  • 高可用性 (保证在业务代码未执行完的情况下持有锁)

常见的分布式锁实现方式

基于数据库做分布式锁
  • 基于乐观锁

    基于表主键唯一做分布式锁
    思路:利用主键唯一的特性,如果有多个请求同时提交到数据库的话,数据库会保证只有一个操作可以成功,那么我们就可以认为操作成功的那个线程获得了该方法的锁,当方法执行完毕之后,想要释放锁的话,删除这条数据库记录即可。

基于表字段版本号做分布式锁
  • 基于悲观锁
    这个策略源于 mysql 的 mvcc 机制,使用这个策略其实本身没有什么问题,唯一的问题就是对数据表侵入较大,我们要为每个表设计一个版本号字段,然后写一条判断 sql 每次进行判断,增加了数据库操作的次数,在高并发的要求下,对数据库连接的开销也是无法忍受的。
基于数据库排他锁做分布式锁
  • 基于for update
    在查询语句后面增加for update,数据库会在查询过程中给数据库表增加排他锁 (注意: InnoDB 引擎在加锁的时候,只有通过索引进行检索的时候才会使用行级锁,否则会使用表级锁。这里我们希望使用行级锁,就要给要执行的方法字段名添加索引,值得注意的是,这个索引一定要创建成唯一索引,否则会出现多个重载方法之间无法同时被访问的问题。重载方法的话建议把参数类型也加上。)。当某条记录被加上排他锁之后,其他线程无法再在该行记录上增加排他锁。

基于 Redis 做分布式锁

setnx:
只在键 key 不存在的情况下, 将键 key 的值设置为 value 。

若键 key 已经存在, 则 SETNX 命令不做任何动作。

SETNX 是『SET if Not eXists』(如果不存在,则 SET)的简写。  

Redis命令参考=>SETNX key value

互斥性
  • 通过setnx 的特性将商品的id作为key,实现互斥性

public class ShopCartController {
   
    @Autowired
    private StringRedisTemplate stringRedisTemplate;
    //商品id
    protected static final String product = "12345678";

    @RequestMapping("/submitOrder")
    public String submitOrder() {
   
        //互斥性
        Boolean lock = stringRedisTemplate.opsForValue().setIfAbsent(product, "lan");
        if (!lock) {
   
            return "error";
        }
        //redis 中查询商品库存 stock = 50
        int stock = Integer.parseInt(stringRedisTemplate.opsForValue().get("stock"));
        if (stock > 0) {
   
            //下单
            stock = stock - 1;
            stringRedisTemplate.opsForValue().set("stock", stock + "");
            System.out.println("扣减成功,当前库存:" + stock);
        } else {
   
            System.out.println("扣减失败,库存不足");
        }
        stringRedisTemplate.delete(product);
        return "end";
    }
}
  • 保证持有锁的线程才能执行业务代码;未成功获取锁的线程直接返回error
  • 这种情况能够保证互斥性,但在业务代码中出现异常时将不会执行释放锁的操作,其他线程无法获取锁导致死锁;对于出现异常的情况自然而然的可以想到使用finally来保证释放锁操作的执行。

public class ShopCartController {
   
    @Autowired
    private StringRedisTemplate stringRedisTemplate;

    protected static final String product = "12345678";

    @RequestMapping("/submitOrder")
    public String submitOrder() {
   
        //互斥性
        Boolean lock = stringRedisTemplate.opsForValue().setIfAbsent(product, "lan");
        if (!lock) {
   
            return "error";
        }
        try{
   
            //redis 中查询商品库存 stock = 50
            int stock = Integer.parseInt(stringRedisTemplate.opsForValue().get("stock"));
            if (stock > 0) {
   
                // 下单
                stock = stock - 1;
                stringRedisTemplate.opsForValue().set("stock", stock + "");
                System.out.println("扣减成功,当前库存:" + stock);
            } else {
   
                System.out.println("扣减失败,库存不足");
            }
        }finally {
   
            stringRedisTemplate.delete(product)
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