MySQL数据库架构学习笔记(二)

一、大表带来的问题


1.1 什么样的表可以称之为大表

  1. 一个表的数据量超过千万行的时候就会对数据库性能造成影响
  2. 数据库文件巨大,表数据文件超过10G

1.2 大表会对查询造成影响

  1. 什么样的表可以称之为大表
    (1) 一个表的数据量超过千万行的时候就会对数据库性能造成影响
    (2) 数据库文件巨大,表数据文件超过10G
  2. 大表会对查询造成影响
    (1) 慢查询:很难再一定时间内过滤出所需要的数据
  3. 大表对DDL(数据定义)操作的影响
    (1) 建立索引需要很长时间,会产生的风险:

MySQL版本<5.5建立索引会锁表

MySQL版本>=5.5虽然不会锁表但会引起主从延迟

(2) 修改表结构需要长时间锁表,造成长时间的主从延迟,影响正常数据操作
4. 如何处理数据库中的大表
(1) 分库分表。难点:分表主键的选择、分表后跨分区数据的查询和统计
(2) 大表的历史数据归档,减少对前后端业务的影响。难点:归档时间点的选择、如何进行归档操作

二、大事务带来的影响


2.1 什么是事务

在这里插入图片描述

  1. 事务是数据库系统区别于其他一切文件系统的重要特性之一
  2. 事务是一组具有原子性的SQL语句,或是一个独立的工作单元

2.2 事务的四个性质

  1. 事务的原子性(ATOMICITY)
    定义:一个事务必须被视为一个不可分割的最小工作单元,整个事务中的所有操作要么全部提交成功,要么全部失败,对于一个事务来说,不可能只执行其中一部分的操作。
  2. 事务的一致性(CONSISTENCY)
    定义:一致性是指事务将数据库从一种一致性状态转换到另外一种一致性状态,在事务开始之前和事务结束之后数据库中数据的完整性没有被破坏。
  3. 事务的隔离性(ISOLATION)
    定义:要求一个事务对数据库数据的修改,在未提交完场前对于其他事务是不可见的。
    四种隔离性:(隔离性由高到低,并发性由低到高)未提交读、已提交读(不可重复读)、重复读、可串行化
  4. 事物的持久性(DURABILITY)
    定义:一旦事务提交,则其所做的修改就会永久保存到数据库中。此时即使系统崩溃,已提交的修改数据也不会丢失

2.3 什么是大事务

定义:运行时间比较长,操作的数据比较多的事务
风险:锁定太多的数据,造成大量的阻塞和锁超时。回滚所需要的时间比较长。容易造成主从延迟。


如何处理大事务?
(1) 避免一次处理太多数据
(2) 移除不必要在事务中的select操作

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