Mysql架构和历史

1. Mysql服务器逻辑架构图

在这里插入图片描述
(1)每个客户端和mysql的单独连接都会拥有一个独立的线程
(2)每个sql的查询都会先进行查询缓存 如果缓存命中会直接返回sql语句的结果
(3)解析器包含对sql函数的解析 已经mysql大部分功能的实现 比如触发器 存储过程
(4)优化器负责对sql语句的优化 比如sql如果没有遵循左原则 经过优化可以使用到联合索引的语句 还有表的读取顺序等等的优化

2. mysql的并发控制

(1)为什么需要并发控制
为什么需要并发控制,举个很现实的例子,现数据库中有一张A表,路人甲在读取A表中的一条数据,路人乙恰巧在同一个时刻在对这条数据进行更改(最坏的场景就是删除了),那么这个时候,路人甲那边可能会报错退出,或者是读取不到真实的数据。那么解决这类问题最好的途径就是并发控制了,下面讲一下如何实现并发控制。
(2)并发控制的实现
2.1 读写锁
在处理并发控制时其实很简单,可以通过实现一个由两种类型的锁组成的锁系统来解决问题,这个两种类型的锁通常被称为共享锁和排他锁,也叫读锁和写锁。
读锁是共享的,或者说是相互不阻塞的,多个客户在同一个时刻可以同时读取同一个资源,而互不干扰。写锁则是排他的,也就是说一个写锁会阻塞其他的写锁和读锁,这是出去安全策略的考虑,只有这样,才能确保在同一时刻中,只有一个用户在写入,并防止其他用户读取正在写入的同一资源
2.2 锁粒度
一种提高共享资源并发性的方式就是让锁定对象更有选择性,尽量只锁定需要修改的部分数据,而不是所有资源,问题是加锁也需要消耗资源,锁的各种操作,包括获得锁,检查锁是否已解除、释放等,都会增加系统的开销,如果系统会费大量的时间来管理锁,而不是存取数据,那么系统的性能就会因此受到影响。

此时所策略应运而生,所谓锁策略,就是在锁的开销和数据的安全性之间寻求平衡,这种平衡当然也会影响性能,大多数商业数据库系统没有提供更多的选择,一般都是行级锁,并以更加复杂的方式来实现,以便在锁比较多的情况下尽可能地提供更好的性能。

而MySQL确提供了更好的选择,每种MySQL的存储引擎都可以实现自己的锁策略和锁粒度。下面介绍下MySQL中比较重要的两种锁策略。
2.3 MySQL比较重要的两种锁策略

(表锁)
表锁是MySQL中最基本的锁策略,并且是开销最小的策略。它会锁定整张表,一个用户在进行写操作前,会获得写锁,这会阻塞其他用户对该表的所有读写操作。
另外,写锁是比读锁更有优先级的,也就是在锁队列中,写锁可以插入到读锁前面,反之读锁是不能插入到写锁前面的。
( 行级锁)
行级锁可以最大程度地支持并发管理,同时也带来了最大的开销。在我们常用的InnoDB和XtraDB中,实现了行级锁。即只会锁定一行的数据,同样,写锁是比读锁更有优先级。

3. 事务

四大特性

原子性 一个事务是不可分割的最小执行单元 要么成功 要么失败
一致性 数据库总是从一个一致性的状态改变成另外一个一致性的状态
隔离性 多个事务之间不会互相影响
持久性 一旦事务提交成功 数据永远保存在数据库中

隔离级别

读未提交
读已提交 解决脏读
可重复读 解决脏读 不可重复读 (mysql默认事务隔离级别)
串行化 解决脏读 不可重复读 幻读

4. 死锁

两个事务同时对事务加锁 这个时候A事务需要拿到B事务的锁 B事务需要拿到A事务的锁 就会造成死锁

5. 事务日志

事务日志可以提高事务的效率 这个时候执行事务的时候只需要修改数据的内存
然后同步到事务日志 因为事务日志是顺序的IO 性能会好于 直接修改数据的随机IO
等到事务结束以后 再把事务日志 同步到磁盘数据更改

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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