乐观锁与悲观锁|学习笔记

简介: 快速学习乐观锁与悲观锁

开发者学堂课程【Java面试疑难点串讲2:乐观锁与悲观锁】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/25


乐观锁与悲观锁

悲观锁本质上是数据库自身所具备的一种处理机制,在数据库的事务里面有一个隔离性的概念,其主要特征是当一个session操作某条数据的时候,其他的session无法操作(见oracle数据库的事务课程),这是一种锁的实现,是数据库自带的功能。

之前都是针对更新的操作使用的锁,如果在做查询时也使用锁,就需加上FOR UPDATE:

语句:SELECT*FROM 表名称FOR UPDATE;

表示使用悲观锁,在事务提交或回滚之前该数据都不允许更新。

乐观锁是不使用数据库锁的处理(不推荐),需在使用的数据表追加一个字段,而这个字段用于做一个版本号。例如,正常情况下用户表可能只有mid、password,但若使用了悲观锁则还需追加有一个字段的列,这个列标识版本号:

image.png

现假设有一条数据:LNSERTINTO member(mid,name,ver)VALUES(‘mldn’,‘hello’,0);

现假设有两个session要进行该数据的读取,由于没有使用悲观锁,所以两个session均可对该数据进行修改,第一个session修改之后将版本号做了“+1”处理,变为1,而后一个·session更新时发现版本号不对,则不允许更新。

乐观锁是基于算法的一种实现,实际操作麻烦,虽在Hibernate设计框架中有此概念,但从开发角度看,建议交由数据库自行处理(使用悲观锁)。

相关文章
|
8天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
291 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
300 155
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
233 113
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
803 6