开发指南—Sequence—概述

本文涉及的产品
云原生数据库 PolarDB 分布式版,标准版 2核8GB
简介: 本文将为您介绍Sequence的相关概念和支持的类型。

PolarDB-X全局唯一数字序列(64位数字,对应MySQL中Signed BIGINT类型,以下简称为Sequence)的主要目标是为了生成全局唯一和有序递增的数字序列,常用于主键列、唯一索引列等值的生成。

基本概念

了解以下概念,将帮助您更好地选用Sequence类型:

  • 连续:如果本次取值为n,下一次取值一定是n + 1,则是连续的;如果下一次取值不能保证为n + 1,则是非连续的;
  • 单调递增:如果本次取值为n,下一次取值一定是一个比n大的数,则是单调递增的;
  • 单点:存在单点故障风险;
  • 宏观上单调递增,微观上非单调递增:类似于1、3、2、4、5、7、6、8、......这样的序列,这个序列从宏观是看是递增的,微观上非单调递增。
  • 单元化能力:能够跨实例或跨库分配全局唯一数字序列。

用法

PolarDB-X中的Sequence主要有两类用法:

  • 显式Sequence:通过Sequence DDL语法创建和维护,可以独立使用;通过select seq.nextval获取序列值,seq 是具体Sequence的名字。
  • 隐式Sequence,在为主键定义AUTO_INCREMENT后,用于自动填充主键,由PolarDB-X自动维护。

支持的Sequence类型及其特性

PolarDB-X目前共支持如下4种Sequence类型:

类型(缩写) 全局唯一 连续 单调递增 同一连接内单调递增 非单点 数据类型 可读性 单元化能力
Group Sequence(GROUP) 所有整型
单元化 Group Sequence(GROUP) 所有整型
Time-based Sequence(TIME) 宏观上单调递增,微观上非单调递增 仅支持 BIGINT
Simple Sequence(SIMPLE) 所有整型

Group Sequence(GROUP,默认使用)

全局唯一的Sequence,产生的值是自然数序列,但是不保证连续和单调递增。如果未指定Sequence类型,PolarDB-X默认使用Group Sequence。

实现原理:采用多个节点产生值来保证高可用,每次取出一段值,如果该段值没有取完(比如连接断掉等情形),就会产生跳跃段。

  • 优点:全局唯一,不会产生单点问题,性能非常好。
  • 缺点:产生的序列不连续,可能会有跳跃段;不会严格从起始值开始取值;不能循环。

单元化 Group Sequence(GROUP)

以Group Sequence为基础,扩展了单元化能力,能够跨实例或跨库实现全局唯一,但同样不保证连续和单调自增。当单元化 Group Sequence仅配置一个单元时,等价于普通的Group Sequence。

  • 优点:具备Group Sequence的所有优点,且扩展了单元化能力。
  • 缺点:产生的序列不连续,可能会有跳跃段;不会严格从起始值开始取值;不能循环。

基本原理与Group Sequence相同;通过扩展参数选项,支持自定义单元数量和单元索引:

  • 单元数量决定了单元化 Group Sequence的全局唯一数字序列分配空间;
  • 每个单元(由单元索引指定)占用全局唯一数字序列分配空间中的一个子集;
  • 不同单元(指定了不同的单元索引)占用的子集之间不重叠(即不会分配相同的Sequence值);
  • 属于同一个全局唯一数字序列分配空间的每个单元化Group Sequence,必须指定相同的单元数量和不同的单元索引。


说明

单元化 Group Sequence从以下版本开始提供支持:

  • V5.2:V5.2.7-1606682(2018.4.27)
  • V5.3:V5.3.3-1670435(2018.8.15)

Time-based Sequence(TIME)

基于时间戳+节点编号+序列号组合而成的一种Sequence,保证全局唯一和宏观自增;这种Sequence值的更新不依赖于数据库,也不需要持久化到数据库,仅在数据库中保留名称和类型信息,性能很好;产生的是类似于776668092129345536、776668098018148352、776668111578333184、776668114812141568、......这样的序列值。

  • 优点:全局唯一、性能很好。
  • 缺点:产生的序列不连续,起始值、步长、最大值、是否循环这些参数对于Time-based Sequence无意义。


说明

  • 用于表中自增列时,必须使用BIGINT类型;
  • Time-based Sequence从以下版本开始提供支持:
  • V5.2:V5.2.8-15432885(2018.11.27)
  • V5.3:V5.3.6-15439241(2018.11.29)

Simple Sequence(SIMPLE)

仅Simple Sequence支持自定义步长、最大值和循环/非循环利用。

  • 优点:全局唯一、连续、单调递增,并具备最大值和循环利用等特性。
  • 缺点:单点,性能较差,存在瓶颈,需要谨慎使用。

每产生一个值都要进行一次持久化操作。

使用场景

这几种Sequence都保证全局唯一,均可以应用在主键列和唯一索引列。

  • 大部分场景下建议选用Group Sequence;
  • 如果有跨实例或跨库分配全局唯一数字序列的需求,可以选用单元化Group Sequence;
  • 如果业务上能接受整体趋势上的宏观自增,不介意微观上的不保证自增,且不想依赖数据库的分配机制,则Time-based Sequence可能是合适的选择;
  • 如果业务强依赖连续的Sequence值,此时只能使用Simple Sequence(注意Simple Sequence的性能问题)。

以创建一个起始值是100000,步长为1的Sequence为例说明。

  • 如果采用 Simple Sequence,则会严格产生100000、100001、100002、100003、100004、.....、200000、200001、200002、200003、......这样的序列(全局唯一、连续、单调递增)。Simple Sequence 会保证持久化,即使发生单点问题,服务重启后依然会在断点继续产生 Sequence 值,中间不会产生跳跃段。Simple Sequence 的机理是每产生一个值都要进行一次持久化操作,因此性能并不是很好。
  • 如果采用Group Sequence单元化 Group Sequence,产生的序列有可能是200001、200002、200003、200004、100001、100002、100003、......这样的序列。


说明

  • Group Sequence起始值并不会严格从设定的参数(本例中是100000)开始,但保证比该参数大。本例中是从200001开始取值的。
  • Group Sequence保证全局唯一,但是会有跳跃段。比如 roup Sequence的某个节点失效,或者某个连接只取了一部分值,然后该连接被关闭了,都会产生跳跃段。该例中200004和100001之间产生了跳跃段。
  • 单元化Group Sequence跨实例或跨库的全局唯一性,必须通过指定相同的单元数量和不同的单元索引来保证。
相关实践学习
快速体验PolarDB开源数据库
本实验环境已内置PostgreSQL数据库以及PolarDB开源数据库:PolarDB PostgreSQL版和PolarDB分布式版,支持一键拉起使用,方便各位开发者学习使用。
相关文章
|
SQL 关系型数据库 MySQL
开发指南—Sequence—概述
本文将为您介绍Sequence的相关概念和支持的类型。
134 0
|
关系型数据库 MySQL 数据库
开发指南—Sequence—使用限制
本文将介绍使用Sequence过程中的注意事项及问题处理的方法。
109 0
|
18天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
阿里云与企业共筑容器供应链安全
171341 14
|
21天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
随着云计算和DevOps的兴起,容器技术和自动化在软件开发中扮演着愈发重要的角色,但也带来了新的安全挑战。阿里云针对这些挑战,组织了一场关于云上安全的深度访谈,邀请了内部专家穆寰、匡大虎和黄竹刚,深入探讨了容器安全与软件供应链安全的关系,分析了当前的安全隐患及应对策略,并介绍了阿里云提供的安全解决方案,包括容器镜像服务ACR、容器服务ACK、网格服务ASM等,旨在帮助企业构建涵盖整个软件开发生命周期的安全防护体系。通过加强基础设施安全性、技术创新以及倡导协同安全理念,阿里云致力于与客户共同建设更加安全可靠的软件供应链环境。
150298 32
|
29天前
|
弹性计算 人工智能 安全
对话 | ECS如何构筑企业上云的第一道安全防线
随着中小企业加速上云,数据泄露、网络攻击等安全威胁日益严重。阿里云推出深度访谈栏目,汇聚产品技术专家,探讨云上安全问题及应对策略。首期节目聚焦ECS安全性,提出三道防线:数据安全、网络安全和身份认证与权限管理,确保用户在云端的数据主权和业务稳定。此外,阿里云还推出了“ECS 99套餐”,以高性价比提供全面的安全保障,帮助中小企业安全上云。
201973 15
对话 | ECS如何构筑企业上云的第一道安全防线
|
6天前
|
机器学习/深度学习 自然语言处理 PyTorch
深入剖析Transformer架构中的多头注意力机制
多头注意力机制(Multi-Head Attention)是Transformer模型中的核心组件,通过并行运行多个独立的注意力机制,捕捉输入序列中不同子空间的语义关联。每个“头”独立处理Query、Key和Value矩阵,经过缩放点积注意力运算后,所有头的输出被拼接并通过线性层融合,最终生成更全面的表示。多头注意力不仅增强了模型对复杂依赖关系的理解,还在自然语言处理任务如机器翻译和阅读理解中表现出色。通过多头自注意力机制,模型在同一序列内部进行多角度的注意力计算,进一步提升了表达能力和泛化性能。
|
11天前
|
存储 人工智能 安全
对话|无影如何助力企业构建办公安全防护体系
阿里云无影助力企业构建办公安全防护体系
1257 11
|
13天前
|
机器学习/深度学习 自然语言处理 搜索推荐
自注意力机制全解析:从原理到计算细节,一文尽览!
自注意力机制(Self-Attention)最早可追溯至20世纪70年代的神经网络研究,但直到2017年Google Brain团队提出Transformer架构后才广泛应用于深度学习。它通过计算序列内部元素间的相关性,捕捉复杂依赖关系,并支持并行化训练,显著提升了处理长文本和序列数据的能力。相比传统的RNN、LSTM和GRU,自注意力机制在自然语言处理(NLP)、计算机视觉、语音识别及推荐系统等领域展现出卓越性能。其核心步骤包括生成查询(Q)、键(K)和值(V)向量,计算缩放点积注意力得分,应用Softmax归一化,以及加权求和生成输出。自注意力机制提高了模型的表达能力,带来了更精准的服务。
|
11天前
|
人工智能 自然语言处理 程序员
通义灵码2.0全新升级,AI程序员全面开放使用
通义灵码2.0来了,成为全球首个同时上线JetBrains和VSCode的AI 程序员产品!立即下载更新最新插件使用。
1449 25
|
11天前
|
消息中间件 人工智能 运维
1月更文特别场——寻找用云高手,分享云&AI实践
我们寻找你,用云高手,欢迎分享你的真知灼见!
869 42
1月更文特别场——寻找用云高手,分享云&AI实践