锁的类型-

简介: 锁的类型-

  所谓封锁,就是一个事务可向系统提出请求,对被操作的数据加锁(Lock)。其他事务必须等到此事务解锁(Unlock)之后才能访问该数据。从而,在多个用于并发访问数据库时,确保不互相干扰,可锁定的单位是:行、页、表、盘区和数据库。

锁的类型

   1.共享(S)锁:用于读操作

       多个事务可封锁一个共享单位的数据

       任何事务不能修改加S锁的数据

       通常是加S锁的数据被读取完毕,S锁立即被释放

     2.独占(X)锁:用手写操作

        仅允许一个事务封锁此共享数据

        其他任何事务必须等到X锁被释放才能对该室上速句进行访问

        X锁一直到事务结束才能被释放

      3.更新(U)锁

        用来预定要对此页施加X锁,它允许其他事务读,但不允许再施加U锁或X锁

死锁

所谓死锁是指两个或两个以上的进程在执行过程中,因争夺资源而造成的一种互相等待的现象,若无外力作用,它们都将无法推进下去,此时称系统处于死锁状态或系统产生了死锁,这些永远在互相等待的进程称为死锁进程

  由于资源占用是互斥的,当某个进程提出申请资源后,使得有关进程在无外力协助下,永远分配不到必须得资源而无法继续进行,这就产生了一种特殊现象死锁

一种情形,此时执行 程序中两个或多个线程发色会给你永久堵塞(等待),每个线程都在等待被其他线程占用并堵塞了的资源。例如,如果线程A锁住了记录1并等待记录2,而线程B锁住了记录2等待记录1,这样两个线程就发生了死锁现象。

必要条件

  1. 互斥条件:一个资源每次只能被一个进程使用
  2. 请求与保持条件:一个进程因请求资源而阻塞时,对已获得的资源保持不放
  3. 不剥夺条件:进程已获得的资源,在未使用完之前,不能强行剥夺
  4. 循环等待条件:若干进程之间形成一种头尾相接的循环等待资源关系

这四个条件是死锁的必要条件,质押系统发生死锁,这些条件必然成立,而只要上述之一不满足,就不会发生死锁。

死锁的解除和预防

   按统一顺序访问对象

   避免事务中的用户交互

   保持事务简短并在一个批处理中

   使用低隔离级别

   使用绑定

死锁的建议

  1. 对于频繁使用的表使用集簇化的索引
  2. 设法避免一次性影响大量记录的T-SQL语句,特点INSERT和UPSAE语句
  3. 设法让UPDATE 和DELETE语句使用索引
  4. 使用嵌套事务时,避免提交和回退冲突
  5. 对一些数据不需要及时读取更新值的表在SQL的时候在表后台加上(nolock),如:Select * from tableA(nolock)


目录
相关文章
|
人工智能 自然语言处理 数据挖掘
免费获得AI的力量:探索顶级AI工具的免费替代品
免费获得AI的力量:探索顶级AI工具的免费替代品
638 0
免费获得AI的力量:探索顶级AI工具的免费替代品
|
缓存 JavaScript 前端开发
服务器反应慢如何解决?
通常来说,访问者会在最初的几秒钟内决定是留在您的网站还是离开。如果页面加载时间超过五秒,访问者离开的可能性就会增加 90%。所以,作为站长们,必须减少服务器响应时间,以确保其网站加载速度更快。以下是减少网站服务器响应时间的几种简单方式。
554 19
|
机器学习/深度学习 数据采集 监控
Scikit-learn机器学习
【5月更文挑战第3天】Scikit-learn是一个基于NumPy、SciPy和Matplotlib的Python机器学习库,提供数据预处理到模型评估的全套工具。支持监督学习、无监督学习和降维等任务。要安装Scikit-learn,运行`pip install scikit-learn`。流程包括:数据准备(如加载鸢尾花数据集并划分训练测试集)、选择模型(如SVM分类器)、模型训练、模型评估(计算准确度)、特征工程和数据预处理(如特征缩放)、超参数调优(如Grid Search CV)、模型可视化(如混淆矩阵)和部署。
|
移动开发 前端开发 数据处理
探索前端性能优化的新思路:使用Web Workers提升网页响应速度
传统的前端性能优化方法已经不能完全满足日益增长的网页需求。本文提出了一种新的思路,即利用Web Workers技术来提升网页的响应速度。通过将耗时的计算任务交给Web Workers处理,可以避免主线程阻塞,从而提高网页的用户体验。本文将介绍Web Workers的基本原理、使用方法以及在前端性能优化中的应用实例,帮助开发者更好地理解和运用这一技术。
|
机器学习/深度学习 算法
大模型开发:描述集成学习以及它如何工作。
【4月更文挑战第24天】集成学习通过结合多个模型预测提升整体性能,减少偏差和方差。主要分为Bagging和Boosting两类。Bagging中,模型并行在数据子集上训练,如随机森林,通过投票或平均聚合预测。Boosting则顺序训练模型,聚焦纠正前一个模型的错误,如AdaBoost,加权组合所有模型预测。Stacking则是用基础模型的输出训练新模型。关键在于模型多样性以捕捉数据不同模式。集成学习广泛应用于分类、回归等任务,能提高泛化能力,降低过拟合风险。
308 3
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】什么是贝叶斯网络?
【5月更文挑战第10天】【机器学习】什么是贝叶斯网络?
|
弹性计算 Java 关系型数据库
阿里云的e实例评测
阿里云的e实例是一款针对个人开发者、学生、小微企业的入门级云服务器,旨在满足中小型网站建设、开发测试、轻量级应用等场景的需求。
583 5
|
机器学习/深度学习 人工智能 自然语言处理
【EMNLP 2023】基于知识迁移的跨语言机器阅读理解算法
近日,阿里云人工智能平台PAI与华南理工大学朱金辉教授团队、达摩院自然语言处理团队合作在自然语言处理顶级会议EMNLP2023上发表基于机器翻译增加的跨语言机器阅读理解算法X-STA。通过利用一个注意力机制的教师来将源语言的答案转移到目标语言的答案输出空间,从而进行深度级别的辅助以增强跨语言传输能力。同时,提出了一种改进的交叉注意力块,称为梯度解缠知识共享技术。此外,通过多个层次学习语义对齐,并利用教师指导来校准模型输出,增强跨语言传输性能。实验结果显示,我们的方法在三个多语言MRC数据集上表现出色,优于现有的最先进方法。
|
安全 Linux 程序员
使用阿里云服务器部署Code-server
本人是iPad党,实在不想感受游戏本的重量,但是又要用到C++,Go语言开发,于是想起了GitHub上Code-server的项目,正巧有个服务器,所以就开始干了!
|
算法 Scala 数据库
4. 分库分表之后, id 主键如何处理?
4. 分库分表之后, id 主键如何处理?
311 0
4. 分库分表之后, id 主键如何处理?