【Hibernate框架开发之九】Hibernate 性能优化笔记!(遍历、一级/二级/查询/缓存/乐观悲观锁等优化算法)

简介:

1.   循环分页或者循环进行部分读取处理数据的时候,使用 session.clear() ;

 

2.    对应1+N(N+1)问题使用如下解决方式:

1): 使用createCriteria进行查询(join fetch)

2):HQL -> join fetch

3): 使用@fetch设置LAZY

4):在@Entity下使用注解@BatchSize(size=5)

@BatchSize  指定每次 读 取数据的数量

 

3. List 与 iterate 进行遍历取出数据库数据的list();

区别1)List 直接取出对象       iterate先会取出组件,需要使用才会使用

 

区别2)同一个session中每次执行list()取出数据时都会发送SQL语句,但是iterate只会发出一条,默认会去session缓存去找;

 

4. 缓存,session级别的缓存称为一级缓存,每个session都有独立的一级缓存,例如多个线程同时取同一个对象数据;

解决方案:建立一个共用的总缓存(总缓存)二级缓存,如果找不到然后再到各自的session一级混村中寻找;具体操作如下:首先看缓存策略,

type : 其中memory支持缓存内存中,disk支持缓存存放硬盘中;

Cluster Safe :是否支持使用在集群环境;

Query Cache Supported:是否支持查询缓存(3级缓存)

假设使用EhCacheProvider二级缓存:

1)修改hibernate.cfg.xml配置文件:

?
1
2
< property  name = "cache.use_second_level_cache" >true</ property >
< property  name = "cache.provider_class" >org.hibernate.cache.EhCacheProvider</ property >

2) 在/hibernate-distribution-3.3.2.GA/project/etc/ehcache.xml 配置文件拷贝到项目中;

在ehcache.xml中默认如下设置:

?
1
  < diskStore  path = "java.io.tmpdir" />
?
1
2
3
4
5
6
7
< defaultCache
    maxElementsInMemory = "10000"
    eternal = "false"
    timeToIdleSeconds = "120"
    timeToLiveSeconds = "1200"
    overflowToDisk = "true"
    />

maxElementsInMemory:在内存中最多缓存的对象数量

eternal: 缓存内存对象是否永久保存不删除

timeToIdleSeconds:  当timeToIdleSeconds 周期时间没有被使用过,自动清除掉;(秒)

timeToLiveSeconds: 缓存对象的生存时间(秒)后自动清楚;

overflowToDisk:溢出的时候是否放置在硬盘上

diskStore  path:默认临时存放硬盘缓存的路径

注意:<cache name="sampleCache1"    /> 可以自定义cache名,不自定义不指定默认是用 <defauleCache   ..... />

3)将类使用二级缓存,直接在@Entity下使用注解    @Cache  其设置如下:

常用的READ_ONLY (只读), READ_WRITE(读写)

其中@Cache(region="") 使用自定义ehcache.xml的自定义缓存策略设置 ~

4)加入ehcache的jar包,路径如下:/hibernate-distribution-3.3.2.GA/lib/optional/ehcache/ehcache.jar

加入 commons-logging.jar包

             1.    放入二级缓存如下规则:

                   a)   经常访问  b) 不经常改动(改动不大) c) 数据不是很大 例如用户权限;

2.     load 默认使用二级缓存,iterate 默认使用二级缓存

3. list 默认往二级缓存加数据,list查询的使用不使用缓存

4. 如果要 query 查询语句使用二级缓存,需要打开查询缓存(同样的重复的查询!)

1) hibernate.cfg.xml配置文件加入配置:

<property name="cache.use_query_cache">true</property>

2) 使用Query的setCachable(true) 方法指明使用二级缓存 ;

 

5.    缓存算法:LRU 、 LFU 、 FIFO

LRU: 最近最少被使用的; (时间)

LFU: 使用率比较少的;(次数)

FIFO:按照数据从0开始拿走(堆栈)

设置方法:在ehcache.xml继续设置一个参数: memoryStoreEvictionPolicy="LRU"

 

6. 事务隔离机制(为了避免事务并发出现的问题)

1. read-uncommitted : 能读取没有提交的数据; 【会出现脏读等问题,一般不设置此种】

2. read-committed :  只有提交后才读;Hibernate建议使用!【能解决脏读但会出现不可重复读和幻读问题(手动解决)】

3. repeatable read :      加锁;(MySQL默认使用 repeatable read 

4. serializable :   序列化,解决任何问题,但是效率最低;

MySQL 支持这四种事务隔离机制; 事务隔离级别越高效率越慢~

使用 select @@tx_isolation;  查询事务隔离机制;

     设置隔离机制: set session tx_isolation='xxx';  

 

Hibernate解决并发事务方案:使用Hibernate悲观锁和乐观锁进行设置;

1)事务机制的值为1,2,4,8 (ps. 二进制为0001 ,0010,0100,1000 这样算法效率高)

1.a)使用悲观锁:(依赖于数据库的锁 解决 repeatable read问题)

在读取load数据的时候,加入第三个参数::

session.load(xxx.class, 1,LockMode.xxx);

LockMode的值如下:

一般只设置LockMode.UPGRADE

原因:

NONE: 无锁的机制,Transaction结束时切换到此模式;

READ :在查询的时候 hibernate会自动获取锁;

write ,insert, update hibernate 会自动获取锁;

以上 3种锁的模式是hibernate内部使用的;

UPGRADE—NOWAIT ->是oracle数据库 支持的锁;

 

     1.b)使用乐观锁:(程序内使用字段version进行加锁,与数据库没有关系)

可以定义一个version属性,然后在getVersion上使用注解 @Version

注意:当并发的时候会报错,那么找个错误交给我们自己来处理;  

       悲观与乐观:悲观一开始就进行加锁,不论是否有其他事务来同时并发;但是乐观锁则不进行直接加锁,而是等待更新时候进行检查对比下,如果与去之前version不一致那么更新下即可;乐观锁效率高;





本文转自 xiaominghimi 51CTO博客,原文链接:http://blog.51cto.com/xiaominghimi/969788,如需转载请自行联系原作者
目录
相关文章
|
25天前
|
算法 数据可视化 安全
基于DWA优化算法的机器人路径规划matlab仿真
本项目基于DWA优化算法实现机器人路径规划的MATLAB仿真,适用于动态环境下的自主导航。使用MATLAB2022A版本运行,展示路径规划和预测结果。核心代码通过散点图和轨迹图可视化路径点及预测路径。DWA算法通过定义速度空间、采样候选动作并评估其优劣(目标方向性、障碍物距离、速度一致性),实时调整机器人运动参数,确保安全避障并接近目标。
129 68
|
2月前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
196 80
|
1月前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
1月前
|
机器学习/深度学习 人工智能 算法
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
204 13
机器学习算法的优化与改进:提升模型性能的策略与方法
|
1月前
|
移动开发 算法 计算机视觉
基于分块贝叶斯非局部均值优化(OBNLM)的图像去噪算法matlab仿真
本项目基于分块贝叶斯非局部均值优化(OBNLM)算法实现图像去噪,使用MATLAB2022A进行仿真。通过调整块大小和窗口大小等参数,研究其对去噪效果的影响。OBNLM结合了经典NLM算法与贝叶斯统计理论,利用块匹配和概率模型优化相似块的加权融合,提高去噪效率和保真度。实验展示了不同参数设置下的去噪结果,验证了算法的有效性。
|
1月前
|
算法 决策智能
基于SA模拟退火优化算法的TSP问题求解matlab仿真,并对比ACO蚁群优化算法
本项目基于MATLAB2022A,使用模拟退火(SA)和蚁群优化(ACO)算法求解旅行商问题(TSP),对比两者的仿真时间、收敛曲线及最短路径长度。SA源于金属退火过程,允许暂时接受较差解以跳出局部最优;ACO模仿蚂蚁信息素机制,通过正反馈发现最优路径。结果显示SA全局探索能力强,ACO在路径优化类问题中表现优异。
|
1月前
|
存储 算法 测试技术
【C++数据结构——树】二叉树的遍历算法(头歌教学实验平台习题) 【合集】
本任务旨在实现二叉树的遍历,包括先序、中序、后序和层次遍历。首先介绍了二叉树的基本概念与结构定义,并通过C++代码示例展示了如何定义二叉树节点及构建二叉树。接着详细讲解了四种遍历方法的递归实现逻辑,以及层次遍历中队列的应用。最后提供了测试用例和预期输出,确保代码正确性。通过这些内容,帮助读者理解并掌握二叉树遍历的核心思想与实现技巧。
47 2
|
2月前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
|
2月前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。
|
2月前
|
机器学习/深度学习 算法 索引
单目标问题的烟花优化算法求解matlab仿真,对比PSO和GA
本项目使用FW烟花优化算法求解单目标问题,并在MATLAB2022A中实现仿真,对比PSO和GA的性能。核心代码展示了适应度计算、火花生成及位置约束等关键步骤。最终通过收敛曲线对比三种算法的优化效果。烟花优化算法模拟烟花爆炸过程,探索搜索空间,寻找全局最优解,适用于复杂非线性问题。PSO和GA则分别适合快速收敛和大解空间的问题。参数调整和算法特性分析显示了各自的优势与局限。
146 11