分布式数据库|学习笔记

简介: 快速学习分布式数据库

开发者学堂课程【Java面试疑难点串讲2:分布式数据库】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


分布式数据库

严格来讲没有明确的所谓的分布式数据库的概念

有的只是业务中心的概念,既然牵扯到了业务中心,那么就需要对于整个的项目之中的RPC技术的规划。

如果按照传统的开发项目,肯定是要针对于一个数据库实现的开发。

image.png

种操作的最大特征在于:需要进行在一个服务器上实现所有的功能。

如果说现在项目之中假设有十个业务,现在可能有九个业务都是非常不繁忙,三天才有一次操作。

而另外一个业务非常的繁忙。如果说现在有十个业务,这十个业务都非常繁忙,最终的情况就是整体的服务质量就会下降,那么就必须将这些业务的操作单独抽取出来,进行业务中心的搭建。

image.png

在使用RPC技术处理的时候就可以将业务端分离出来,而后通过WEB端实现业务的整合处理操作。

但是这个时候又会出现了问题:你所有的业务可能均分到了十台主机,和十台服务器上。

那么这个时候只有一个WBE端,那么自然无法满足于当前的需求,所以在这样的状态下为了保证WEB端服务正常,就需要使用WBE集群。

image.png

但是在这样的设计下有可能依然无法满足于你大规模的业务访问。那么这个时候就需要继续考虑某一个业务的集群访问。

image.png

但是这样一来依然会出现一个严重的问题,多个数据库之中应该进行数据的同步处理,也有可能某个数据库特别忙碌需要将某一个数据库进行继续拆分。

image.png

如果现在某一个数据库的访问量依然很大,这样的话就必须去考虑对数据库做水平的分库处理机制,让多台数据库去实现同一类业务数据的存储操作。.

同时如果现在有一些非常访问频率很高的数据出现,也肯定不可能去使用SQL数据库,应该去使用缓存数据库来实现,而缓存的数据库之中依然有可能继续进行集群的搭建处理。

这样的架构只适合于进行传统的存在有逻辑关系数据库的存储操作,而如果要是进行一些数据采集处理,那么肯定无法使用此类的设计,还应该继续构建大数据分析系统,而后继续去引用消息组件

相关文章
|
19小时前
|
云安全 数据采集 人工智能
古茗联名引爆全网,阿里云三层防护助力对抗黑产
阿里云三层校验+风险识别,为古茗每一杯奶茶保驾护航!
古茗联名引爆全网,阿里云三层防护助力对抗黑产
|
4天前
|
Kubernetes 算法 Go
Kubeflow-Katib-架构学习指南
本指南带你深入 Kubeflow 核心组件 Katib,一个 Kubernetes 原生的自动化机器学习系统。从架构解析、代码结构到技能清单与学习路径,助你由浅入深掌握超参数调优与神经架构搜索,实现从使用到贡献的进阶之旅。
267 139
|
4天前
|
人工智能 中间件 API
AutoGen for .NET - 架构学习指南
《AutoGen for .NET 架构学习指南》系统解析微软多智能体框架,涵盖新旧双架构、核心设计、技术栈与实战路径,助你从入门到精通,构建分布式AI协同系统。
282 142
|
16天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
11天前
|
缓存 并行计算 PyTorch
144_推理时延优化:Profiling与瓶颈分析 - 使用PyTorch Profiler诊断推理延迟,优化矩阵运算的独特瓶颈
在2025年的大模型时代,推理时延优化已经成为部署LLM服务的关键挑战之一。随着模型规模的不断扩大(从数亿参数到数千亿甚至万亿参数),即使在最先进的硬件上,推理延迟也常常成为用户体验和系统吞吐量的主要瓶颈。
356 147
|
4天前
|
人工智能 移动开发 自然语言处理
阿里云百炼产品月刊【2025年9月】
本月通义千问模型大升级,新增多模态、语音、视频生成等高性能模型,支持图文理解、端到端视频生成。官网改版上线全新体验中心,推出高代码应用与智能体多模态知识融合,RAG能力增强,助力企业高效部署AI应用。
273 1
|
11天前
|
机器学习/深度学习 存储 缓存
92_自我反思提示:输出迭代优化
在大型语言模型(LLM)应用日益普及的今天,如何持续提升模型输出质量成为了业界关注的核心问题。传统的提示工程方法往往依赖一次性输入输出,难以应对复杂任务中的多轮优化需求。2025年,自我反思提示技术(Self-Reflection Prompting)作为提示工程的前沿方向,正在改变我们与LLM交互的方式。这项技术通过模拟人类的自我反思认知过程,让模型能够对自身输出进行评估、反馈和优化,从而实现输出质量的持续提升。
414 136
|
14天前
|
存储 人工智能 搜索推荐
终身学习型智能体
当前人工智能前沿研究的一个重要方向:构建能够自主学习、调用工具、积累经验的小型智能体(Agent)。 我们可以称这种系统为“终身学习型智能体”或“自适应认知代理”。它的设计理念就是: 不靠庞大的内置知识取胜,而是依靠高效的推理能力 + 动态获取知识的能力 + 经验积累机制。
409 135
|
14天前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
本文讲解 Prompt 基本概念与 10 个优化技巧,结合学术分析 AI 应用的需求分析、设计方案,介绍 Spring AI 中 ChatClient 及 Advisors 的使用。
538 133
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话