跳至主要内容

InnoDB 的 间隙锁(Gap Lock)

 


InnoDB 的 间隙锁(Gap Lock) 是 MySQL 在 可重复读(Repeatable Read) 隔离级别下为了解决幻读(Phantom Read)问题而引入的一种锁机制。它锁定的是索引记录之间的“间隙”,而不是数据记录本身,目的是防止其他事务在锁定的间隙范围内插入新的数据。

  1. 什么是间隙(Gap)
    假设表中存在索引值为 1, 3, 5 的记录,那么可能的间隙包括:

    • (-∞, 1)

    • (1, 3)

    • (3, 5)

    • (5, +∞)
      间隙锁会锁定这些区间,阻止其他事务在区间内插入新数据。

  2. 间隙锁的作用

    • 解决幻读问题:防止其他事务插入符合当前事务查询条件的新数据。

    • 保证范围查询的一致性:例如 SELECT ... WHERE id BETWEEN 10 AND 20,间隙锁会锁定 10 到 20 之间的所有间隙,即使某些值当前不存在。

  3. 与临键锁(Next-Key Lock)的关系

    • 临键锁 = 行锁(Record Lock) + 间隙锁(Gap Lock),例如锁定区间 (3, 5](包含现有记录 5 和其之前的间隙)。

    • InnoDB 默认使用临键锁来实现可重复读隔离级别。


触发场景

  1. 范围查询

    sql
    复制
    SELECT * FROM table WHERE id > 10 AND id < 20 FOR UPDATE;

    会锁定 (10, 20) 之间的所有间隙,阻止插入 11 到 19 的新数据。

  2. 唯一索引的非唯一查询
    即使使用唯一索引,若查询条件是非唯一值(如 WHERE col = 100,但 col 允许重复),也可能触发间隙锁。

  3. 未命中记录的查询

    sql
    复制
    SELECT * FROM table WHERE id = 15 FOR UPDATE;

    如果表中没有 id=15 的记录,会锁定 (10, 20) 的间隙(假设相邻记录为 10 和 20)。


间隙锁的特性

  1. 仅针对可重复读隔离级别
    在 读已提交(Read Committed) 级别下,InnoDB 会禁用间隙锁。

  2. 基于索引
    间隙锁依赖索引,如果查询未使用索引,InnoDB 会退化为锁全表(表锁或所有间隙)。

  3. 共享锁与排他锁

    • 共享间隙锁(S Gap Lock):允许其他事务读间隙,但禁止插入。

    • 排他间隙锁(X Gap Lock):禁止其他事务读或插入。


示例与影响

场景:事务 A 和事务 B 的冲突

  1. 事务 A 执行:

    sql
    复制
    SELECT * FROM users WHERE age BETWEEN 20 AND 30 FOR UPDATE;

    锁定 (20, 30) 之间的间隙。

  2. 事务 B 尝试插入:

    sql
    复制
    INSERT INTO users (age) VALUES (25); -- 被阻塞

    事务 B 必须等待事务 A 释放间隙锁。


注意事项

  1. 死锁风险
    间隙锁可能导致死锁。例如:

    • 事务 A 锁定 (10, 20),尝试插入 15

    • 事务 B 锁定 (5, 15),尝试插入 12
      两者互相等待对方释放间隙锁,导致死锁。

  2. 性能影响
    过大的间隙锁范围会降低并发性能,需合理设计索引和查询条件。

  3. 禁用间隙锁
    可通过将隔离级别降为 读已提交,或设置 innodb_locks_unsafe_for_binlog=1(不推荐,破坏一致性)

此博客中的热门博文

Elasticsearch 读写原理指南

### 1. 什么是 segment,里面装了什么? 在 Lucene(也是 Elasticsearch)里,索引被切分成若干 **segment(段)**,每个 segment 是一个完整的、只读的倒排索引单元。一个 segment 包含: * **倒排词典** —— 用 **FST(Finite‑State Transducer)** 以高度压缩的形式保存每个字段出现的所有 term 以及 term→ord 的映射。对应的磁盘文件是 `*.tim`(新版)或 `*.tis/*.tii`(旧版)。 * **倒排列表(postings)** —— 保存每个 term 出现的文档 ID、频次、位置信息等,文件名通常是 `*.doc`、`*.pos`、`*.pay`。 * **存储字段**(_source、store:true 的字段)—— 以二进制块的形式写入 `*.fdt` / `*.fdx`。 * **doc‑values、norms、向量** 等辅助结构,分别保存在 `*.dv`、`*.norm`、`*.tv` 等文件里。 * **deleted‑docs bitmap**(`*.del`),标记哪些文档已被删除或被更新。 所有这些文件在 segment **写入磁盘后即成为只读**,后续的查询只能读取,永远不会在原文件上进行增删改。 --- ### 2. 原始文档和 FST 为什么都在 segment 里? * **原始文档**:Elasticsearch 默认把完整的 JSON(_source)以及任何 `store:true` 的字段写入 segment 的 `*.fdt/*.fdx` 文件。每个 segment 保存自己的那部分文档,旧的 segment 在合并前仍然保留,直到合并后被删除。 * **FST**:每个字段的词典在每个 segment 中单独维护,采用 FST 进行前缀共享和字节压缩。这样即使同一个 term 在多个 segment 中出现,也会在每个 segment 里拥有独立的映射,查询时只需要在对应 segment 的 FST 中定位即可。 --- ### 3. 查询时到底是怎么遍历 segment 的? 1. **请求入口**      客户端的搜索请求先到达 **协调节点**,协调节点把请求 ...

LLM缓存详解

 可以把“大模型缓存”理解成: 把已经算过的结果(或中间结果)存下来,下次尽量复用 。但这里面其实分几层,不只是简单的“问题→答案”缓存。 1️⃣ 常见的几种缓存类型 (1)KV Cache(推理内部缓存) Transformer 在生成时,会把前面 token 的 Key/Value 向量 缓存下来。 本质:避免重复计算 attention 作用: 同一请求内部加速 特点: 👉 只对“同一上下文继续生成”有效 👉 不跨用户、不跨请求 这类缓存是你体感“流式输出越来越快”的原因之一。 (2)Prompt Cache(提示词缓存) 缓存的是: 相同(或高度相似)的 prompt → 对应的中间表示 / 输出 典型场景: 系统提示词(system prompt)很长 多轮对话里前文基本不变 👉 这里能省掉 前缀计算成本(prefill) (3)Embedding / 语义缓存(Semantic Cache) 这个才是你问题的关键 👇 不是按“字符串完全一致”,而是: 把问题转成向量 → 找“语义相似”的历史问题 → 直接复用答案 2️⃣ 为什么命中缓存成本低很多? 因为大模型推理成本主要在两块: (1)Prefill(吃 prompt) 复杂度 ~ O(n²) 很贵(尤其长 prompt) (2)Decode(逐 token 生成) 每个 token 都要算一遍模型 而缓存命中后: KV cache:不用重复 attention Prompt cache:不用重新 encode 语义缓存: 直接跳过模型推理 👉 相当于从: 几十~几百毫秒 + GPU算力 变成: 一次向量检索(毫秒级)+ 直接返回 所以成本差一个数量级是正常的。 3️⃣ “每个人问法不同,怎么命中缓存?” 这是核心难点,也是工程重点👇 ❌ 不能靠字符串匹配 比如: “今天天气怎么样” “今天外面热不热” 字符串完全不同 → 必须 miss ✅ 用语义相似度(Embedding) 流程一般是: 把问题转 embedding(向量) 在向量数据库里找 TopK 相似问题 如果相似度 > 阈值(比如 0.9) 直接返回缓存答案 一个简单示意 Q1: 北京天气怎么样 → embedding A Q2: 北京今天热吗 → embedding B cosine(A, B) ≈ 0.95...

事务的ACID是什么

 事务的 ACID 是数据库事务必须满足的四个基本性质,用来保证在并发和故障情况下数据的正确性与可靠性: A(Atomicity,原子性) 一个事务中的操作要么 全部成功 ,要么 全部失败回滚 ,不存在“只做了一半”的中间状态。 C(Consistency,一致性) 事务执行前后,数据库都必须处于 一致的合法状态 ,满足约束(如主键、外键、唯一性、业务规则等)。 I(Isolation,隔离性) 并发执行的多个事务之间 相互隔离 ,一个事务未提交的中间结果对其他事务不可见(具体强弱由隔离级别决定)。 D(Durability,持久性) 一旦事务提交成功,其结果会被 永久保存 ,即使系统崩溃也不会丢失(通常依赖 WAL/redo log 等机制)。 一句话记忆: 要么全做完、前后不破坏规则、互不干扰、做完不丢。