跳至主要内容

为什么innodb存在MVCC还需要用到间隙锁

### 1. **功能定位的互补性**

• **MVCC的作用**  

  MVCC通过维护数据的历史版本和快照读机制,解决**读-写冲突**,允许读操作无需加锁即可获取一致性视图。例如:

  • 在可重复读(RR)隔离级别下,事务的第一次查询生成快照,后续读取基于该快照,避免因其他事务的修改导致不可重复读。

  • 通过隐藏字段(事务ID、回滚指针)和Undo Log版本链,MVCC支持非阻塞的并发读取。


• **间隙锁的作用**  

  间隙锁专注于解决**写-写冲突**和**幻读问题**。它通过锁定索引记录的间隙(而非具体数据行),防止其他事务在范围内插入新数据。例如:

  • 当执行`SELECT ... FOR UPDATE`时,间隙锁会锁定查询条件覆盖的索引区间,阻止新数据插入,从而消除幻读。

  • 在RR隔离级别下,间隙锁与临键锁(Next-Key Lock)结合,确保事务期间查询范围的数据稳定性。


---


### 2. **MVCC的局限性需间隙锁弥补**

• **幻读的两种场景**  

  MVCC仅能解决**快照读的幻读**(如普通SELECT),但无法处理**当前读的幻读**(如SELECT FOR UPDATE)。例如:

  • 事务A第一次快照读未发现某行数据,但事务B插入该行后,事务A的当前读可能发现新增数据,导致逻辑不一致。

  • 间隙锁通过物理锁定索引间隙,直接阻止其他事务插入,彻底消除此类问题。


• **写入操作的并发控制**  

  MVCC不涉及写操作的锁机制。当多个事务并发修改同一范围数据时,间隙锁通过强制串行化写入,避免数据覆盖或逻辑冲突。


---


### 3. **隔离级别的实现需求**

• **RR隔离级别的双重保障**  

  MySQL的RR隔离级别依赖**MVCC + 间隙锁**共同实现:

  • MVCC保证快照读的一致性视图(解决不可重复读和部分幻读);

  • 间隙锁保证范围查询的物理锁定(解决当前读的幻读)。

  

  例如,事务A查询`id>10`的记录时,间隙锁会锁定`(10, +∞)`的索引区间,事务B无法在此区间插入新数据,而MVCC确保事务A的后续快照读仍基于原快照。


• **不同隔离级别的策略差异**  

  • 在RC隔离级别下,MVCC每次生成新快照,且不启用间隙锁,允许幻读;

  • 在RR级别下,MVCC快照固定,间隙锁生效,实现严格的数据隔离。


---


### 4. **性能与一致性的权衡**

• **MVCC优化读性能**  

  通过无锁读取历史版本,MVCC显著提升读操作的并发能力,适用于读多写少的场景。

  

• **间隙锁保障强一致性**  

  间隙锁以牺牲部分写入性能为代价(如阻塞插入操作),确保事务的完全串行化效果,适用于需要严格一致性的场景(如金融交易)。


---


### 总结

MVCC和间隙锁的关系是**分工协作而非替代**:

• **MVCC**:解决读操作的并发冲突,提供高效的非阻塞读;

• **间隙锁**:解决写操作的并发冲突,防止范围数据变动导致的逻辑异常。


两者在RR隔离级别下的结合,既实现了高性能的并发读取,又通过物理锁机制确保了数据的强一致性。这种设计是数据库在性能与正确性之间权衡的典型实践。

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。