学习

Jepsen 是一个开源的分布式一致性验证框架，专门用来测试分布式存储系统，比如分布式数据库、分布式键值系统和分布式消息队列等等。 混沌工程是在分布式系统上进行实验的学科, 旨在提升系统的容错性，

# Kubernetes 在K8s中，每一个容器对应一个进程，但复杂的应用系统往往是一个进程组，所以出现了pod，用于管理一组容器。 Pod 是 Kubernetes 在容器之上的一层封装，它由运行

通常异构数据库间的数据复制有三种可选方式： 1. 数据文件 2. ETL（Extract-Transform-Load） 3. CDC（Change Data Capture） 数据文件是指，在数

# 单体数据库 ## 异地容灾 异地容灾是异地多活的低配版，它往往是这样的架构。 <img src="https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfc

RUM 猜想说的是，对任何数据结构来说，在 Read Overhead（读）、Update Overhead（写） 和 Memory or Storage Overhead（存储） 中，同时优化两项时

查询执行引擎是否高效与其采用的模型有直接关系，模型主要有三种：火山模型、向量化模型和代码生成。 # 火山模型 在火山模型中，一个查询计划会被分解为多个代数运算符（Operator）。每个 Ope

常见的关联算法有三大类，分别是嵌套循环（Nested Loop Join）、排序归并（Sort-Merge Join）和哈希（Hash Join）。 # 嵌套循环连接算法 外层循环表称为外表（Out

# 计算下推 将计算节点的逻辑推送到存储节点执行，避免了大量的数据传输，也达到了计算并行执行的效果。 # 分区索引 分区索引就是索引与数据在同一分区，分区==分片。索引和数据在同一个物理节点的情况称

HTAP 要解决的就是 OLAP 的时效性问题，不过它也不是唯一的选择，这个问题有两种解决思路： 1. 用准实时数据计算替代原有批量 ETL 过程，重建 OLAP 体系； 2. 弱化甚至是干脆拿掉 O

自增主键在不同的数据库中的存在形式稍有差异。在 MySQL 中，你可以在建表时直接通过关键字 auto_increment 来定义自增主键。 在高并发量场景下，每个事务都要去申请主键，数据库如果无

今天的存储过程和当年的触发器，本质上面临的是同样的问题：一种技术必须要匹配同时代的工程化水平，与整个技术生态相融合，否则它就要退出绝大多数应用场景。 《阿里巴巴 Java 开发手册》中也赫然写着“禁

<img src="https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/617b6da9e3ac446687039300ed01ece7~tplv-k

# 并发控制技术的分类 分为悲观协议和乐观协议。 # 乐观锁：TiDB 运行过程： 1. 选择 Primary Row 收集所有参与修改的行，从中随机选择一行，作为这个事务的 Primary

![image.png](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/4ca7c2f48748406d890efab91dd2a8ad~tpl

多版本并发控制（Multi-Version Concurrency Control，MVCC）就是通过记录数据项历史版本的方式，来提升系统应对多事务访问的并发处理能力。 # 单体数据库的 MVCC

2阶段提交： <img src="https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/c072b4b5fa464980b0cd9b82b7cb26c7

# 面向应用层的 TCC TCC 的整个过程由两类角色参与，一类是事务管理器，只能有一个；另一类是事务参与者，也就是具体的业务服务，可以是多个，每个服务都要提供 Try、Confirm 和 Cance

元数据也是数据，但特别之处在于每一个请求都要访问它，所以元数据的存储很容易成为整个系统的性能瓶颈和高可靠性的短板。如果系统支持动态分片，那么分片要自动地分拆、合并，还会在节点间来回移动。这样，元数据就

分布式数据库的分片与单体数据库的分区非常相似，区别在于：分区虽然可以将数据表按照策略切分成多个数据文件，但这些文件仍然存储在单节点上；而分片则可以进一步根据特定规则将切分好的文件分布到多个节点上，从而

要区分授时机制也很简单，抓住三个要素就可以了： 1. 时间源：单个还是多个使用的 2. 时钟类型：物理时钟还是混合逻辑时钟 3. 授时点：一个还是多个 ![image.png](https://p