mysql的异步复制

MySQL主从复制(异步复制与半同步复制) MySQL主从复制 原理:将主服务器的binlog日志复制到从服务器上执行一遍,达到主从数据的一致状态。 过程:从库开启一个I/O线程,向主库请求Binlog日志。主节点开启一个binlog dump线程,检查自己的二进制日志,并发送给从节点;从库将接收到的数据保存到中继日志(Relay log)中,另外开启一个SQL线程,把Relay中的操作在自身机器上执行一遍 优点: 作为备用数据库,... 阅读详情

1.主从复制(基于position)
准备两台虚拟机server1做master节点,server2做slave节点,将数据库安装包复制上去。
在server1(master)上进行配置
yum install -y *.rpm安装mysql
在这里插入图片描述

vim /etc/my.cnf  (主节点数据库配置文件)
文件最后添加:
log-bin=mysql-bin
server-id=1
systemctl start mysqld(重启服务)

服务开启后自动生成密码,需要用自动生成的密码进行安全初始化,并设置新密码。
在这里插入图片描述

mysql_secure_installation(安全初始化)
此处使用初始密码登录,设置root密码
其他都选yes
mysql -uroot -pWestos+123
show databases;
CREATE USER 'repl'@'172.25.12.%' IDENTIFIED BY 'Westos+123';(创建用户用于远程登录数据库)
GRANT REPLICATION SLAVE ON *.* TO 'repl'@'172.25.12.%';(授权为可以复制master节点数据的slave节点)
flush privileges;刷新
show master status;查看master节点的状态
mysql -h 172.25.12.1 -urepl -pWestos+123
看能否登录查看数据库(可以登录,但是没有查看的权限)

在server2主机上面(slave)进行配置
解压安装数据库

vim /etc/my.cnf开始配置备节点数据库
在最后面写入:
server-id=2
systemctl start mysqld
cat /var/log/mysqld.log | grep password复制密码
mysql_secure_installation进行安全初始化
利用初始密码登录,设置root密码

现在设置mysql的主从复制:
mysql> CHANGE MASTER TO在这个slave节点上面设置管理它的master节点
    -> MASTER_HOST='172.25.12.1',主机信息
    -> MASTER_USER='repl',用户
    -> MASTER_PASSWORD='Westos+123',密码
    -> MASTER_LOG_FILE='mysql-bin.000002',基于position的主从复制的重要信息
    -> MASTER_LOG_POS=1567;基于position的主从复制的重要信息
start slave;开启本节点的slave
show slave status\G;查看slave节点的状态

[root@server2 ~]# mysql -p
##查看所有的库
mysql> SHOW DATABASES;
##配置主库的信息
mysql> CHANGE MASTER TO MASTER_HOST='172.25.12.1',   ##主库的ip地址
MASTER_USER='repl',                                 ##主库的用户
MASTER_PASSWORD='Westos+123',                     ##主库用户的密码
MASTER_LOG_FILE='mysql-bin.000002',                 ##主库的日志文件
MASTER_LOG_POS=1567;                                 ##主库的状态码
mysql> 
mysql> START SLAVE;                                 ##开启从库
查看从库状态
mysql> SHOW SLAVE STATUS\G							##可以看到的当前两个进程都是yes,表示主库和从库的数据一致

在server1上创建数据库并添加内容
[root@server1 mysql]# mysql -p
mysql> CREATE DATABASE test;						##创建数据库test
mysql> USE test;									##进入到数据库test
mysql> SHOW TABLES;									##查看表
mysql> CREATE TABLE redhat (						##创建表redhat
    -> username varchar(10) not null,
    -> password varchar(15) not null);
mysql> DESC redhat;									##查看表的结构
mysql> INSERT INTO usertd VALUES ('user1','123');	##向表中插入信息
mysql> SELECT * FROM usertd;						##查看表的所有信息

create database westos;
use westos;
mysql> create table usertb(
    -> username varchar(10) not null,
    -> password varchar(20) not null);
desc usertb;
此时在server2上可以看见创建的表,在server1表中添加内容可以发现在sever2中可以同步。

2.gtid的主从复制

在server1(master)上面进行配置
vim /etc/my.cnf
gtid_mode=ON
enforce-gtid-consistency=true   #添加gtid的信息
mysql -uroot -pWestos+123
use mysql;
select * from gtid_executed;        #查看内容
cd /var/lib/mysql
mysqlbinlog mysql-bin.000002
cat auto.cnf                               #查看改节点的uuid
systemctl restart mysqld
在server2(slave节点)上面进行配置
vim /etc/my.cnf
gtid_mode=ON
enforce-gtid-consistency=true#添加gtid的信息
systemctl restart mysqld
mysql -uroot -pWestos+123
show databases;
stop slave;
change master to master_host='172.25.12.1',master_user='repl',master_password='Westos+123',master_auto_position=1;
start slave;
show slave status\G;
在server1上面写入数据
show databases;
use westos
insert into usertb values ('user2','123');
insert into usertb values ('user3','123');
在server2上面查看gtid的信息
show slave status\G;
在server1上面查看gtid的信息
use mysql
select * from gtid_+executed;
在server2上面查看复制过来的数据
use mysql
select * from mysql.gtid_executed;
发现slave完成了master的所有事件
MySQL关于异步复制、同步复制半同步复制、无损复制的概念与区别 MySQL关于“异步复制”“同步复制”“半同步复制”“无损复制”的概念与区别,这技术面试经常问到的 立即下载

相关推荐

Mac用户必看:PD虚拟机网络初始化失败的3分钟修复指南(附详细截图)

本文针对Mac用户在Parallels Desktop(PD虚拟机)启动时遇到的“网络初始化失败”问题,提供了快速诊断与修复指南。核心原因是macOS系统更新后权限未正确授予。文章通过详细的三步修复法(关闭进程、修改配置文件、重新授权重启),帮助用户在3分钟内恢复虚拟机网络连接,并附有排查清单与预防建议。

weixin_29231027的博客 538

MySQL复制(一):异步复制(Asynchronous replication)

MySQL的复制就是将来自一个MySQL数据库服务器(主库)的数据复制到一个或多个MySQL数据库服务器(从库)。其工作原理是通过binlog(二进制日志)记录事务变更然后传送到从库并重放事务,保持数据一致。

最简单的方法,解决最实际的问题。 3436

用OpenNI2获取奥比中光Astra Pro及 Astra Pro SM输出的深度图(win,linux arm64 x64平台)

搞了一个奥比中光Astra Pro,想在windows平台,和linux rk3588 上获取深度信息,之前的驱动下载已经不好用了。

babytiger的专栏 1305

MySQL 8 复制(一)—— 异步复制

MySQL 异步复制介绍、复制实验环境、安装 MySQL 8.0.16、配置异步复制

wzy0623的专栏 9842

01 高等数学 上下册知识点总结

极限与连续 8个等价无穷小 8个常用泰勒公式 高数复习——多元函数微分学 一、概念 一元函数: 可微<=>可导 △y=A△x+o(△x)dy=AdxA=f′(x)\triangle y=A\triangle x+o(\triangle x)\\dy=Adx\\A=f'(x)△y=A△x+o(△x)dy=AdxA=f′(x) 多元函数: 可微=>可导(可导指两个偏导数存在,反之不成立) 可微=>连续(反之不成立) △z=A△x+B△y+o(p)dz=Adx+BdyA=δzδxdx

qq_44292038的博客 1万+

115.工业相机海康SDK开发指南(阅读)

包含初始化SDK和反初始化SDK接口。(由于看不到函数内部的具体实现,因此以下的解释仅代表个人的理解)

weixin_63779802的博客 5994

MySQL复制技术方案——异步复制配置

为MySQL服务器配置复制非常简单。但由于场景不同,基本的步骤还是有所差异。最基本的场景是新安装的主库和备库,总的来说分为以下几步。

JC的博客 1261

MATLAB仿真实战:双有源桥(DAB)变换器的扩展移相调制(EPS)全流程解析

本文提供了一份详细的MATLAB/Simulink仿真实战指南,手把手解析双有源桥(DAB)变换器在扩展移相调制(EPS)下的全流程建模。内容涵盖从核心原理、主功率电路搭建、EPS驱动信号生成,到仿真运行、波形分析及模型优化的完整步骤,旨在帮助工程师和研究者快速掌握DAB变换器的仿真与性能验证方法。

o4p5q6r7s的博客 504

MySQL主从复制之异步复制

MySQL主从复制之异步复制 原文: https://www.cnblogs.com/hmwh/p/9198705.html MYSQL主从复制方式有默认的复制方式...

coco3600的博客 427

GPU硬件架构与微架构深度解析09-GPU寄存器文件深度解析

本文探讨GPU架构中大规模寄存器堆的设计与高效分配算法。寄存器文件作为GPU关键组件,支持大规模线程并行和快速数据存取。文章分析了多体寄存器堆的设计考量,包括端口数量、冲突避免和功耗管理,并比较了线性扫描、图着色等寄存器分配算法的特点。还介绍了寄存器压缩、动态分区等高级优化技术,以及NVIDIA Ampere架构的实际案例。这些技术对提升GPU计算性能和能效至关重要。

2301_79143213的博客 121

YOLOv8改进 | 特殊场景检测篇 | 最新的多尺度特征提取DICAM(全网独家首发,增强水下图像的质量)

本文给大家带来的最新改进机制是多尺度特征提取和通道注意力机制DICAM,深度Inception和通道注意力模块(DICAM)主要用于用于增强水下图像的质量、对比度和色偏。所提出的DICAM模型考虑了水下图像的比例退化和不均匀色偏,从而提高图像的质量。通过在两个公开的水下图像增强数据集上的广泛实验,验证了提出的模型在全参考和无参考图像质量评估指标方面。欢迎大家订阅我的专栏一起学习YOLO,购买专栏读者联系读者入群获取进阶项目文件!

Snu77的博客 2216

MySQL的主从复制之异步复制的简单实现

MySQL异步复制是一种灵活、高可用性和低延迟的数据复制方式,可以满足大多数应用程序的需求。本文内容主要写了其简单实现,异步复制需要更多的配置才能更好的应对多种业务请求,并且需要注意的是,在异步复制中,可能存在数据丢失的风险,因此需要仔细考虑数据库的可靠性和数据安全性。

fruitless的博客 513

浏览器缓存导致代码不更新?一招解决部署后用户仍看到旧页面的问题

方案效果适用场景文件名哈希永久解决前端工程化项目HTTP缓存头控制精准控制需服务器权限Meta标签部分生效临时补救方案最佳实践:入口HTML禁用缓存,静态资源使用哈希文件名 + 长期缓存,达到「秒级更新」+「高性能」的平衡!

江拥羡橙的博客 810

mysql异步复制_MYSQL异步复制

Replication,复制是高可用的基础,MHA、mycat等中间件的底层都依赖复制原理master 主实例 slave 从实例分类:默认的异步复制,5.5版本后的半同步复制,5.6版本新增的GTID复制,5.7版本的多源复制,基于组提交的并行复制和增强半同步复制复制方法:1.传统方法:基于binlog日志复制 2.GTID:基于事物复制binlog可以有不同的格式:基于语句、基于行数据、混合(...

weixin_28703489的博客 243

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

mysql中异步复制_MySQL异步复制

1、异步复制基本原理从MySQL3.23.15以后,MySQL支持单向的异步复制。也就是说,1台MySQL服务器充当Master(主库),1台或多台MySQL服务器充当Slaves(从库),数据从Master向Slaves进行异步复制。注意,这种复制是异步的,有别于MySQL的同步复制实现(这种实现称做MySQL集群,MySQLCluster)。当主库有更新的时候,主库会把更新操作的SQL写入二进...

weixin_39708737的博客 343

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深入解析MySQL主从复制原理:异步复制

MySQL异步复制是一种高效、易于配置的数据复制机制,适用于对数据一致性要求不高但对写入性能敏感的场景。尽管存在短暂的数据不一致性和潜在的数据丢失风险,但通过合理的监控、故障恢复预案以及与其他复制策略(如半同步复制、延迟复制)的结合使用,可以构建出既满足业务需求又具备高可用特性的数据库系统。

专注于数据库技术分享,包含但不限于Oracle,MySQL,PostgreSQL,ElasticSearch及国产数据库等 1744

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

mysql异步复制与半同步复制

mysql异步复制与半同步复制

虫虫的博客 1394

论述MySQL的同异步复制

同异步复制

2301_78925669的博客 2072

Mysql的异步复制

文章目录Mysql的主从复制技术复制的用途复制存在的问题复制原理主从复制过程异步复制机制异步复制原理实验环境实验步骤server1(master)server2(slave)测试 Mysql的主从复制技术 mysql的主从复制又叫replication,AB复制。 复制的用途 故障切换 可创建读写分离,提供更好的查询服务 把备份等操作都放在从服务器上进行,减少对业务的影响 复制存在的问题 ...

even160941的博客 2005

mysql异步复制参数_mysql异步复制原理详解

先来看下MYSQL异步复制的概念:异步复制:MySQL本身支持单向的、异步的复制。异步复制意味着在把数据从一台机器拷贝到另一台机器时有一个延时 – 最重要的是这意味着当应用系统的事务提交已经确认时数据并不能在同一时刻拷贝/应用到从机。通常这个延时是由网络带宽、资源可用性和系统负载决定的。然而,使用正确的组件并且调优,复制能做到接近瞬时完成。当主库有更新的时候,主库会把更新操作的SQL写入二进制日志...

weixin_42511832的博客 308

mysql的全复制、半复制、异步复制

异步复制牺牲一致性换取性能和可用性;全同步复制牺牲性能和可用性换取一致性;半同步复制是三者的折中,也是生产环境的主流选择。实际架构设计中,需结合业务对数据一致性的容忍度、性能要求和部署成本综合决策,避免过度设计(如为非核心业务用全同步)或忽视风险(如核心业务用异步)。

埃泽漫笔 628

mysql中异步复制_mysql-异步复制

)这两种方式都是通过在主库上记录二进制日志(binlog)、在从库重放中继日志(relylog)的方式来实现异步的数据复制。二进制日志或中继日志中的记录被称为事件。所谓异步包含两层含义:一是主库的二进制日志写入与将其发送到从库是异步进行的,二是从库获取与重放日志事件是异步进行的。注意:这意味着,在同一时间点从库上的数据更新可能落后于主库,并且无法保证主从之间的延迟间隔。复制给主库增加的开销主要体现...

weixin_42131728的博客 374

mysql 半同步 异步,MySQL异步、同步、半同步复制

异步复制MySQL复制默认是异步复制,Master将事件写入binlog,提交事务,自身并不知道slave是否接收是否处理;缺点:不能保证所有事务都被所有slave接收。同步复制Master提交事务,直到事务在所有slave都已提交,才会返回客户端事务执行完毕信息;缺点:完成一个事务可能造成延迟。半同步复制当Master上开启半同步复制功能时,至少有一个slave开启其功能。当Master向sla...

weixin_42212792的博客 1553

MySQL8异步复制

*客户端写入:**应用发送一个UPDATE(写操作)请求到主库主库落盘:主库执行该请求,并将改动计入Binary Log主库反馈(异步的关键)主库此时不需要等待从库的任何回应,直接向客户端返回“执行成功”从库拉取:从库的I/O线程发现主库有新日志,于是请求拉去这些日志写入中继日志:从库将接收到的日志存入Relay Log重放数据:从库的SQL Thread异步读取Relay Log,在本地数据库执行,完成数据同步应用程序写入主库->主库写 Binlog 并在瞬间返回成功->

zq2449853570的博客 413

MySQL的主从复制(异步复制,半同步复制,组复制)

一.MySQL主从复制的概念 MySQL 主从复制是指数据可以从一个MySQL数据库服务器主节点复制到一个或多个从节点。MySQL 默认采用异步复制方式,这样从节点不用一直访问主服务器来更新自己的数据,数据的更新可以在远程连接上进行,从节点可以复制主数据库中的所有数据库或者特定的数据库,或者特定的表。 二.MySQL主从复制的原理 MySQL主从复制涉及到三个线程,一个运行在主节点(log dum...

qq_44251046的博客 958
上一篇: 在zabbix的web界面中添加agent被监控端
下一篇: mysql的半同步复制和全同步复制
Dead_LS
博客等级 码龄7年 6粉丝 58原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值