Redis主从复制

一般情况下的主从复制-增量同步

主节点会将改变数据的指令记录保存在buffer,然后异步复制(异步的同步数据)到从节点,从节点一边根据指令记录同步数据,同时还会返回正在执行的命令的偏移量。内存中的buffer是一个定长的环形数组,大小有限,当buffer满了的时候,新写入的指令记录会覆盖之前的记录。如果主节点和从节点的网络出问题,从节点未收到的指令可能会被覆盖造成丢失,这时候就需要快照同步了。

快照同步

主节点先进行bgsave,将数据全部快照到磁盘中,然后异步发送到从节点。从节点收到快照时,首先将自己内存中的数据清空,然后全量加载快照。加载完成后,通知主节点进行增量同步。新加入的节点或者第一次同步时,首先需要进行快照同步。如果快照同步时间过长或者buffer容量比较小的话,可能指令记录被覆盖,导致增量同步失败,那么会从节点会再次发起快照同步,可能也因此陷入无限快照同步的死循环。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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