Hibernate的二级缓存

本文详细介绍了Hibernate二级缓存的工作原理,包括CLASS缓存、查询缓存和COLLECTION缓存的特点及使用方式。
Hibernate的二级缓存
SessionFactory级别的全局缓存,它底下可以使用不同的缓存类库,比如ehcache、oscache等,需要设置 hibernate.cache.provider_class。如果使用查询缓存,加上 hibernate.cache.use_query_cache=true 缓存可以简单的看成一个Map,通过key在缓存里面找value。
Hibernate的二级缓存细分为CLASS缓存,查询缓存和COLLECTION缓存。

1. CLASS缓存
当Hibernate的二级缓存被打开时,当任何一个已经配置缓存的对象被加载时候,都会被缓存到其二级缓存中。不论是执行list,iterator方法。不同的是list方法不会从二级缓存中加载数据(如果不使用查询缓存),每次执行都是去数据库直接抽取。而iterator方法因为使用的是延迟加载的策略,所以第一次加载的时候并未真正的加载数据,而是只加载了其中的ID,并且生成一个代理对象。而当对象被使用(也就是调用非getID方法)的时候,如果数据已经在缓存中,则从缓存中取出,否则真正执行SELECT方法从数据库加载数据(Iterator的方式类似于Load方法,只是Iterator先查询出所有的对象的ID,然后根据ID生成代理对象)。

2. 查询缓存
Hibernate二级缓存的缓存需要配置hibernate.cache.use_query_cache=true。在代码中使用query.setCacheable(true)激活查询缓存。对于查询缓存来说,缓存的key是根据hql生成的sql,再加上参数等信息的QueryKey对象进行管理。而缓存的value,并不是整个结果集,而是查询出来的这一串ID。第一次查询的时候, list执行一条SQL语句查询出所有的结果集,然后从结果集中取出其中的ID的集合作为该查询缓存的Value进行缓存。并且将相应的对象放入CLASS缓存中,并且返回整个结果集。到同样条件第二次查询的时候,先从查询缓存中取出这些ID,然后根据ID到Class缓存中取出具体的对象,并且返回。
对于List方法的查询缓存关键是使用查询语句缓存了ID,然后使用ID进行GET方法查找,那么这样就可以有效的使用Hiberante的一级和二级缓存了。注意Iterator方法因为使用的是延迟加载策略实现,所以Iterator方法不会使用查询缓存(即使显示的调用了query.setCacheable(true)也是没有任何效果的)。
对于查询缓存的过期维护,Hibernate会再查询缓存的VALUE结果集中维护一个查询缓存的建立时间。每次使用查询缓存之前都会先Check在该缓存时间之后是否有更新该表的操作。如果存在更新那么就放弃查询缓存结果。

3. COLLECTION缓存
Hibernate的Collection元素的缓存 需要在hbm的collection里面设置 <cache usage="***"> 。Collection的缓存和前面查询缓存的list一样,也是只保持一串id,但它不会因为这个表更新过就失效,一个collection缓存 仅在这个collection里面的元素有增删时才失效。 这样有一个问题,如果你的collection是根据某个字段排序的,当其中一个元素更新了该字段时,导致顺序改变时,collection缓存 里面的排序不会做更新。

个人感觉学习这块内容最好的方法是写一个简单的代码,然后debug跟踪看Hiberate的内部实现方法。下面添上一段代码,是Hibernate使用缓存的核心代码:

protected Object doLoad(
final LoadEvent event,
final EntityPersister persister,
final EntityKey keyToLoad,
final LoadEventListener.LoadType options) throws HibernateException {
Object entity = loadFromSessionCache( event, keyToLoad, options );
if ( entity == REMOVED_ENTITY_MARKER ) {
log.debug( "load request found matching entity in context, but it is scheduled for removal; returning null" );
return null;
}
if ( entity == INCONSISTENT_RTN_CLASS_MARKER ) {
log.debug( "load request found matching entity in context, but the matched entity was of an inconsistent return type; returning null" );
return null;
}
if ( entity != null ) {
if ( log.isTraceEnabled() ) {
log.trace("resolved object in session cache: " + MessageHelper.infoString( persister, event.getEntityId(), event.getSession().getFactory() ) );
}
return entity;
}

entity = loadFromSecondLevelCache(event, persister, options);
if ( entity != null ) {
if ( log.isTraceEnabled() ) {
log.trace("resolved object in second-level cache: " +
MessageHelper.infoString( persister, event.getEntityId(), event.getSession().getFactory() ) );
}
return entity;
}

if ( log.isTraceEnabled() ) {
log.trace("object not resolved in any cache: " +
MessageHelper.infoString( persister, event.getEntityId(), event.getSession().getFactory() ));
}

return loadFromDatasource(event, persister, keyToLoad, options);
}
【语音分离】基于平均谐波结构建模的无监督单声道音乐声源分离(Matlab代码实现)内容概要:本文介绍了基于平均谐波结构建模的无监督单声道音乐声源分离方法,并提供了相应的Matlab代码实现。该方法通过对音乐信号中的谐波结构进行建模,利用音源间的频率特征差异,实现对混合音频中不同乐器或人声成分的有效分离。整个过程无需标注数据,属于无监督学习范畴,适用于单通道录音场景下的语音与音乐分离任务。文中强调了算法的可复现性,并附带完整的仿真资源链接,便于读者学习与验证。; 适合人群:具备一定信号处理基础和Matlab编程能力的高校学生、科研人员及从事音频处理、语音识别等相关领域的工程师;尤其适合希望深入理解声源分离原理并进行算法仿真实践的研究者。; 使用场景及目标:①用于音乐音频中人声与伴奏的分离,或不同乐器之间的分离;②支持无监督条件下的语音处理研究,推动盲源分离技术的发展;③作为学术论文复现、课程项目开发或科研原型验证的技术参考。; 阅读建议:建议读者结合提供的Matlab代码与网盘资料同步运行调试,重点关注谐波建模与频谱分解的实现细节,同时可扩展学习盲源分离中的其他方法如独立成分分析(ICA)或非负矩阵分解(NMF),以加深对音频信号分离机制的理解。
内容概要:本文系统介绍了新能源汽车领域智能底盘技术的发展背景、演进历程、核心技术架构及创新形态。文章指出智能底盘作为智能汽车的核心执行层,通过线控化(X-By-Wire)和域控化实现驱动、制动、转向、悬架的精准主动控制,支撑高阶智能驾驶落地。技术发展历经机械、机电混合到智能三个阶段,当前以线控转向、线控制动、域控制器等为核心,并辅以传感器、车规级芯片、功能安全等配套技术。文中还重点探讨了“智能滑板底盘”这一创新形态,强调其高度集成化、模块化优势及其在成本、灵活性、空间利用等方面的潜力。最后通过“2025智能底盘先锋计划”的实车测试案例,展示了智能底盘在真实场景中的安全与性能表现,推动技术从研发走向市场验证。; 适合人群:汽车电子工程师、智能汽车研发人员、新能源汽车领域技术人员及对智能底盘技术感兴趣的从业者;具备一定汽车工程或控制系统基础知识的专业人士。; 使用场景及目标:①深入了解智能底盘的技术演进路径与系统架构;②掌握线控技术、域控制器、滑板底盘等关键技术原理与应用场景;③为智能汽车底盘研发、系统集成与技术创新提供理论支持与实践参考。; 阅读建议:建议结合实际车型和技术标准进行延伸学习,关注政策导向与行业测试动态,注重理论与实车验证相结合,全面理解智能底盘从技术构想到商业化落地的全过程。
【顶级EI复现】计及连锁故障传播路径的电力系统 N-k 多阶段双层优化及故障场景筛选模型(Matlab代码实现)内容概要:本文介绍了名为《【顶级EI复现】计及连锁故障传播路径的电力系统 N-k 多阶段双层优化及故障场景筛选模型(Matlab代码实现)》的技术资源,重点围绕电力系统中连锁故障的传播路径展开研究,提出了一种N-k多阶段双层优化模型,并结合故障场景筛选方法,用于提升电力系统在复杂故障条件下的安全性与鲁棒性。该模型通过Matlab代码实现,具备较强的工程应用价值和学术参考意义,适用于电力系统风险评估、脆弱性分析及预防控制策略设计等场景。文中还列举了大量相关的科研技术支持方向,涵盖智能优化算法、机器学习、路径规划、信号处理、电力系统管理等多个领域,展示了广泛的仿真与复现能力。; 适合人群:具备电力系统、自动化、电气工程等相关背景,熟悉Matlab编程,有一定科研基础的研究生、高校教师及工程技术人员。; 使用场景及目标:①用于电力系统连锁故障建模与风险评估研究;②支撑高水平论文(如EI/SCI)的模型复现与算法验证;③为电网安全分析、故障传播防控提供优化决策工具;④结合YALMIP等工具进行数学规划求解,提升科研效率。; 阅读建议:建议读者结合提供的网盘资源,下载完整代码与案例进行实践操作,重点关注双层优化结构与场景筛选逻辑的设计思路,同时可参考文档中提及的其他复现案例拓展研究视野。
评论
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