Hibernate 性能调优

本文探讨了ORM中一对多、多对一等关联关系的使用技巧,并提供了性能优化的建议,如选择合适的关联类型、使用对象缓存以及合理配置继承关系。

    我们先看一下常见的一个问题:inverse = ?

    我们考虑两种状况:inverse=false(default)

    用于单向one-to-many关联

    parent.getChildren().add(child) // insert child

    parent.getChildren().delete(child) // delete child

    inverse=true

    用于双向one-to-many关联

    child.setParent(parent); session.save(child) // insert child

    session.delete(child)

    在分层结构的体系中parentDao, childDao对于CRUD的封装导致往往直接通过session接口持久化对象,而很少通过关联对象可达性

   

    one-to-many关系单向关系还是双向关系?

    parent.getChildren().add(child)对集合的触及操作会导致lazy的集合初始化,在没有对集合配置二级缓存的情况下,应避免此类操作l select * from child where parent_id = xxx;
    性能口诀:

    一般情况下避免使用单向关联,尽量使用双向关联l 使用双向关联,inverse="true"

    在分层结构中通过DAO接口用session直接持久化对象,避免通过关联关系进行可达性持久化

   

    many-to-one关系

    单向many-to-one表达了外键存储方,灵活运用many-to-one可以避免一些不必要的性能问题

    many-to-one表达的含义是:0……n : 1,many可以是0,可以是1,也可以是n,也就是说many-to-one可以表达一对多,一对一,多对一关系,因此可以配置双向many-to-one关系,例如:一桌四人打麻将,麻将席位和打麻将的人是什么关系?是双向many-to-one的关系

    one-to-one通过主键进行关联相当于把大表拆分为多个小表例如把大字段单独拆分出来,以提高数据库操作的性能Hibernate的one-to-one似乎无法lazy,必须通过bytecode enhancement

    集合List/Bag/Set
    one-to-many
    List需要维护index column,不能被用于双向关联,必须inverse="false",被谨慎的使用在某些稀有的场合l Bag/Set语义上没有区别l 我个人比较喜欢使用Bag.
   
    many-to-many
    Bag和Set语义有区别l 建议使用Set

    集合的过滤 children = session.createFilter(parent.getChildren(), "where this.age > 5 and this.age < 10").list()

    针对一对多关联当中的集合元素非常庞大的情况,特别适合于庞大集合的分页: session.createFilter(parent.getChildren(),"").setFirstResult(0).setMaxResults(10).list();

    继承关系当中的隐式多态HQL: from Object 将把所有数据库表全部查询出来 polymorphism="implicit"(default)将当前对象,和对象所有继承子类全部一次性取出 polymorphism="explicit",只取出当前查询对象

    Hibernate二级缓存著名的n+1问题:from Child,然后在页面上面显示每个子类的父类信息,就会导致n条对parent表的查询:

    select * from parent where id = ?

     …

    select * from parent where id = ?

    解决方案:

    1.eager fetch

    2.二级缓存

    inverse和二级缓存的关系:当使用集合缓存的情况下:
    inverse="false",通过parent.getChildren()来操作,Hibernate维护集合缓存.
    inverse="true",直接对child进行操作,未能维护集合缓存!导致缓存脏数据.

    双向关联,inverse="true"的情况下应避免使用集合缓存 Hibernate二级缓存是提升web应用性能的法宝OLTP类型的web应用,由于应用服务器端可以进行群集水平扩展,最终的系统瓶颈总是逃不开数据库访问;哪个框架能够最大限度减少数据库访问,降低数据库访问压力,哪个框架提供的性能就更高;

    针对数据库的缓存策略:

    对象缓存:细颗粒度,针对表的记录级别,透明化访问,在不改变程序代码的情况下可以极大提升web应用的性能.对象缓存是ORM的制胜法宝.对象缓存的优劣取决于框架实现的水平,开源框架中Oracle TopLink对象缓存最强大.

    查询缓存:粗颗粒度,针对查询结果集,应用于数据实时化要求不高的场合应用场合.
   
    决定了系统架构
    一、是否需要ORM Hibernate or iBATIS?

    二、采用ORM决定了数据库设计

    Hibernate:

    倾向于细颗粒度的设计,面向对象,将大表拆分为多个关联关系的小表,消除冗余column,通过二级缓存提升性能(DBA比较忌讳关联关系的出现,但是ORM的缓存将突破关联关系的性能瓶颈);Hibernate的性能瓶颈不在于关联关系,而在于大表的操作

    iBATIS:

    倾向于粗颗粒度设计,面向关系,尽量把表合并,通过表column冗余,消除关联关系.无有效缓存手段.iBATIS的性能瓶颈不在于大表操作,而在于关联关系.

    TopLink:
    倾向于粗颗粒度设计,面向关系,具备有效但很复杂的缓存手段,其缓存还可以和Oracle数据库RAC进行有效参数关联,对DBA非常有效。但是掌握复杂。在开源前是最有效的商业ORM

    JPA:
    J2EE 5的新技术,其设计者就是Hibernate的设计者。属于可以和Hibernate复用的新方法。借鉴了Hibernate的优势,同时加入了很多支持J2EE其他标准及协议的特性。值得关注。由于是SUN标准的ORM,所以势必得到中间件厂商的大力支持。对于中大型项目来说,采用它可以很好的利用各个中间件厂商的技术资源和技术支持来解决实际开发中的问题,甚至是Hibernate问题。而且如果前先采用Hibernate,未来迁移JPA可以非常平滑。

    SAP:
    商业产品、非常强悍,位于SAP NetWeaver技术平台。但是昂贵。建议可以有机会学习就不要放过。


    性能口诀:

    1、使用双向一对多关联,不使用单向一对多

    2、灵活使用单向多对一关联

    3、不用一对一,用多对一取代

    4、配置对象缓存,不使用集合缓存

    5、一对多集合使用Bag,多对多集合使用Set

    6、继承类使用显式多态

    7、表字段要少,表关联不要怕多,有二级缓存撑腰

内容概要:本文档是一份关于交换路由配置的学习笔记,系统地介绍了网络设备的远程管理、交换机与路由器的核心配置技术。内容涵盖Telnet、SSH、Console三种远程控制方式的配置方法;详细讲解了VLAN划分原理及Access、Trunk、Hybrid端口的工作机制,以及端口镜像、端口汇聚、端口隔离等交换技术;深入解析了STP、MSTP、RSTP生成树协议的作用与配置步骤;在路由部分,涵盖了IP地址配置、DHCP服务部署(接口池与全局池)、NAT转换(静态与动态)、静态路由、RIP与OSPF动态路由协议的配置,并介绍了策略路由和ACL访问控制列表的应用;最后简要说明了华为防火墙的安全区域划分与基本安全策略配置。; 适合人群:具备一定网络基础知识,从事网络工程、运维或相关技术岗位1-3年的技术人员,以及准备参加HCIA/CCNA等认证考试的学习者。; 使用场景及目标:①掌握企业网络中常见的交换与路由配置技能,提升实际操作能力;②理解VLAN、STP、OSPF、NAT、ACL等核心技术原理并能独立完成中小型网络搭建与试;③通过命令示例熟悉华为设备CLI配置逻辑,为项目实施和故障排查提供参考。; 阅读建议:此笔记以实用配置为主,建议结合模拟器(如eNSP或Packet Tracer)动手实践每一条命令,对照拓扑理解数据流向,重点关注VLAN间通信、路由选择机制、安全策略控制等关键环节,并注意不同设备型号间的命令差异。
多旋翼无人机组合导航系统-多源信息融合算法(Matlab代码实现)内容概要:本文围绕多旋翼无人机组合导航系统,重点介绍了基于多源信息融合算法的设计与实现,利用Matlab进行代码开发。文中采用扩展卡尔曼滤波(EKF)作为核心融合算法,整合GPS、IMU(惯性测量单元)、里程计和电子罗盘等多种传感器数据,提升无人机在复杂环境下的定位精度与稳定性。特别是在GPS信号弱或丢失的情况下,通过IMU惯导数据辅助导航,实现连续可靠的位姿估计。同时,文档展示了完整的算法流程与Matlab仿真实现,涵盖传感器数据预处理、坐标系转换、滤波融合及结果可视化等关键环节,体现了较强的工程实践价值。; 适合人群:具备一定Matlab编程基础和信号处理知识,从事无人机导航、智能控制、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多旋翼无人机的高精度组合导航系统设计;②用于教学与科研中理解多传感器融合原理与EKF算法实现;③支持复杂环境下无人机自主飞行与定位系统的开发与化。; 阅读建议:建议结合Matlab代码与理论推导同步学习,重点关注EKF的状态预测与更新过程、多传感器数据的时间同步与坐标变换处理,并可通过修改噪声参数或引入更多传感器类型进行扩展实验。
源码来自:https://pan.quark.cn/s/28c3abaeb160 在高性能计算(High Performance Computing,简称HPC)范畴内,处理器的性能衡量对于改进系统构建及增强运算效能具有关键价值。 本研究聚焦于一种基于ARM架构的处理器展开性能评估,并就其性能与Intel Xeon等主流商业处理器进行对比研究,特别是在浮点运算能力、存储器带宽及延迟等维度。 研究选取了高性能计算中的典型任务,诸如Stencils计算方法等,分析了在ARM处理器上的移植编译过程,并借助特定的执行策略提升运算表现。 此外,文章还探讨了ARM处理器在“绿色计算”范畴的应用前景,以及面向下一代ARM服务器级SoC(System on Chip,简称SoC)的性能未来探索方向。 ARM处理器是一种基于精简指令集计算机(Reduced Instruction Set Computer,简称RISC)架构的微处理器,由英国ARM Holdings公司研发。 ARM处理器在移动设备、嵌入式系统及服务器级计算领域获得广泛应用,其设计势体现为高能效比、低成本且易于扩展。 当前的ARMv8架构支持64位指令集,在高性能计算领域得到普遍采用。 在性能测试环节,重点考察了处理器的浮点运算能力,因为浮点运算在科学计算、图形渲染和数据处理等高性能计算任务中扮演核心角色。 实验数据揭示,ARM处理器在双精度浮点运算方面的性能达到475 GFLOPS,相当于Intel Xeon E5-2680 v3处理器性能的66%。 尽管如此,其内存访问带宽高达105 GB/s,超越Intel Xeon处理器。 这一发现表明,在数据密集型应用场景下,ARM处理器能够展现出与主流处理器相匹敌的性能水平。 在实践...
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