. . . . . . 21 海量数据高并发的 OLTP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据实时分析 OLAP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 8.1.5 相关参考 . . . . . . . . . 37 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 负载均衡策略 . . . . . . . 518 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 518 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 518 流量切换阶段 . . . . . . .

. . . . . . 17 海量数据高并发的 OLTP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 海量数据实时分析 OLAP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.1.5 相关参考 . . . . . . . . . 33 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 负载均衡策略 . . . . . . . 362 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362 流量切换阶段 . . . . . . .

. . . . . . 21 海量数据高并发的 OLTP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据实时分析 OLAP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 8.1.5 相关参考 . . . . . . . . . 37 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 负载均衡策略 . . . . . . . 492 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492 流量切换阶段 . . . . . . .

. . . . . . 21 海量数据高并发的 OLTP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据实时分析 OLAP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 8.1.5 相关参考 . . . . . . . . . 37 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 负载均衡策略 . . . . . 471 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471 x 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471 流量切换阶段 . . . . . . .

平扩展的任务处理系统。 5.2.1 分片 ElasticJob 中任务分片项的概念，使得任务可以在分布式的环境下运行，每台任务服务器只运行分配给该 服务器的分片。随着服务器的增加或宕机，ElasticJob 会近乎实时的感知服务器数量的变更，从而重新为 分布式的任务服务器分配更加合理的任务分片项，使得任务可以随着资源的增加而提升效率。 任务的分布式执行，需要将一个任务拆分为多个独立的任务项，然后由分布式的服务器分别执行某一个 b 根据触发时的分布式作业执行的不同状况来决 定失效转移的执行时机。 通知执行 当其他服务器感知到有失效转移的作业需要处理时，且该作业服务器已经完成了本次任务，则会实时的 拉取待失效转移的分片项，并开始补偿执行。也称为实时执行。 问询执行 作业服务在本次任务执行结束后，会向注册中心问询待执行的失效转移分片项，如果有，则开始补偿执 行。也称为异步执行。 5.3.3 适用场景 开启失效转移功能，ElasticJob 会监控作业每一分片的执行状态，并将其写入注册中心，供其他节点感知。 在一次运行耗时较长且间隔较长的作业场景，失效转移是提升作业运行实时性的有效手段；对于间隔较 短的作业，会产生大量与注册中心的网络通信，对集群的性能产生影响。而且间隔较短的作业并未见得 关注单次作业的实时性，可以通过下次作业执行的重分片使所有的分片正确执行，因此不建议短间隔作 业开启失效转移。 另外需要注意的是，作业本身的幂等性，是保证失效转移正确性的前提。

. 62 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 负载均衡策略 . . . . 键的不重复性，以及相同进程 主键的有序性。 实现原理 在同一个进程中，它首先是通过时间位保证不重复，如果时间相同则是通过序列位保证。同时由于时间 位是单调递增的，且各个服务器如果大体做了时间同步，那么生成的主键在分布式环境可以认为是总体 有序的，这就保证了对索引字段的插入的高效性。例如 MySQL 的 Innodb 存储引擎的主键。 使用雪花算法生成的主键，二进制表示形式包含 4 部分，从高位到低位分表为：1bit 服务器时钟回拨会导致产生重复序列，因此默认分布式主键生成器提供了一个最大容忍的时钟回拨毫秒 数。如果时钟回拨的时间超过最大容忍的毫秒数阈值，则程序报错；如果在可容忍的范围内，默认分布 式主键生成器会等待时钟同步到最后一次主键生成的时间后再继续工作。最大容忍的时钟回拨毫秒数的 默认值为 0，可通过属性设置。 强制分片路由 实现动机 通过解析 SQL 语句提取分片键列与值并进行分片是 Apache ShardingSphere

. 43 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 负载均衡策略 . . . . . . . 254 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 规则切换阶段 . . . . . . . 键的不重复性，以及相同进程 主键的有序性。 实现原理 在同一个进程中，它首先是通过时间位保证不重复，如果时间相同则是通过序列位保证。同时由于时间 位是单调递增的，且各个服务器如果大体做了时间同步，那么生成的主键在分布式环境可以认为是总体 有序的，这就保证了对索引字段的插入的高效性。例如 MySQL 的 Innodb 存储引擎的主键。 使用雪花算法生成的主键，二进制表示形式包含 4 部分，从高位到低位分表为：1bit

. 51 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 负载均衡策略 . . . . . . . 256 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257 规则切换阶段 . . . . . . . 而无需清理运行痕迹。 3.2. 运行模式 13 Apache ShardingSphere document, v5.1.1 3.2.3 单机模式 能够将数据源和规则等元数据信息持久化，但无法将元数据同步至多个 Apache ShardingSphere 实例，无 法在集群环境中相互感知。通过某一实例更新元数据之后，会导致其他实例由于获取不到最新的元数据 而产生不一致的错误。适用于工程师在本地搭建

. 51 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 负载均衡策略 . . . . . . . 251 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252 规则切换阶段 . . . . . . . 而无需清理运行痕迹。 3.2. 运行模式 13 Apache ShardingSphere document, v5.1.0 3.2.3 单机模式 能够将数据源和规则等元数据信息持久化，但无法将元数据同步至多个 Apache ShardingSphere 实例，无 法在集群环境中相互感知。通过某一实例更新元数据之后，会导致其他实例由于获取不到最新的元数据 而产生不一致的错误。适用于工程师在本地搭建

. 52 从库 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 主从同步 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 负载均衡策略 . . . . . . . 267 存量数据迁移阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268 增量数据同步阶段 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268 规则切换阶段 . . . . . . . 而无需清理运行痕迹。 3.2. 运行模式 13 Apache ShardingSphere document, v5.1.2 3.2.3 单机模式 能够将数据源和规则等元数据信息持久化，但无法将元数据同步至多个 Apache ShardingSphere 实例，无 法在集群环境中相互感知。通过某一实例更新元数据之后，会导致其他实例由于获取不到最新的元数据 而产生不一致的错误。适用于工程师在本地搭建