技术专栏 第158页

本篇为第四课的第一周内容，
1.1到
1.3的内容。

论文作者： Ranjian Sopkota Rahul Harsha Cheppally Ajay Sharda Manoj Karkee

如图所示，基础数据的版本为1，同时产生了两个事务：事务A与事务B。这两个事务都各自对数据进行了一些本地修改，这些修改只有事务自己可见，不影响真正的数据。之后事务A首先提交，生成数据版本2；基于数据版本2，又发起了事务C，事务C继续提交，生成了数据版本3；最后事务B提交，此时事务B的结果需要与事务C的结果合并，如果数据没有冲突，即事务B没有修改事务A与事务C修改过的变量，那么事务B可以提交，否则事务B提交失败。

事务在基于基础数据版本做本地修改时，为了不影响真正的数据，通常有两种做法。

1）将基础数据版本中的数据完全拷贝出来再修改；

2）每个事务中只记录更新操作，而不记录完整的数据，读取数据时再将更新操作应用到用基础版本的数据从而计算出结果。

MVCC的设计理念深受版本控制系统（如Git）的影响，其工作流程与版本控制系统的操作流程高度相似。在事务处理中，上述两种策略各有优势，完整拷贝策略简单直观，但可能占用较多存储空间；增量记录策略则更为高效，能有效减少存储开销。

MVCC的工作流程在很大程度上类似于版本控制系统（如Git）的操作流程，可以说，Git等版本控制系统的设计理念深受MVCC思想的影响。

首先来学习 Flink 的时间属性，作为流处理引擎，时间是实时数据处理的重要依赖，特别是在做时序分析或者特定时间段数据处理时，时间的概念更显得尤为重要。

VictoriaLogs 虽然提供了 grafana 的 data source 的插件(
https://github.com/VictoriaMetrics/victorialogs-datasource)，但是日志的筛选只能依赖 dashboard 上的 variable 配置。

由于 variable 的互动能力有限，导致使用者不经意间频繁使用全文搜索(full text search)来查询日志，并不断吐槽日志系统“难用”且“慢”。

本文使用的 LLM 是阿里的通义千问，需要自行申请 API Key。其他兼容 OpenAI SDK 的模型理论上也可使用。

在开始介绍功能之前，我想聊一聊 AI 辅助编程这个话题。因为本次角色权限功能的开发，80%的编码任务是由 AI 完成的。我使用的模型是 OpenAI 的 codex。大家可能觉得 80% 这个数字非常亮眼，以为我因此少熬了几个夜，本来需要10天的工作，2天就完成了。但事实并非如此美好。AI 确实可以帮我生成基础的 CRUD 代码，但剩下的 20% 的代码却花了我 80% 的时间。

比如你随便扔个微信公众号文章的网址进去，它能立刻给你扒出——

阅读量、点赞数、推荐数、分享次数这些基础数据，还有留言区的总评论条数、每条评论的完整内容、用户头像昵称（当然会隐去敏感信息）。

非常感谢艾思科蓝的赞助！