WAL机制是什么，在数据库内核中是否重要呢，好像WAL有很多种实现形式，效率不同，你举例呢，

Question

Answer 1

WAL（Write-Ahead Logging，预写日志）并不是某一种固定的日志格式，而是一条数据库内核必须遵守的原则：

修改后的数据页可以晚些写入磁盘，但描述该修改的日志必须先持久化。

它解决的核心问题是：数据库既想快，又不能因为宕机把已提交事务弄丢。

1. WAL 是怎么工作的

假设有一条事务：

sql
UPDATE account SET balance = balance - 100 WHERE id = 1;

数据库通常不会立刻把整个数据页刷到磁盘，而是先在内存中修改 Buffer Pool 中的数据页，同时生成一条日志，例如：

text
LSN=1050
page_id=42
offset=128
old_value=1000
new_value=900

大致过程是：

text
1. 读取数据页到内存
2. 在内存中修改数据页
3. 生成 WAL 日志
4. COMMIT 时先把 WAL 刷到磁盘
5. 向客户端返回提交成功
6. 数据页稍后再异步写回磁盘

关键约束是：

text
WAL 已落盘，数据页可以未落盘
数据页不能比对应的 WAL 更早落盘

如果数据库在第 5 步之后、第 6 步之前宕机，重启时可以根据 WAL 重新执行修改，也就是 redo。

2. 为什么数据库不直接写数据页

主要是因为随机写数据页通常很慢。

假设一次事务修改了 10 个不同位置的数据页：

text
page 3
page 107
page 2050
page 9011
...

如果提交时直接刷数据页，就可能产生大量随机 I/O。

而 WAL 通常是顺序追加：

text
wal segment:
[record1][record2][record3][record4]...

顺序写具有几个优势：

写入位置连续；
可以合并多条日志；
容易进行 group commit；
提交时只需保证较小的日志被持久化；
脏数据页可以由后台线程批量刷盘。

所以 WAL 本质上是用“较小的顺序写”，替代“较大的随机写”。

3. WAL 在数据库内核中重要吗

非常重要。对大多数事务型数据库来说，WAL 是存储引擎的核心基础设施之一。

它直接影响：

事务持久性

事务返回 COMMIT 成功后，即使机器立即断电，也能恢复。

这是 ACID 中的 Durability。

崩溃恢复

数据库重启后，可以根据日志判断：

哪些事务已经提交；
哪些修改需要重做；
哪些事务未完成；
是否需要回滚未提交修改。

并发性能

多个事务不必分别刷数据页，可以共同等待一次 WAL 刷盘，即 group commit。

检查点

数据库不能永远从日志开头恢复，因此会周期性建立 checkpoint，表示：

text
从这个位置之后的 WAL 才需要重点恢复

复制

很多数据库直接传输 WAL 给副本：

text
主库生成 WAL
        ↓
副本接收 WAL
        ↓
副本重放 WAL

例如 PostgreSQL 的流复制就是典型的 WAL 复制。

备份和时间点恢复

如果有基础备份和之后的 WAL，就可以恢复到某一个时间点：

text
基础备份 + WAL 重放到 14:35:20

4. WAL 有哪些不同实现形式

“先写日志”的原则相同，但日志中到底记录什么，各数据库差异很大。

4.1 物理日志 Physical Logging

物理日志记录数据页的具体字节变化。

例如：

text
page_id = 42
offset = 128
write bytes = 0x0384

或者记录整个页面镜像。

优点：

恢复过程简单直接；
重放结果确定；
不需要重新执行 SQL；
通常恢复速度快。

缺点：

日志量可能较大；
与数据页格式强绑定；
数据结构版本兼容较困难。

一个修改如果只影响几个字节，记录字节差异很高效；但如果需要记录完整 16 KB 页面，日志放大会比较明显。

4.2 逻辑日志 Logical Logging

逻辑日志记录“做了什么”，例如：

text
UPDATE account
SET balance = balance - 100
WHERE id = 1

或者更底层一些：

text
table=account
primary_key=1
column=balance
new_value=900

优点：

日志可读性更好；
与物理页布局耦合较低；
适合异构复制、审计、CDC；
日志有时更小。

缺点：

恢复时可能需要重新搜索索引；
重放成本高；
并发情况下较难保证完全相同的物理结果；
某些非确定性操作不好重放。

例如：

sql
UPDATE t SET x = x + 1 WHERE category = 'A';

逻辑恢复时可能需要重新扫描大量记录，而物理日志只需要修改指定的数据页。

4.3 生理日志 Physiological Logging

这是数据库内核中非常常见的折中方式。

它通常：

在页级别上是物理定位；
在页内部记录逻辑操作。

例如：

text
page_id = 42
insert record key=100,value=abc

而不是精确记录：

text
offset 120 写 0xAB
offset 121 写 0xCD

这种日志既知道修改哪个页面，又不完全依赖页面内的字节偏移。

经典的 ARIES 恢复算法大量使用这种思想。

优点：

比纯逻辑日志恢复更快；
比纯物理字节日志灵活；
适合 B+ 树、堆表等页式存储结构。

4.4 全页日志 Full-page Image

有些情况下，数据库会把整个页面写入 WAL。

假设页面大小是 8 KB：

text
WAL record:
page_id = 42
full page image = 8192 bytes

这看起来比较浪费，但可以避免“部分页面写入”问题。

例如断电时，一个 8 KB 页面只成功写了前 4 KB，剩余部分还是旧内容，这叫 torn page。

完整页面镜像可以直接覆盖损坏页。

缺点是 checkpoint 后第一次修改大量页面时，可能产生很大的 WAL。

PostgreSQL 的 full-page write 就是这类机制。

4.5 命令日志 Command Logging

某些内存数据库不会记录页面修改，而是记录事务命令及其输入：

text
procedure=transfer
parameters=(accountA, accountB, 100)

恢复时重新执行这些确定性事务。

优点：

日志非常小；
正常运行期间写日志开销低。

缺点：

恢复时需要重新执行大量事务；
恢复速度可能很慢；
必须保证事务是确定性的；
复杂外部依赖难处理。

这种方式更适合确定性执行、内存数据库或者特殊架构。

5. 不同数据库中的具体例子

PostgreSQL WAL

PostgreSQL 的 WAL 偏物理/生理日志。

大致记录：

text
哪个 relation
哪个 block
进行了什么页面修改

特点包括：

使用 LSN 标识日志位置；
commit 依赖 WAL flush；
支持 full-page write；
支持流复制；
支持归档和 PITR；
checkpoint 会影响 WAL 量和恢复时间。

例如更新一行时，PostgreSQL 通常不是把 SQL 本身写入 WAL，而是写入与 tuple、page 有关的底层修改。

优势是恢复确定、复制可靠；代价是 WAL 量可能较大。

MySQL InnoDB Redo Log

InnoDB 的 redo log 本质上也是 WAL。

InnoDB 修改 Buffer Pool 中的数据页时生成 redo record：

text
修改某个 tablespace
某个 page
执行某种页内操作

提交时主要保证 redo log 持久化，而不是立即刷数据页。

需要特别区分：

text
InnoDB redo log：存储引擎级，负责崩溃恢复
MySQL binlog：Server 层，负责复制、PITR 和逻辑变更传播
undo log：负责回滚和 MVCC

binlog 虽然也是日志，但它和 WAL/redo log 的作用不完全相同。

MySQL 事务提交还涉及 redo log 与 binlog 的一致性，因此需要两阶段提交。

SQLite WAL 模式

SQLite 传统 rollback journal 的思路是：

text
先保存旧页面
再修改数据库文件

WAL 模式则变成：

text
原数据库文件暂时不修改
新页面追加写入 WAL 文件

读取时需要同时查看：

text
database file + WAL file

随后通过 checkpoint 把 WAL 中的页面合并回主数据库。

SQLite WAL 模式的优势：

读写可以更好地并发；
写入主要是追加；
通常比 rollback journal 性能好。

限制：

通常仍然只有一个 writer；
checkpoint 可能受长读事务影响；
WAL 文件可能持续增长。

ARIES

ARIES 是经典的数据库恢复算法，其核心思想包括：

WAL；
steal/no-force；
LSN；
pageLSN；
重复历史；
compensation log record，简称 CLR。

恢复分三个阶段：

text
Analysis：分析崩溃时事务和脏页状态
Redo：重复历史，将数据库恢复到宕机前状态
Undo：回滚未提交事务

为什么先 redo 再 undo？

假设未提交事务的部分修改已经写入数据页，那么数据库必须先重建崩溃时的真实状态，再撤销未完成事务。

6. WAL 效率差异主要来自哪里

不同 WAL 实现的性能差异，并不仅仅取决于“物理日志还是逻辑日志”，还取决于整套内核设计。

日志量

一次行更新可能产生：

text
业务数据变化：20 字节
WAL：100 字节

也可能因为 full-page write 产生：

text
业务数据变化：20 字节
WAL：8 KB

日志量越大：

磁盘带宽占用越高；
网络复制开销越大；
恢复需要读取的数据越多。

这种现象称为 WAL amplification。

fsync 次数

单个事务如果每次提交都调用一次 fsync：

text
事务1 -> fsync
事务2 -> fsync
事务3 -> fsync

性能会很差。

group commit 可以合并为：

text
事务1 ┐
事务2 ├── 一次 fsync
事务3 ┘

因此 WAL 性能往往主要受“每秒可完成多少次可靠持久化”影响，而不仅是顺序写带宽。

WAL Buffer 设计

事务通常先把日志写进内存 WAL buffer：

text
事务线程
   ↓
WAL buffer
   ↓
WAL writer
   ↓
磁盘

设计差异包括：

全局锁还是分区锁；
单一 buffer 还是多个 buffer；
事务线程自行 flush 还是专门线程 flush；
是否支持并行日志生成；
是否存在日志预留和日志复制。

在高并发数据库中，WAL buffer 本身可能成为争用热点。

日志记录粒度

记录粒度太细：

text
每改一个字节产生一条日志

会有大量日志头和函数调用开销。

记录粒度太粗：

text
修改一行就记录整个页面

又会产生严重的日志放大。

因此数据库会针对常见操作设计专用日志类型，例如：

text
insert tuple
delete tuple
split btree page
update page header

Checkpoint 策略

checkpoint 过于频繁：

脏页刷盘多；
full-page WAL 可能增加；
前台 I/O 抖动明显。

checkpoint 间隔过长：

WAL 积累多；
崩溃恢复时间变长；
副本落后时需要保存更多日志。

所以 WAL、Buffer Pool 和 checkpoint 必须联合设计。

并发重放能力

有些 WAL 必须严格串行重放：

text
record1 -> record2 -> record3

有些可以按 page、表或事务并行重放：

text
page A: record1 -> record5
page B: record2 -> record4
page C: record3

并行恢复可以显著降低大规模数据库的恢复时间，但要求依赖关系清晰。

7. 一个效率对比例子

假设 10,000 个事务，每个事务更新一个随机数据页。

方案 A：提交时直接刷数据页

每个事务都刷一个 16 KB 页：

text
10,000 × 16 KB ≈ 160 MB

而且大部分是随机写，并可能产生 10,000 次同步刷盘。

性能很差。

方案 B：使用 WAL，但每次提交单独 fsync

假设每条 WAL 记录 200 字节：

text
10,000 × 200 B ≈ 2 MB

数据量很小，但仍然可能有 10,000 次 fsync，延迟依然很高。

方案 C：WAL + group commit

还是约 2 MB 日志，但每 100 个事务共同刷一次：

text
10,000 个事务
100 次 fsync

性能会明显提升。

方案 D：WAL + group commit + 后台批量刷脏页

提交路径只等待 WAL，脏页在后台排序、合并和批量写：

text
前台：写 WAL、等待提交
后台：批量刷数据页

这是现代 OLTP 数据库常见的高性能方式。

8. WAL 和 Undo 的区别

这两个概念容易混淆。

Redo/WAL

回答：

已提交的修改如果没有进入数据文件，怎么重新做一遍？

例如：

text
balance: 1000 -> 900

Undo

回答：

未提交的修改如果已经进入数据页，怎么撤销？

例如：

text
balance: 900 -> 1000

有些数据库 WAL 同时包含 redo 和 undo 信息；有些数据库将 undo 单独保存在 undo segment 中。

例如 InnoDB：

text
redo log：崩溃恢复
undo log：事务回滚和 MVCC

9. WAL 和复制日志也不完全相同

一个数据库可能同时存在多种日志：

text
WAL / redo log
undo log
logical replication log
binlog
CDC log
audit log
consensus log

例如：

WAL 面向数据页恢复；
binlog 面向逻辑复制；
undo 面向事务回滚；
Raft log 面向分布式共识；
audit log 面向安全审计。

它们可能记录同一事务的不同表示。

在分布式数据库中，Raft log 有时也承担 WAL 的作用：只有日志条目被多数副本确认后，事务才算提交。但共识日志解决的是“多节点状态一致”，传统 WAL 解决的是“单节点崩溃恢复”，二者概念相关但不完全等价。

10. 如何判断一种 WAL 设计好不好

不能只看日志写入带宽，通常要综合衡量：

text
事务提交延迟
吞吐量
WAL 字节数 / 业务修改字节数
fsync 次数
锁竞争程度
checkpoint 抖动
崩溃恢复时间
副本重放速度
日志保留空间
实现复杂度

有一个典型三角关系：

text
正常运行性能
恢复速度
日志体积

很难同时做到三者最优。

例如：

命令日志体积小、运行快，但恢复慢；
完整页面日志恢复简单，但日志量大；
逻辑日志适合异构复制，但重放成本高；
生理日志在通用磁盘数据库中通常更均衡。

概括来说，WAL 是数据库把“事务提交”和“数据页落盘”解耦的关键机制。没有 WAL，数据库要么提交非常慢，要么很难保证崩溃后数据正确。对于事务型数据库内核而言，它和 Buffer Pool、MVCC、锁、checkpoint、恢复算法几乎处于同一个重要级别。

Answer 2

从纯理论上说，如果你真的能保证数据库永远不会发生任何故障，也永远不需要复制、备份、回滚到历史状态，那么可以不需要 WAL。

因为 WAL 最核心的用途，就是在数据页还没落盘时发生故障，依靠日志恢复已经提交的事务。如果故障概率严格为零，恢复机制自然没有存在的必要。

但这里要区分：不需要 WAL，不等于数据库不需要任何事务机制。

1. 在这个理想模型中，WAL 可以省掉什么

假设满足以下条件：

进程永不崩溃；
操作系统永不崩溃；
机器永不掉电；
内存永不损坏；
磁盘永不损坏；
不发生网络故障；
数据库永不重启；
不需要主从复制；
不需要时间点恢复；
不需要增量备份；
不需要审计和 CDC。

此时事务提交可以直接表示为：

text
修改内存中的数据结构
更新事务状态为已提交
返回成功

甚至数据库可以是纯内存数据库，不把数据写到磁盘。

这种情况下，WAL 的持久化、redo、checkpoint、崩溃恢复都可以删除。

理论上，这样的数据库会更快，因为提交路径中没有：

text
生成 WAL
复制 WAL 到日志缓冲区
刷新 WAL
等待 fsync
维护 LSN
执行 checkpoint

2. 但事务回滚仍然可能需要

即使系统永不崩溃，事务本身仍然可能主动失败。

例如：

sql
BEGIN;

UPDATE account
SET balance = balance - 100
WHERE id = 1;

UPDATE account
SET balance = balance + 100
WHERE id = 2;

第二条语句可能因为约束冲突、死锁、用户主动执行 ROLLBACK 等原因失败。

这时数据库仍需要保证原子性：

text
要么两条修改都成功
要么两条修改都不生效

但这不一定需要 WAL。可以采用其他机制，例如：

Undo log

记录旧值：

text
account 1:
balance 1000 -> 900
undo: 900 -> 1000

事务失败时使用 undo 撤销。

MVCC

事务不直接覆盖旧版本，而是生成新版本：

text
旧版本：balance = 1000
新版本：balance = 900，事务 ID = 123

事务提交后，新版本才对其他事务可见；事务回滚时丢弃新版本。

Copy-on-write

修改时复制节点或页面，不覆盖原对象：

text
旧版本保持不变
事务在副本上修改
提交时切换根指针

Shadow paging

维护旧页面映射和新页面映射，事务提交时切换元数据指针。

所以可以说：

永不故障时，可以不需要 redo WAL，但仍可能需要 undo、MVCC、copy-on-write 等原子性机制。

3. 如果连事务都不会失败，机制还能进一步简化

再做一个更极端的假设：

所有事务都一定成功；
没有约束冲突；
没有死锁；
用户永远不执行回滚；
程序没有异常；
所有操作都按顺序完成；
系统永不故障。

此时连 undo log 也不需要。

数据库本质上就变成一个长期运行的内存状态机：

text
状态 S0
执行操作 A
得到状态 S1
执行操作 B
得到状态 S2

每次操作只修改当前状态。

但这种系统严格来说已经不太像我们通常讨论的可靠事务数据库，而更像一个不会失败的内存程序。

4. “永远不断电”还不够

即使电力绝对可靠，仍然存在很多其他故障来源：

text
数据库进程崩溃
操作系统内核崩溃
CPU 或内存硬件错误
磁盘控制器故障
磁盘坏块
程序 bug
管理员误操作
文件系统损坏
软件升级重启
OOM 杀进程
数据中心火灾

WAL 防范的不只是断电，而是广义的“状态被中断或破坏”。

例如数据库进程因为空指针崩溃：

text
事务已经返回提交成功
数据页还在 Buffer Pool
数据页尚未落盘

只要进程重启，内存中的修改就消失了。即使机器从未断电，仍然需要 WAL 来恢复。

5. 即使不恢复，WAL 也可能承担其他功能

现代数据库中的 WAL 往往不仅用于崩溃恢复。

复制

主节点把 WAL 发送给副本：

text
主库 WAL → 从库重放

没有 WAL，就需要采用其他变更传播机制。

时间点恢复

需要恢复到某个时刻：

text
基础备份 + WAL
→ 恢复到误删数据之前

增量备份

WAL 可以表示自上一次备份之后发生了哪些变化。

CDC

下游系统通过日志捕获数据变更：

text
INSERT
UPDATE
DELETE

审计

分析谁在什么时候修改了哪些数据。

所以即使数据库本身永不崩溃，只要还需要这些功能，某种形式的变更日志仍然有价值。不过它不一定必须是传统的物理 WAL。

6. 可以不用 WAL，但必须选择其他写入策略

通常数据库使用 WAL，是因为它采用了：

text
steal + no-force

No-force

事务提交时，不强制把所有修改过的数据页写入磁盘。

因此需要 redo：

text
提交了但数据页没落盘
→ 用 WAL 重做

Steal

事务提交前，允许脏数据页被刷到磁盘。

因此需要 undo：

text
未提交的数据已经进入磁盘
→ 必须能够撤销

如果不用 WAL，也可以改成非常保守的策略。

Force

事务提交时，把所有修改页都刷盘：

text
COMMIT
→ 所有数据页持久化
→ 返回成功

这样不需要 redo WAL，但提交性能通常较差，因为要写很多随机数据页。

No-steal

未提交事务修改的数据页绝不刷盘。

这样不需要处理磁盘中的未提交修改，但需要更大的内存，而且长事务会制造很大压力。

因此：

text
no WAL + force + no-steal

理论上是可行的，但性能和资源利用率通常不好。

WAL 的价值正是在于让数据库可以安全地采用高性能的：

text
steal + no-force

7. 纯内存数据库也不一定需要 WAL

如果数据库明确接受：

text
进程一停，数据全部消失

那么完全可以不用 WAL。

例如某些：

缓存系统；
临时分析系统；
测试数据库；
可从上游重新计算的状态；
无状态服务的本地索引。

这种系统可以认为数据是“可丢弃的”。

但如果纯内存数据库承诺持久性，它仍然需要某种机制：

text
命令日志
WAL
快照
复制
共识日志
NVRAM 持久化

例如内存数据库可能通过定期快照加命令日志恢复。

8. 一个简单对比

有 WAL

text
事务修改 100 个随机数据页
生成 10 KB 顺序 WAL
刷一次 WAL
返回提交成功
数据页后台慢慢写

优点是提交快。

无 WAL，但要求持久性

text
事务修改 100 个随机数据页
提交前必须把 100 个数据页全部写入磁盘
确认全部成功
返回提交成功

这样虽然不需要 redo WAL，但提交延迟可能大得多。

无 WAL，也不要求持久性

text
修改内存
返回成功

最快，但数据库一旦停止，数据可能全部丢失。

结论

在你提出的绝对理想条件下：

数据库确实可以不使用 WAL，因为不存在任何崩溃恢复需求。

但需要进一步区分：

不发生系统故障：可以不要 redo WAL；
事务仍可能回滚：仍需要 undo、MVCC 或 copy-on-write；
事务也永不失败：连 undo 都可以省掉；
需要复制、备份、CDC 或审计：仍然需要某种变更日志；
需要持久性但不用 WAL：通常就必须在提交时直接刷数据页，性能可能更差。

因此，WAL 不是数据库逻辑上绝对必需的组件，而是在现实世界存在故障、同时又追求高性能持久化时，最重要、最普遍的工程方案之一。

Answer 3

在“硬件、数据规模、事务逻辑和隔离级别尽量相同”的情况下，通常 MVCC 的综合吞吐量会更高，尤其是读多写少、长读事务较多、并发度高的场景。

但这不是绝对结论。若是高冲突写入、事务很短、读很少，两段锁 2PL 反而可能更简单、更稳定，甚至更快。

核心区别可以概括为：

MVCC 用“多版本”减少读写阻塞；
2PL 用“锁”保证事务之间的顺序。

一、为什么 MVCC 通常更快

MVCC 最大的优势是：

text
读不阻塞写
写通常也不阻塞读

例如事务 T1 正在更新一行：

sql
UPDATE account SET balance = 900 WHERE id = 1;

同时事务 T2 查询：

sql
SELECT balance FROM account WHERE id = 1;

在 MVCC 中，T2 可以读取旧版本：

text
旧版本：1000
新版本：900，尚未提交

T2 不需要等待 T1。

而在基于锁的 2PL 中，如果 T1 持有排他锁，T2 通常需要等待：

text
T1：X lock
T2：等待 S lock

因此在高并发读写混合场景中，MVCC 能显著减少：

锁等待；
死锁；
上下文切换；
锁管理开销；
长查询阻塞短事务的情况。

这也是 PostgreSQL、Oracle、MySQL InnoDB 等主流数据库大量使用 MVCC 的原因。

二、同一隔离级别下的典型性能比较

1. Read Committed

MVCC 实现

每条语句读取一个已提交版本：

text
SELECT 开始
→ 找到当前可见版本
→ 不需要对普通读加共享锁

2PL 实现

读取时通常需要共享锁：

text
SELECT
→ 加 S 锁
→ 与 X 锁冲突

在读写并发较高时，一般：

text
MVCC Read Committed > 2PL Read Committed

这里 MVCC 通常优势明显。

2. Repeatable Read

MVCC 可以通过事务快照实现：

text
事务开始时确定快照
后续查询都读取该快照可见的版本

读事务通常不需要长期持有行锁。

而严格锁式实现可能需要一直持有共享锁到事务结束：

text
BEGIN
SELECT 某行 → 加 S 锁
一直持有
COMMIT → 释放

如果事务较长，2PL 会明显降低并发。

一般而言：

text
MVCC Repeatable Read 通常明显优于锁式 Repeatable Read

尤其是：

长报表查询；
在线分析；
读写混合；
大事务扫描。

3. Serializable

这里比较就复杂了。

严格两段锁 S2PL

通常通过以下锁保证串行化：

行锁；
范围锁；
谓词锁；
next-key lock；
锁一直持有到事务结束。

优点是：

text
事务如果成功提交，通常不会再因为串行化冲突而回滚

缺点是：

阻塞多；
死锁多；
并发度较低；
范围查询可能锁住大量数据。

MVCC Serializable

MVCC 实现串行化有几种方式：

Snapshot Isolation 加冲突检测；
Serializable Snapshot Isolation；
乐观并发控制；
提交阶段验证。

优点是：

运行期间阻塞少；
读事务并发度高。

缺点是：

事务可能运行很久后，在提交时被判定冲突并回滚；
高冲突场景下重试开销很大。

所以在低冲突场景：

text
MVCC Serializable 往往吞吐更高

在高冲突场景：

text
严格 2PL 可能更稳定

因为 2PL 往往是让事务提前等待，而 MVCC 可能让事务先执行，最后再失败。

三、MVCC 并不是没有代价

MVCC 的性能优势是用版本管理换来的。

1. 版本链遍历

同一行可能有多个版本：

text
v5 → v4 → v3 → v2 → v1

查询时需要根据事务快照判断哪个版本可见。

如果一行被频繁更新，版本链很长，读取开销会增加。

2. 垃圾回收

旧版本不能永久保留，需要回收：

text
PostgreSQL：VACUUM
Oracle：undo 清理
InnoDB：purge

如果存在长事务，旧版本不能及时删除，会产生：

表膨胀；
索引膨胀；
缓存污染；
更多磁盘 I/O；
版本链变长。

例如某个读事务运行数小时，它可能要求数据库一直保留很老的版本。

3. 更新放大

MVCC 通常不能简单地原地覆盖一行。

例如 PostgreSQL 更新一行时，通常会创建新 tuple：

text
旧 tuple 保留
新 tuple 插入

这会带来：

更多写入；
更多 WAL；
更多空间占用；
后续清理成本。

4. 写写冲突仍然存在

MVCC 只能有效缓解读写冲突，不能消除写写冲突。

两个事务同时更新同一行：

sql
T1: UPDATE account SET balance = balance - 100 WHERE id = 1;
T2: UPDATE account SET balance = balance - 50 WHERE id = 1;

仍然需要：

行锁；
写入意向；
原子比较；
提交冲突检测。

因此 MVCC 并不是“无锁”。

更准确地说：

MVCC 通常让普通读不需要阻塞式共享锁，但写操作仍然需要并发控制。

四、2PL 的性能优势在哪里

两段锁的主要优势不是“并发度高”，而是：

text
机制直接
冲突立即显现
版本管理成本低
提交结果更确定

1. 没有版本链

锁式原地更新可能只保留当前值：

text
balance = 1000
直接改为 900

不必维护很多历史版本。

读路径可能更短：

text
定位记录
检查锁
读取当前值

如果没有锁冲突，这个过程可能非常快。

2. 高冲突时可能更合适

假设 100 个事务都在更新同一行。

在 2PL 中：

text
第一个事务获得锁
其他事务排队
依次执行

虽然等待明显，但浪费较少。

乐观 MVCC 可能出现：

text
100 个事务都执行大量逻辑
最终只有少数提交
其他事务回滚并重试

此时 CPU 和 I/O 被大量浪费。

所以在高冲突热点场景下，悲观锁有时性能更好。

3. 短事务场景

如果事务极短，例如：

sql
UPDATE counter SET value = value + 1 WHERE id = 1;
COMMIT;

持锁时间只有几十微秒。

此时 2PL 的锁阻塞成本不一定很高，而 MVCC 的版本生成、提交时间戳、垃圾回收反而可能构成额外负担。

五、不同负载下的结论

读多写少

例如：

text
95% SELECT
5% UPDATE

通常 MVCC 更好。

原因：

大量读无需加共享锁；
读写不互相阻塞；
长查询不会阻塞短写事务。

text
推荐：MVCC

读写比较均衡

例如：

text
50% SELECT
50% UPDATE

如果数据访问比较分散，MVCC 通常仍然更好。

如果更新集中在少量热点行，优势会减弱。

写多读少

例如：

text
10% SELECT
90% UPDATE

这时 MVCC 的核心优势“读写不阻塞”没有那么重要。

同时会产生：

大量旧版本；
垃圾回收压力；
写放大；
undo 或版本链膨胀。

如果写冲突不高，MVCC 仍可有不错性能。

如果写冲突非常高，2PL 可能更好。

极高热点冲突

例如所有事务更新同一个库存值：

sql
UPDATE inventory
SET stock = stock - 1
WHERE product_id = 100;

这里真正瓶颈是写写串行化。

无论 MVCC 还是 2PL，同一行最终都无法真正并行修改。

两者区别是：

text
2PL：提前阻塞排队
MVCC：可能执行后检测冲突或等待行锁

通常 2PL 或显式悲观锁更加可控。

长读事务

例如一个报表查询运行 30 分钟，同时 OLTP 事务不断更新。

MVCC 的优势非常明显：

text
报表读旧快照
OLTP 继续更新

2PL 下如果报表持有大量共享锁，可能严重阻塞写入。

但是 MVCC 也会付出代价：由于长事务存在，旧版本不能回收。

六、一个直观例子

假设：

100 个并发事务；
每个事务读取 100 行；
更新其中 1 行；
事务持续 100 ms。

2PL

每次读都可能加共享锁：

text
100 个事务 × 100 行
= 大量锁对象

若某事务更新一行，其他读写可能等待。

锁管理器需要维护：

锁表；
等待队列；
死锁图；
锁升级；
唤醒机制。

MVCC

普通读取主要做可见性判断：

text
版本创建时间 < 快照时间
版本删除时间 > 快照时间

只有更新行需要写锁或写冲突控制。

在这种负载下，MVCC 通常吞吐量更高。

七、延迟角度也不同

不能只看平均吞吐量，还要看延迟分布。

2PL

可能出现：

text
大部分事务很快
少数事务因为锁等待，延迟很高

尾延迟可能较差。

MVCC

读延迟通常更加稳定，但写事务在串行化隔离下可能：

text
执行完成
提交时冲突
回滚重试

从业务角度看，这类重试也会导致高尾延迟。

所以：

2PL 的失败表现通常是“等待”；
乐观 MVCC 的失败表现通常是“回滚”。

八、不能简单认为 MVCC 和 2PL 完全对立

现实数据库经常混合使用两者。

例如 InnoDB：

普通一致性读使用 MVCC；
更新使用行锁；
SELECT ... FOR UPDATE 使用排他锁；
Serializable 下可能让普通读加锁；
范围冲突使用 next-key lock。

PostgreSQL：

普通读使用 MVCC；
写写冲突使用行级锁；
DDL 使用表级锁；
Serializable 使用 SSI 冲突检测。

Oracle：

查询使用多版本一致性；
写写冲突仍使用锁。

所以现代系统更常见的是：

text
MVCC 负责读写并发
锁负责写写冲突和结构性冲突

而不是完全不用锁。

九、严格公平比较需要控制哪些条件

用户所说的“条件几乎相同”仍然需要明确几个变量：

隔离级别是否完全相同；
是否要求真正 Serializable；
读写比例；
热点冲突比例；
事务长度；
是否有长查询；
版本垃圾回收成本是否计入；
回滚重试成本是否计入；
锁等待时间是否计入；
数据是否主要在内存中；
是否使用范围查询；
是否存在大量更新或删除。

例如拿：

text
MVCC Snapshot Isolation

和：

text
Strict 2PL Serializable

直接比较是不公平的，因为前者可能不是真正的串行化隔离，保证更弱，当然通常更快。

必须比较：

text
MVCC Serializable
vs
2PL Serializable

才有意义。

十、总体判断

可以给出一个经验结论：

场景	通常更有优势
读多写少	MVCC
大量并发查询	MVCC
长读事务	MVCC
读写分散、冲突低	MVCC
写多、版本更新频繁	差距缩小
高热点写冲突	2PL 或悲观锁
极短事务、低并发	2PL 可能更简单高效
低冲突 Serializable	MVCC/SSI 通常吞吐更高
高冲突 Serializable	2PL 可能更稳定

最精确的结论是：

在现代通用 OLTP 负载中，MVCC 通常具有更高的并发性能，主要是因为它消除了绝大多数读写阻塞。
但在高写冲突、热点集中、短事务、读操作很少的场景中，2PL 可能更高效，因为它避免了版本维护和大量事务失败重试。

数据库设计中经常采用的最佳实践不是二选一，而是：

text
MVCC + 写锁 + 冲突检测

即用 MVCC 优化读，用锁处理不可避免的写冲突。

問題

思考

回答

1. WAL 是怎么工作的

2. 为什么数据库不直接写数据页

3. WAL 在数据库内核中重要吗

事务持久性

崩溃恢复

并发性能

检查点

复制

备份和时间点恢复

4. WAL 有哪些不同实现形式

4.1 物理日志 Physical Logging

4.2 逻辑日志 Logical Logging

4.3 生理日志 Physiological Logging

4.4 全页日志 Full-page Image

4.5 命令日志 Command Logging

5. 不同数据库中的具体例子

PostgreSQL WAL

MySQL InnoDB Redo Log

SQLite WAL 模式

ARIES

6. WAL 效率差异主要来自哪里

日志量

fsync 次数

WAL Buffer 设计

日志记录粒度

Checkpoint 策略

并发重放能力

7. 一个效率对比例子

方案 A：提交时直接刷数据页

方案 B：使用 WAL，但每次提交单独 fsync

方案 C：WAL + group commit

方案 D：WAL + group commit + 后台批量刷脏页

8. WAL 和 Undo 的区别

Redo/WAL

Undo

9. WAL 和复制日志也不完全相同

10. 如何判断一种 WAL 设计好不好

問題

思考

回答

1. 在这个理想模型中，WAL 可以省掉什么

2. 但事务回滚仍然可能需要

Undo log

MVCC

Copy-on-write

Shadow paging

3. 如果连事务都不会失败，机制还能进一步简化

4. “永远不断电”还不够

5. 即使不恢复，WAL 也可能承担其他功能

复制

时间点恢复

增量备份

CDC

审计

6. 可以不用 WAL，但必须选择其他写入策略

No-force

Steal

Force

No-steal

7. 纯内存数据库也不一定需要 WAL

8. 一个简单对比

有 WAL

无 WAL，但要求持久性

无 WAL，也不要求持久性

结论

問題

思考

回答

一、为什么 MVCC 通常更快

二、同一隔离级别下的典型性能比较

1. Read Committed

MVCC 实现

2PL 实现

2. Repeatable Read

3. Serializable

严格两段锁 S2PL

MVCC Serializable