MySQL性能调优流程从低到高分别为：
SQL作为访问操作数据库的主要手段，采用一定的优化手段提升SQL性能，对于提高数据库整体性能具有重要意义，下面内容为对于SQL性能优化的学习和总结，主要内容来自：尚硅谷mysql教程，MySQL 8.0 Reference Manual Optimizing SELECT Statements。
之前在分布式系统的学习中已经系统的整理了事务ACID以及隔离性概念，下面总结在MySQL中的事务，偏向于实现层面，主要内容来自《MySQL技术内幕:InnoDB存储引擎(第2版)》。
MySQL 默认提交事务（autocommit = 1），即执行完SQL一句后立马执行COMMIT操作，也就是所谓的隐性事务。显式事务的开启，需要手动输入事务控制语句，：
START TRANSACTION|BEGIN：开启事务COMMIT：提交事务ROLLBACK：回滚事务SAVEPOINT identifier：创建事务中的保存点REPEASE SAVEPOINT identifier：删除事务中的保存点ROLLBACK TO[SACEPOINT]indentifier：回滚的指定的保存点其中包括DDL等在内的数据库管理和修改操作开启隐性事务，无法在显式事务控制中使用。
InnoDBis a general-purpose storage engine that balances high reliability and high performance.
InnoDB作为MySQL默认引擎，深入了解InnoDB有助于加深对于数据库系统的理解，下面首先从InnoDB的架构出发，介绍InnoDB的组成以及表数据的物理存储方式，其他例如事务、并发控制等相关内容在本文中不展开。
这部分内容是对MySQL 8.0 Reference Manual学习自我总结
InnoDB分为内存结构和磁盘结构两部分，其中内存结构主要为了减少磁盘访问，从而让提升访问性能，磁盘结构部分负责InnoDB中数据的实际物理存储。
索引作为数据库的重要知识，在本科的数据库学习中基本没有接触过，在大四找工作准备面试笔试时才了解到这个常考的概念，本博客是对于以往索引相关知识缺失的补足和系统整理。
A database index is a data structure that improves the speed of data retrieval operations on a database table) at the cost of additional writes and storage space to maintain the index data structure. -Wikipedia
索引(index)是用来加速数据库表数据检索的一种特殊数据结构，其作用类似于目录，通过减少检索过程中的磁盘IO，提升检索效率，索引的优点可以概括为以下三点
项目来自于MIT6.824分布式系统的结课大作业，实现代码已上传 github仓库，该博客为项目的总体框架总结，省略了大量的实现细节和代码，细节总结可参考 MIT6.824实验总结
该项目实现目标为一个分布式容错的简单KV数据库，系统主要的功能点可以总结为：
put(key, value), append(key, value), get(key)的基本kv数据库功能MIT6.824中共设计了四个实验，主要内容是一个分布式kv数据库。
写在开头：最近用go做MIT6.824课程作业时，涉及到大量基于golang的并发控制，但是由于不熟悉golang语言以及相关并发控制手段，导致出现了大量的bug，影响了实现进程，因此产生了总结学习golang并发控制的想法
目前大厂的后端开发大量的从java转向go，很大一部分原因是由于go所具备的高并发、高性能、容易开发等性质，可以说go并发控制是学习go内容中最为重要的一部分（java并发我都没学会，直接学go，看出我的诚意了吧），下面的总结学习主要基于golang官网的Effective Go的cocurrency章节。
要理解分布式事务首先要明白事务是什么，从单机事务的理解迁移到分布式事务，下面从两个角度总结单机和分布式事务
事务作为数据库系统读写操作的高层抽象，代表了数据库的基本操作。一个正常提供服务的数据库系统，其事务必须满足ACID四个性质，其中CI两个性质相互关联，是事务性质研究的重点。
分布式事务可以看作事务+分布式环境，即一个执行范围跨越多个通过网络连接的不同主机的事务，分布式事务既然是事务，同样要满足ACID性质，但是由于分布式环境的复杂性，原有的事务性质保证手段在分布式环境下需要进行调整和新的设计。
Resilient Distributed Datasets: A Fault-Tolerant Abstraction forIn-Memory Cluster Computing
Spark是目前大数据领域较为火热的批处理框架之一（也支持流处理），经过论文阅读，不难发现Spark的核心原理并不复杂，通过简单的抽象，有效的解决了内存计算问题，我想这就是Spark流行起来的原因之一，如果要理解Spark，最关键一步的是理解RDD这一抽象内存模型。
Spark中将计算操作的基本内存数据单元抽象为一个只读、分区的数据集-弹性分布数据集（RDD），将一次Spark任务定义为RDD经过一系列操作不断变换状态的过程，如下图所示：
系统中通过五个元信息定义一个RDD：一系列分区、一系列父RDD依赖、转化操作、元数据（分区放置、分区信息），依赖关系如下图，分为一对一（narrow）和多对一（wide）。
No compromises: distributed transactions with consistency, availability, and performance
从论文的名字就能看出微软对于自己这套分布式数据库系统的自信程度，强调自己在实现强一致性的同时，并不会妥协可用性和性能，然而深入论文就会发现，虽然确实实现了题目中的性质，但是很多机制局限于其实现条件，另外由于时间和能力有限，未能看懂论文中对于错误恢复部分的阐述，未来涉及到相关内容时再重新学习。
FaRM的构建动机来自于目前数据中心内部硬件发展的两个趋势：
在我看来，FaRM的高性能大部分原因来自于上部分阐述的硬件优势，除去优势以外，以上设计同样为FaRM带来了一定限制