更实际的一点是，在更新分布式系统时，DB中的乐观锁定可能不足以在分布式系统的所有部分之间提供所需的一致性。

例如，在AWS上构建的应用程序中，数据通常同时存在于DB(例如DynamoDB)和存储(例如S3)中。如果一个更新同时涉及DynamoDB和S3, DynamoDB中的乐观锁定仍然可能使S3中的数据不一致。在这种情况下，使用在DynamoDB中持有的悲观锁可能更安全，直到S3更新完成。事实上，AWS为此目的提供了一个锁定库。

在处理冲突时，你有两种选择:

您可以尝试避免冲突，这就是悲观锁定所做的。 或者，您可以允许冲突发生，但是您需要在提交事务时检测它，这就是乐观锁定所做的。

现在，让我们考虑以下丢失更新异常:

“丢失更新”异常可能发生在“读提交”隔离级别。

在上面的图表中，我们可以看到Alice认为她可以从她的账户中提取40，但没有意识到Bob刚刚改变了账户余额，现在这个账户中只剩下20了。

悲观锁定

悲观锁定通过对帐户使用共享或读锁定来实现这一目标，从而阻止Bob更改帐户。

在上面的图中，Alice和Bob都将获得两个用户都读过的帐户表行上的读锁。当使用可重复读取或可串行化时，数据库在SQL Server上获得这些锁。

因为Alice和Bob都读取了PK值为1的帐户，所以他们都不能更改它，直到一个用户释放读锁。这是因为写操作需要获取写/排他锁，而共享/读锁阻止了写/排他锁。

只有在Alice提交了她的事务并且在帐户行上释放了读锁之后，Bob UPDATE才会恢复并应用更改。在Alice释放读锁之前，Bob的UPDATE会阻塞。

乐观锁定

乐观锁定允许发生冲突，但在应用Alice的UPDATE时检测到它，因为版本已经更改。

这一次，我们有一个额外的版本列。每次执行UPDATE或DELETE时，版本列都会递增，它也用于UPDATE和DELETE语句的WHERE子句中。为此，我们需要发出SELECT并在执行UPDATE或DELETE之前读取当前版本，否则，我们将不知道将哪个版本值传递给WHERE子句或增加哪个版本值。

应用级事务

关系数据库系统出现于70年代末80年代初，当时客户端通常通过终端连接到主机。这就是为什么我们仍然看到数据库系统定义诸如SESSION设置之类的术语。

如今，在Internet上，我们不再在同一个数据库事务的上下文中执行读写操作，ACID也不再足够了。

例如，考虑以下用例:

如果没有乐观锁定，即使数据库事务使用Serializable，也无法捕获这个Lost Update。这是因为读写在不同的HTTP请求中执行，因此在不同的数据库事务上执行。

因此，即使在使用包含用户思考时间的应用程序级事务时，乐观锁定也可以帮助您防止丢失更新。

结论

乐观锁定是一种非常有用的技术，即使在使用不太严格的隔离级别(如Read Committed)或在后续数据库事务中执行读写时，它也能很好地工作。

乐观锁定的缺点是，在捕获OptimisticLockException时，数据访问框架将触发回滚，因此当前正在执行的事务将丢失之前所做的所有工作。

争用越多，冲突就越多，中止事务的机会就越大。回滚对于数据库系统来说代价很高，因为它需要恢复所有当前挂起的更改，这些更改可能涉及表行和索引记录。

因此，当冲突频繁发生时，悲观锁定可能更适合，因为它减少了回滚事务的机会。

我还会想到另外一种情况，悲观锁定会是更好的选择。

对于乐观锁，数据修改的每个参与者都必须同意使用这种锁。但是如果有人修改数据而不考虑版本列，这将破坏乐观锁定的整个思想。

在大多数情况下，乐观锁定的效率更高，性能也更高。在悲观锁定和乐观锁定之间进行选择时，请考虑以下因素:

Pessimistic locking is useful if there are a lot of updates and relatively high chances of users trying to update data at the same time. For example, if each operation can update a large number of records at a time (the bank might add interest earnings to every account at the end of each month), and two applications are running such operations at the same time, they will have conflicts. Pessimistic locking is also more appropriate in applications that contain small tables that are frequently updated. In the case of these so-called hotspots, conflicts are so probable that optimistic locking wastes effort in rolling back conflicting transactions. Optimistic locking is useful if the possibility for conflicts is very low – there are many records but relatively few users, or very few updates and mostly read-type operations.

假设在一个电子商务应用程序中，用户想要下订单。这段代码将由多个线程执行。在悲观锁定中，当我们从DB中获得数据时，我们锁定它，这样其他线程就不能修改它了。我们处理数据，更新数据，然后提交数据。之后，我们释放锁。这里的锁定持续时间较长，我们从数据库记录开始锁定到提交。

In optimistic locking, we get the data and process the data without locking. So multiple threads can execute the code so far concurrently. This will speed up. While we update, we lock the data. We have to verify that no other thread updated that record. For example, If we had 100 items in inventory and we have to update it to 99 (because your code might be quantity=queantity-1) but if another thread already used 1 it should be 98. We had race condition here. In this case, we restart the thread so we execute the same code from the beginning. But this is an expensive operation, you already came to end but then restart. if we had a few race conditions, that would not be a big deal, If the race condition was high, there would be a lot of threads to restart. We might run in a loop. In the race condition is high, we should be using `pessimistic locking

更实际的一点是，在更新分布式系统时，DB中的乐观锁定可能不足以在分布式系统的所有部分之间提供所需的一致性。

例如，在AWS上构建的应用程序中，数据通常同时存在于DB(例如DynamoDB)和存储(例如S3)中。如果一个更新同时涉及DynamoDB和S3, DynamoDB中的乐观锁定仍然可能使S3中的数据不一致。在这种情况下，使用在DynamoDB中持有的悲观锁可能更安全，直到S3更新完成。事实上，AWS为此目的提供了一个锁定库。