Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >故障分析 | MySQL 无法启动,提示 missing……

故障分析 | MySQL 无法启动,提示 missing……

作者头像
爱可生开源社区
发布于 2020-11-03 02:35:25
发布于 2020-11-03 02:35:25
3.8K0
举报

作者:姚远

专注于 Oracle、MySQL 数据库多年,Oracle 10G 和 12C OCM,MySQL 5.6,5.7,8.0 OCP。现在鼎甲科技任顾问,为同事和客户提供数据库培训和技术支持服务。

本文来源:原创投稿 *爱可生开源社区出品,原创内容未经授权不得随意使用,转载请联系小编并注明来源。


故障描述

MySQL 数据库服务器的 CPU 和主板都换了,重新开机,发现 MySQL 无法启动!!!

提示: Ignoring the redo log due to missing MLOG_CHECKPOINT between the checkpoint .... and ...

故障分析

这个问题出现在 MySQL 5.7 之后的版本,主要的原因是 MySQL 会在最新的 checkpoint 完成后都会在 redo log 写一个一字节的 MLOG_CHECKPOINT 标记,用来标记在此之前的 redo 都已 checkpoint 完成。如果处于任何原因没有找到这个标记,那么整个 redo log 文件都会被忽略。出现这个错误的话,最好是有备份进行恢复,如果没有做好备份,那只能采取非常规的启动方式,但可能造成数据丢失

故障处理

移除当前使用的 redo log 文件,然后可以试着启动数据库,结果启动失败!

提示: [ERROR] InnoDB: Page [page id: space=0, page number=0] log sequence number 178377412422 is in the future! Current system log sequence number 165909011496.

这样的错误,这是因为 MySQL writer 线程按照配置的时间间隔以 page 为单位刷新 buffer 数据到磁盘。当数据刷新到磁盘的时候,新写入磁盘的 page 包含了较新的 LSN,此时系统 system 表空间头的 LSN 并没有同步更新,通常这是检查点线程的工作。在正常的崩溃恢复中,MySQL 可以借助 redo log 来进行前滚和回滚,但是此时 redo log 已经被我们删掉了,MySQL 无法进行恢复操作。此时,我们设置 innodb_force_recovery=3 来强制启动 MySQL,仍然启动不成功,改成 4 后启动了!

再使用 mysqldump 导出备份,结果噩梦又降临了!MySQL 又 crash 了。

提示: InnDB: Failed to find tablespace for table......

设置参数 innodb_force_recovery=5,数据库仍然启动失败,再设置成 6,启动成功!用 sqldump 顺利把数据备份出来了!

再初始化数据库,把刚刚备份的数据库导入,数据库恢复成功完成!

参数说明

这里的关键是设置 innodb_force_recovery 参数,对应这个参数的说明如下:

1. SRV_FORCE_IGNORE_CORRUPT:忽略检查到的 corrupt 页;

2. SRV_FORCE_NO_BACKGROUND:阻止主线程的运行,如主线程需要执行 full purge 操作,会导致 crash;

3. SRV_FORCE_NO_TRX_UNDO:不执行事务回滚操作;

4. SRV_FORCE_NO_IBUF_MERGE:不执行插入缓冲的合并操作;

5. SRV_FORCE_NO_UNDO_LOG_SCAN:不查看重做日志,InnoDB 存储引擎会将未提交的事务视为已提交;

6. SRV_FORCE_NO_LOG_REDO:不执行前滚的操作。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-10-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 爱可生开源社区 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
融合LiDAR与4D雷达的协同感知:V2X-R数据集与去噪扩散方法深度解析
本文提出了首个包含4D雷达的V2X协同感知数据集V2X-R,并创新性地设计了基于去噪扩散模型的多模态融合方法MDD,显著提升了自动驾驶系统在恶劣天气条件下的3D目标检测性能。文章将从研究背景与贡献、数据集构建、方法框架、实验结果以及未来方向五个维度进行系统分析,重点剖析其技术原理与创新价值。
一点人工一点智能
2025/06/07
1320
融合LiDAR与4D雷达的协同感知:V2X-R数据集与去噪扩散方法深度解析
FS-MedSAM2 探索 SAM2 在少样本图像分割中的潜力,无需微调 !
段 anything 模型2(SAM2) [13] 在自然图像和视频中展示了令人印象深刻的零样本提示分割能力。使用一个简单的点或矩形作为提示,SAM2可以准确地分割图像中的前景目标,并在视频中跟踪目标。然而,与它的前驱者一样,SAM2在医学图像方面存在局限性,尤其是在计算机断层扫描(CT)和磁共振成像(MRI)扫描中。这一限制源于其训练数据中缺乏医学图像,导致模型无法精确界定医学图像中器官、肿瘤和其他结构的边界,通常导致过度分割。
未来先知
2024/10/14
8290
FS-MedSAM2 探索 SAM2 在少样本图像分割中的潜力,无需微调 !
​四大院校携手 GraphBEV | 将激光雷达和相机信息融合到BEV,比 BEVFusion性能高出8.3% !
三维目标检测是自动驾驶系统的一个关键组成部分,旨在准确识别和定位汽车、行人以及三维环境中的其他元素[49, 58]。为了鲁棒和高品质的检测,当前的实践主要遵循像BEVFusion[29, 34]这样的多模态融合范式。不同的模态通常提供互补的信息。例如,图像含有丰富的语义表示,但缺乏深度信息。相比之下,点云提供了几何和深度信息,但却是稀疏的且缺乏语义信息。因此,有效利用多模态数据的优势同时减轻其局限性,对于提高感知系统的鲁棒性和准确性至关重要[58]。
AIGC 先锋科技
2024/07/08
1K0
​四大院校携手 GraphBEV  |  将激光雷达和相机信息融合到BEV,比 BEVFusion性能高出8.3% !
基于 Transformer 的多模态融合方法用于语义分割 !
环境语义分割是自动驾驶中的一个挑战性课题,并在诸如操纵、路径规划和场景理解等智能车辆相关研究中发挥着关键作用。由于深度神经网络的进步,特别是卷积神经网络(CNN),以及开放数据集的可用性,语义分割领域已取得了巨大进展。早期研究采用相机的RGB图像作为输入,并用具有相对单调场景的数据集进行测试。近年来,感知传感器行业的蓬勃发展以及严格的安全要求推动了涉及不同传感器和综合场景的语义分割研究。在各种研究中,激光雷达传感器(LiDAR)参与最多。流行的仅激光雷达方法包括VoxNet[6]、PointNet[7]和RotationNet[8]。然而,多模态传感器融合被视为解决自动驾驶问题的有前途的技术,并已成为语义分割的主流选择。
未来先知
2024/08/20
1.1K0
基于 Transformer 的多模态融合方法用于语义分割 !
BEVCar | 融合雷达,颠覆夜间与恶劣天气下的机器人视觉分割!
移动机器人,如自动驾驶车辆,严重依赖于对其环境的准确和健壮的感知。因此,机器人平台通常配备有各种传感器[1, 2, 3],每种传感器提供互补的信息。例如,环视摄像头提供密集的RGB图像,而激光雷达或雷达系统提供稀疏的深度测量。然而,由于这些不同模态的数据结构本质上的不同,融合这些数据提出了一个重大挑战。解决这一挑战的常用方法是采用鸟瞰视图(BEV)表示作为共享参考框架[4, 5, 6, 7, 8, 9]。
AIGC 先锋科技
2024/07/08
4040
BEVCar | 融合雷达,颠覆夜间与恶劣天气下的机器人视觉分割!
基础模型还是微调? 河流污染少镜头语义分割的评价
近年来,基础模型(FMs)已成为人工智能(AI)研究的热点领域。它们以能够轻易地泛化到新领域和任务的能力而著称,为研究和产业都带来了令人激动的机会。但是,从产业角度来看,FMs只有在它们在给定任务上超越专门为此任务训练的模型时才更有效。因为实际生活中的数据往往与用于研究的数据存在显著差异,因此在行业环境中预训练的数据集可能无法匹配当前的任务。因此,FMs或对现有模型进行微调是合理的选择,虽然在某些情况下选择并不明显。微调模型被认为需要大量的优质数据进行训练,而工业环境中获取这些数据并不容易。在这种情况下,FMs可能是解决方法。在本工作中,作者研究了一个人是否应该使用FMs而不是微调现有的模型。
未来先知
2024/10/29
1520
基础模型还是微调? 河流污染少镜头语义分割的评价
SST-Calib:结合语义和VO进行时空同步校准的lidar-visual外参标定方法(ITSC 2022)
对于大多数Visual和lidar融合算法而言,外参标定会极大地影响性能。具体而言,传感器融合算法需要非常精确的传感器之间的外参标定以及时间同步。所以一个能够联合估计visual-lidar外参矫正的几何和时间参数得算法是非常有价值的。另外,考虑到当车辆经历振动或碰撞时,手动校准的外参就会失效。因此自动外参标定功能的具备也是非常重要的。
3D视觉工坊
2023/04/29
3960
SST-Calib:结合语义和VO进行时空同步校准的lidar-visual外参标定方法(ITSC 2022)
CVPR 2024 | 分割一切模型SAM泛化能力差?域适应策略给解决了
大语言模型(LLMs)的成功激发了计算机视觉领域探索分割基础模型的兴趣。这些基础分割模型通常通过 Prompt Engineer 来进行 zero/few 图像分割。其中,Segment Anything Model(SAM)是最先进的图像分割基础模型。
机器之心
2024/04/12
2350
CVPR 2024 | 分割一切模型SAM泛化能力差?域适应策略给解决了
鱼眼摄像头和超声波融合感知近场障碍物
文章:Fisheye Camera and Ultrasonic Sensor Fusion For Near-Field Obstacle Perception in Bird’s-Eye-View
点云PCL博主
2024/02/06
7920
鱼眼摄像头和超声波融合感知近场障碍物
语义分割技术综述_语义分割模型
综述论文翻译:A Review on Deep Learning Techniques Applied to Semantic Segmentation
全栈程序员站长
2022/09/25
1K0
语义分割技术综述_语义分割模型
伦敦大学提出 SAMa: 材料感知三维选择和分割 !
了解作者周围的材料是一项极其常见的任务,但对于机器视觉方法来说仍然具有挑战性。在本文中,作者专注于3D物体的材料选择任务。
未来先知
2025/02/19
1910
伦敦大学提出 SAMa: 材料感知三维选择和分割 !
SAM-OCTA2 一种高效的OCTA图像层序列与投影分割方法 !
OCTA(光学相干断层扫描)是一种关键技术,用于可视化视网膜血管系统,特别是微血管结构和血流动力学[1]。它提供了眼球结构和疾病详细的无创成像,已经广泛应用于分析并诊断近视相关的眼病,如年龄相关性黄斑病变,分支的视网膜静脉阻塞,糖尿病视网膜病变和青光眼。OCTA通过堆叠B扫描获取深度信息,同时通过层切片创建表面视图[6]。
未来先知
2024/10/08
3050
SAM-OCTA2 一种高效的OCTA图像层序列与投影分割方法 !
传感器失效怎么办?MetaBEV:一种新颖且鲁棒感知网络架构,专治各自传感器疑难杂症
自动驾驶车辆中的感知系统通常接收来自多模传感器的输入,例如 LiDAR 和相机。然而,在真实应用中,传感器失效和故障会导致感知系统预测能力下降,从而危及自动驾驶的安全性。
AiCharm
2023/05/16
6400
传感器失效怎么办?MetaBEV:一种新颖且鲁棒感知网络架构,专治各自传感器疑难杂症
RGB2LIDAR:多模态融合的大范围场景的视觉定位(ACM-MM2020 )
多模态融合视觉定位方法,2020的ACM-MM,主要的创新点就是提出了一个融合LIDAR和IMAGE这两个模态,进行视觉定位,将定位任务转换为检索任务,总结来说,最大的意义在于提出了这个框架,并且证明了多模态融合视觉定位的有效性,但是框架里的很多细节都很粗糙,比如说不同信息的组合在文章中是十分简单的,也就是说有很大的提升空间。
3D视觉工坊
2022/03/11
6810
RGB2LIDAR:多模态融合的大范围场景的视觉定位(ACM-MM2020 )
NeRFs和3D高斯溅射技术如何重塑SLAM:综述
文章:How NeRFs and 3D Gaussian Splatting are Reshaping SLAM: a Survey
点云PCL博主
2024/06/21
1.7K0
NeRFs和3D高斯溅射技术如何重塑SLAM:综述
PPMamba 一种基于金字塔聚类局部辅助SSM的图像语义分割模型 !
遥感(RS)技术的快速发展极大地改变了作者对地球时间和空间尺度的认识。遥感技术在农业、林业、地质学、气象学、军事和环境保护等领域得到广泛应用,实现了系统性的分析、评估和预测。在这些应用中,语义分割在许多下游地质学任务中起着重要的作用,如土地覆盖分类和城市扩张监测等。
未来先知
2024/09/29
4020
PPMamba 一种基于金字塔聚类局部辅助SSM的图像语义分割模型 !
最新!恶劣天气条件下激光雷达感知研究综述
自动驾驶汽车依靠各种传感器来收集周围环境的信息。车辆的行为是根据环境感知进行规划的,因此出于安全考虑,其可靠性至关重要。有源激光雷达传感器能够创建场景的精确3D表示,使其成为自动驾驶汽车环境感知的宝贵补充。由于光散射和遮挡,激光雷达的性能在雾、雪或雨等恶劣天气条件下会发生变化。这种限制最近促进了大量关于缓解感知性能下降的方法的研究。本文收集、分析并讨论了基于激光雷达的环境感知中应对不利天气条件的不同方面。并讨论了适当数据的可用性、原始点云处理和去噪、鲁棒感知算法和传感器融合等主题,以缓解不利天气造成的缺陷。此外论文进一步确定了当前文献中最紧迫的差距,并确定了有希望的研究方向。
公众号-arXiv每日学术速递
2023/08/26
1.7K0
最新!恶劣天气条件下激光雷达感知研究综述
论文分享 | 恶劣天气下的3D目标检测
LiDAR是真实世界三维感知任务的重要传感器之一,但当光学介质中存在水或雪粒子时,这些粒子与激光束相互作用,具体表现为吸收、反射或折射激光束。这种相互作用产生了两种显著的影响:一是导致LiDAR的接收到的物体反射功率发生衰减;二是粒子的后向散射造成接收功率出现伪最大值,进而在不同于目标真实距离的范围内产生伪回波。因此,由于强烈的噪声干扰,捕获的点云会发生与正常天气下相差较大的域移位,从而导致测量质量严重下降。这一现象对3D目标检测等高级任务的性能产生不利的影响。接下来将介绍三个与之相关的研究工作:
一点人工一点智能
2024/03/28
9900
论文分享 | 恶劣天气下的3D目标检测
Lunima-OmniLV:多模态多Low-Level视觉框架,1K分辨率达佳效并助力系统构建 !
大规模基础模型的快速演进革新了人工智能,展示了跨多个领域的卓越泛化能力和多任务处理能力。GPT-4V [3]、InternVL [25-27]、Flamingo [8]、OmniGen [98] 和 OneDiffusion [51] 等统一框架通过在多模态数据集上进行大规模预训练,展现了令人印象深刻的表现。这些模型在语义驱动的视觉High-Level任务中表现出色,例如图像分类、图像理解、视觉生成和编辑。相比之下,Low-Level视觉统一模型的发展仍然高度分散且探索不足。
未来先知
2025/05/12
660
Lunima-OmniLV:多模态多Low-Level视觉框架,1K分辨率达佳效并助力系统构建 !
SAMReg 基于多类分割的通用图像配准解决方案 !
定分和配准都是医学影像分析中的基本任务,广泛应用于临床实践。传统上,定分任务需要一个输入图像,并寻找一个或多个感兴趣区域(ROIs)。定分通常用二进制 Mask 或ROI边界表示,而配准任务需要两张图像作为输入,输出一个空间上对齐的结果。这种空间变换可以表示为密集位移场(DDF)或其他参数函数(如刚性、仿射和控制点基曲线)。
未来先知
2024/11/11
3920
SAMReg 基于多类分割的通用图像配准解决方案 !
推荐阅读
融合LiDAR与4D雷达的协同感知:V2X-R数据集与去噪扩散方法深度解析
1320
FS-MedSAM2 探索 SAM2 在少样本图像分割中的潜力,无需微调 !
8290
​四大院校携手 GraphBEV | 将激光雷达和相机信息融合到BEV,比 BEVFusion性能高出8.3% !
1K0
基于 Transformer 的多模态融合方法用于语义分割 !
1.1K0
BEVCar | 融合雷达,颠覆夜间与恶劣天气下的机器人视觉分割!
4040
基础模型还是微调? 河流污染少镜头语义分割的评价
1520
SST-Calib:结合语义和VO进行时空同步校准的lidar-visual外参标定方法(ITSC 2022)
3960
CVPR 2024 | 分割一切模型SAM泛化能力差?域适应策略给解决了
2350
鱼眼摄像头和超声波融合感知近场障碍物
7920
语义分割技术综述_语义分割模型
1K0
伦敦大学提出 SAMa: 材料感知三维选择和分割 !
1910
SAM-OCTA2 一种高效的OCTA图像层序列与投影分割方法 !
3050
传感器失效怎么办?MetaBEV:一种新颖且鲁棒感知网络架构,专治各自传感器疑难杂症
6400
RGB2LIDAR:多模态融合的大范围场景的视觉定位(ACM-MM2020 )
6810
NeRFs和3D高斯溅射技术如何重塑SLAM:综述
1.7K0
PPMamba 一种基于金字塔聚类局部辅助SSM的图像语义分割模型 !
4020
最新!恶劣天气条件下激光雷达感知研究综述
1.7K0
论文分享 | 恶劣天气下的3D目标检测
9900
Lunima-OmniLV:多模态多Low-Level视觉框架,1K分辨率达佳效并助力系统构建 !
660
SAMReg 基于多类分割的通用图像配准解决方案 !
3920
相关推荐
融合LiDAR与4D雷达的协同感知:V2X-R数据集与去噪扩散方法深度解析
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档