钉住 SQLite WAL 模式如何反转 rollback journal 的读写关系：原始内容留在主文件、新内容追加到 -wal，checkpoint 才把帧搬回主文件；用本机 3.53.2 实测 journal_mode=WAL 切换与 passive/truncate checkpoint 的真实帧数，读放大与 checkpoint 频率的取舍留作开放问题。

FoundationDB 采用控制面与数据面分离的架构，支持独立扩展。事务处理流程包括获取读版本、提交、冲突检测及日志持久化。本文为系列第一篇，介绍了角色分工及事务路径。

TiFlash通过Raft Learner角色接收TiKV日志，实现行存到列存的转换，保持物理隔离和强一致性。其存储引擎DeltaTree分为Delta和Stable两层，优化写入和读取性能。TiFlash的读路径通过ReadIndex确认复制进度，确保数据一致性。存算分离架构允许独立扩展存储和计算资源，提升查询效率。

Raft算法解决了分布式系统中的共识问题，确保多台机器上数据的一致性。它通过领导者选举、日志复制和安全性规则来实现，优先保证安全性，活性依赖于随机超时。文章详细介绍了Raft的机制、核心名词及其与其他算法的比较，强调了可理解性和工程实现的重要性。

本文讨论了Redis 7.4.x中的AOF（追加只文件）机制，强调其通过命令日志记录数据变化。AOF使用多段清单管理数据，支持增量写入和重放恢复。分析了不同fsync策略对数据持久性的影响，指出“always”模式下fsync失败会导致进程退出，而“everysec”模式允许最多1秒的数据丢失。此外，AOF重写过程通过子进程压缩日志，确保数据一致性。

本文讨论了Redis性能问题的排障方法，重点分析主线程阻塞和fork导致的延迟。提供了慢命令、内存使用和复制机制的诊断命令及治理建议，如避免使用大key、使用UNLINK替代DEL等。强调监控工具的重要性，并指出常见误解。建议在测试环境中复现问题以验证假设。

本文介绍了Milvus 2.6.x中的Streaming Service和Woodpecker组件，重点在于通过WAL（写前日志）实现高效的数据流处理和查询。Streaming Service负责数据摄入、状态恢复和查询，采用消息驱动方式确保数据一致性。Woodpecker作为云原生WAL，支持零本地盘存储，提升系统吞吐量和可靠性，优化实时数据检索和处理能力。

本文探讨了Kafka 3.x（KRaft模式）中日志与分区的内核语义，重点介绍了Topic、Partition和Log Segment的结构及其在磁盘上的表现。Kafka保证同一分区内消息的顺序，但不同分区间无序。文章分析了写路径的顺序追加机制和读路径的fetch过程，强调了offset的单调性与不可回退特性，以及通过分区设计优化吞吐量的方法。最后，讨论了KRaft与ZooKeeper模式的区别。

本文探讨流式数据处理的核心概念，包括流处理、批处理和微批的区别，以及如何通过Kafka和Flink实现有状态计算。强调流处理在无界输入和乱序情况下的容错机制，比较流表对偶与Lambda/Kappa架构，指出流处理的关键在于定义输出时机、状态存储和容错策略。

最近发现Codex Desktop存在严重Bug，导致SQLite日志频繁写入。TRACE级别日志占多数。建议通过配置文件关闭SQLite日志或使用触发器拦截写入。清空历史日志后，数据库大小显著减少，写入已停止。