【备战秋招】Redis

概述

Redis 是速度非常快的非关系型(NoSQL)内存键值数据库,可以存储键和五种不同类型的值之间的映射。

键的类型只能为字符串,值支持五种数据类型:字符串列表集合散列表有序集合
在这里插入图片描述

Redis 支持很多特性,例如将内存中的数据持久化到硬盘中,使用复制来扩展读性能,使用分片来扩展写性能。

使用场景

  • 计数器
  • 缓存
  • 查找表
    DNS 记录就很适合使用 Redis 进行存储
  • 消息队列
    List 是一个双向链表,可以通过 lpush 和 rpop 写入和读取消息,不过最好使用 KafkaRabbitMQ 等消息中间件。
  • 会话缓存
  • 分布式锁实现
  • Set 可以实现交集、并集等操作,从而实现共同好友等功能。
    ZSet 可以实现有序性操作,从而实现排行榜等功能。

数据类型

STRING

> set hello world 
 OK
> get hello
 "world" 
> del hello 
(integer) 1 
> get hello 
(nil)

在这里插入图片描述

LIST

> rpush list-key item 
(integer) 1 
> rpush list-key item2 
(integer) 2 
> rpush list-key item 
(integer) 3

在这里插入图片描述

> lrange list-key 0 -1 
1) "item" 
2) "item2" 
3) "item" 
> lindex list-key 1 
"item2" 
> lpop list-key 
"item" 
> lrange list-key 0 -1 
1) "item2" 
2) "item"

SET

在这里插入图片描述

> sadd set-key item 
(integer) 1 
> sadd set-key item2 
(integer) 1 
> sadd set-key item3 
(integer) 1 > 
> sadd set-key item 
(integer) 0 

> smembers set-key 
1) "item" 
2) "item2" 
3) "item3" 

> sismember set-key item4 
(integer) 0 
> sismember set-key item 
(integer) 1
> srem set-key item2 
(integer) 1 
> srem set-key item2 (integer) 0 
> smembers set-key 
1) "item" 
2) "item3"

HASH

在这里插入图片描述

> hset hash-key sub-key1 value1 
(integer) 1 
> hset hash-key sub-key2 value2 
(integer) 1 
> hset hash-key sub-key1 value1 
(integer) 0 

> hgetall hash-key 
1) "sub-key1" 
2) "value1" 
3) "sub-key2" 
4) "value2" 

> hdel hash-key sub-key2 
(integer) 1 
> hdel hash-key sub-key2 
(integer) 0 

> hget hash-key sub-key1 
 "value1"
> hgetall hash-key 
1) "sub-key1" 
2) "value1"

ZSET

在这里插入图片描述

> zadd zset-key 728 member1 
(integer) 1 
> zadd zset-key 982 member0 
(integer) 1 
> zadd zset-key 982 member0 
(integer) 0 

> zrange zset-key 0 -1 withscores 
1) "member1" 
2) "728" 
3) "member0" 
4) "982" 
> zrangebyscore zset-key 0 800 withscores 
1) "member1" 
2) "728" 

> zrem zset-key member1 
(integer) 1 
> zrem zset-key member1 
(integer) 0 
> zrange zset-key 0 -1 withscores 
1) "member0" 
2) "982"

数据结构

字典
dictht 是一个散列表结构,使用拉链法解决哈希冲突。

Redis 的字典 dict 中包含两个哈希表 dictht,这是为了方便进行 rehash 操作。在扩容时,将其中一个 dictht 上的键值对 rehash 到另一个 dictht 上面,完成之后释放空间并交换两个 dictht 的角色。

跳跃表
是有序集合的底层实现之一。
在这里插入图片描述

  • 插入速度非常快速,因为不需要进行旋转等操作来维护平衡性;
  • 更容易实现;
  • 支持无锁操作。

持久化

Redis 是内存型数据库,为了保证数据在断电后不会丢失,需要将内存中的数据持久化到硬盘上。

RDB 持久化

将某个时间点的所有数据都存放到硬盘上。
可以将快照复制到其它服务器从而创建具有相同数据的服务器副本。
如果系统发生故障,将会丢失最后一次创建快照之后的数据。
如果数据量很大,保存快照的时间会很长。

AOF持久化

将写命令添加到 AOF 文件(Append Only File)的末尾。
使用 AOF 持久化需要设置同步选项,从而确保写命令同步到磁盘文件上的时机。这是因为对文件进行写入并不会马上将内容同步到磁盘上,而是先存储到缓冲区,然后由操作系统决定什么时候同步到磁盘。有以下同步选项:
在这里插入图片描述
随着服务器写请求的增多,AOF 文件会越来越大。Redis 提供了一种将 AOF 重写的特性,能够去除 AOF 文件中的冗余写命令。

事务

一个事务包含了多个命令,服务器在执行事务期间,不会改去执行其它客户端的命令请求。

事务中的多个命令被一次性发送给服务器,而不是一条一条发送,这种方式被称为流水线,它可以减少客户端与服务器之间的网络通信次数从而提升性能。

事件

Redis 服务器是一个事件驱动程序。
在这里插入图片描述

复制

通过使用 slaveof host port 命令来让一个服务器成为另一个服务器的从服务器。
一个从服务器只能有一个主服务器,并且不支持主主复制

连接过程

  1. 主服务器创建快照文件,发送给从服务器,并在发送期间使用缓冲区记录执行的写命令。快照文件发送完毕之
    后,开始向从服务器发送存储在缓冲区中的写命令;
  2. 从服务器丢弃所有旧数据,载入主服务器发来的快照文件,之后从服务器开始接受主服务器发来的写命令;
  3. 主服务器每执行一次写命令,就向从服务器发送相同的写命令。
    在这里插入图片描述
    Sentinel(哨兵) 可以监听集群中的服务器,并在主服务器进入下线状态时,自动从从服务器中选举出新的主服务
    器。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值