Redis属性说明

redis持久化策略

原因

redis数据是记录在内存中的，一旦出现断电、宕机等意外，数据则会丢失。

持久化模式(RDB+AOF)

RDB模式

是redis默认是持久化策略。
特点：redis会定期执行RDB持久化操作。
RDB记录的是内存数据的快照，并且后续的快照会覆盖之前的，每次都是最新的快照。
优势：效率高，速度快。 缺点：当空挡期间有可能存在数据丢失的风险。
redis指令：save 立即执行持久化策略 当有可能带来线程阻塞（该操作会生成快照文件dump.rdb）
bgsave 后台执行持久化策略。 异步操作，不会带来线程阻塞，当不会立即执行。

AOF模式

默认是关闭的，需要手动开启，开启后，RDB模式会失效，当如果手动执行了sava操作，则也会生成RDB文件。
开启AOF模式
指令 vim redis.conf :set nu 显示文件行号 将文件中大楷在702行改为 appendonly yes

退出并保存 指令： Esc :wq

也可以通过其他工具打开文件修改

AOF模式的特点：
记录程序执行的过程，可以保证数据不丢失
由于记录的是程序的执行过程，文件比较大，需要定期维护。也造成了速度慢、效率比较低。

RDB与AOF模式的对比

1).RDB模式
save 900 1 如果在900秒内,执行了一次更新操作则持久化一次
save 300 10
save 60 10000 操作越快 ,持久化的周期越短.

2).AOF模式
appendfsync always 用户执行一次更新操作,则持久化一次 异步操作
appendfsync everysec 每秒操作一次
appendfsync no 不主动操作 一般不用.

如果允许数据少量丢失，首先考虑RDB，不允许，则用AOF。一般主机采用RDB，从机采用AOF。

如果不小心在redis服务器中执行了flushAll指令？ 在从库中执行save指令，将aof文件拷贝过去。

Redis内存策略

内存的空间是有限的，当有新的数据来的时候，内存不够会通过一些算法删除部分数据

1 LRU算法

最近最少使用算法 根据时间顺序删除一些之前的数据

2 LFU算法

最不经常使用页置换算法 删除使用次数最少的，根据频率来判断 frequency: 频率

3 随机算法

随机删除

4 TTL算法

对于那些有时间限定的数据，谁剩的最少谁先被删除

Redis的内存优化策略

1 volatile-lru 在设定超时时间的数据中采用LRU算法
2 allkeys-lru 所有的数据采用LRU算法删除
3 volatile-lfu 设定了超时时间的数据采用LFU算法删除
4 allkeys-lfu 所有数据采用LFU算法删除
5 volatile-random 设定了超时时间的数据采用随机算法
6 allkeys-random 所有数据的随机算法
7 volatile-ttl 设定了超时时间之后采用TTL算法
8 noeviction 不做任何操作,只是返回报错信息

关于Redis常见的面试题

什么是缓存穿透？

无效数据（内存、数据库中不存在的数据，一般为恶意攻击）大量访问访问数据库; 出现访问超时等现象。
解决方案：
禁用ip
限流
布隆过滤器

布隆过滤器原理：利用二进制向量存储，预加载时通过hash求模的方式来判断是否存在 误差大
解决方案：
1 增加二进制向量的位数
2 增加hash函数的个数

这里引用一位大佬对布隆过滤器的理解

布隆过滤器数据结构

布隆过滤器是一个 bit 向量或者说 bit 数组，这样：

如果我们要映射一个值到布隆过滤器中，我们需要使用多个不同的哈希函数生成多个哈希值，并对每个生成的哈希值指向的 bit 位置 1，例如针对值 “baidu” 和三个不同的哈希函数分别生成了哈希值 1、4、7，则上图转变为：

Ok，我们现在再存一个值 “tencent”，如果哈希函数返回 3、4、8 的话，图继续变为：

值得注意的是，4 这个 bit 位由于两个值的哈希函数都返回了这个 bit 位，因此它被覆盖了。现在我们如果想查询 “dianping” 这个值是否存在，哈希函数返回了 1、5、8三个值，结果我们发现 5 这个 bit 位上的值为 0，说明没有任何一个值映射到这个 bit 位上，因此我们可以很确定地说 “dianping” 这个值不存在。而当我们需要查询 “baidu” 这个值是否存在的话，那么哈希函数必然会返回 1、4、7，然后我们检查发现这三个 bit 位上的值均为 1，那么我们可以说 “baidu” 存在了么？答案是不可以，只能是 “baidu” 这个值可能存在。

这是为什么呢？答案跟简单，因为随着增加的值越来越多，被置为 1 的 bit 位也会越来越多，这样某个值 “taobao” 即使没有被存储过，但是万一哈希函数返回的三个 bit 位都被其他值置位了 1 ，那么程序还是会判断 “taobao” 这个值存在。

支持删除么

目前我们知道布隆过滤器可以支持 add 和 isExist 操作，那么 delete 操作可以么，答案是不可以，例如上图中的 bit 位 4 被两个值共同覆盖的话，一旦你删除其中一个值例如 “tencent” 而将其置位 0，那么下次判断另一个值例如 “baidu” 是否存在的话，会直接返回 false，而实际上你并没有删除它。

如何解决这个问题，答案是计数删除。但是计数删除需要存储一个数值，而不是原先的 bit 位，会增大占用的内存大小。这样的话，增加一个值就是将对应索引槽上存储的值加一，删除则是减一，判断是否存在则是看值是否大于0。

如何选择哈希函数个数和布隆过滤器长度

很显然，过小的布隆过滤器很快所有的 bit 位均为 1，那么查询任何值都会返回“可能存在”，起不到过滤的目的了。布隆过滤器的长度会直接影响误报率，布隆过滤器越长其误报率越小。

另外，哈希函数的个数也需要权衡，个数越多则布隆过滤器 bit 位置位 1 的速度越快，且布隆过滤器的效率越低；但是如果太少的话，那我们的误报率会变高。

个人的理解
如果使用了多个hash算法，二进制向量的个数应该也会增加，不然很容易出现bit位上的值覆盖。而二进制向量的个数就相当于对数据库的数据进行了这么多次排序，可能还不如采用像坐标的方式（二维向量）来进行映射。
可能我的理解出现了点问题，以及知识点不够全面，希望有好心的大佬看到了能够给点建议。

缓存穿击

某个（一个）热点数据在缓存中突然失效（一般对于哪些设置了超时时间的数据）导致大量用户直接访问数据库
解决方案：
超时时间设置长一点
设置多台缓存，不同算法的

缓存雪崩

在缓存服务器中，有大量的缓存数据失效，倒是用户访问的命中率过低，从而直接访问数据库。（一般执行flushAll指令会导致）
解决方案：
设置超时时间时，采用随机算法。
采用多级缓存