Redis回顾

1. 什么是Redis？Redis是用来干什么的？

Redis ：是一种非关系型数据库，以键值对的形式进行存储（key-value），主要用来做数据缓存，Redis运行在内存中，数据也保存在内存中，目的在于让数据离浏览器更进，

Redis的它的读写速度非常快，结构简单易拓展，高性能，灵活的数据类型。

2. Redis的基本数据类型

String（字符串）

String是Redis最基础的数据结构类型，它是二进制安全的，可以存储图片或者序列化的对象，值最大存储为512M。

简单使用举例: set key value、get key等

内部编码有3种：int（8字节长整型）/embstr（小于等于39字节字符串）/raw（大于39个字节字符串）

应用场景

• 共享session
• 分布式锁
• 计数器、限流

Hash（哈希表）

在Redis中，哈希类型是指v（值）本身又是一个键值对（k-v）结构.

简单使用举例：hset key field value 、hget key field

内部编码：ziplist（压缩列表） 、hashtable（哈希表）

应用场景：缓存用户信息等。

List（列表）

列表（list）类型是用来存储多个有序的字符串

内部编码：ziplist（压缩列表）、linkedlist（链表）

应用场景参考以下：

• lpush+lpop=Stack（栈）
• lpush+rpop=Queue（队列）
• lpsh+ltrim=Capped Collection（有限集合）
• lpush+brpop=Message Queue（消息队列）

Set（集合）

集合（set）类型也是用来保存多个的字符串元素，但是不允许重复元素。

底层内部编码：ziplist（压缩列表）、skiplist（跳跃表）

应用场景：

• 用户标签
• 生成随机数抽奖、社交需求

ZSet（有序集合）

已排序的字符串集合，同时元素不能重复。

底层内部编码：ziplist（压缩列表）、skiplist（跳跃表）

应用场景：

• 排行榜
• 社交需求（如用户点赞）

三种特殊数据类型

• Geo：Redis3.2推出的，地理位置定位，用于存储地理位置信息，并对存储的信息进行操作。
• HyperLogLog：用来做基数统计算法的数据结构，如统计网站的UV。
• Bitmaps ：用一个比特位来映射某个元素的状态，在Redis中，它的底层是基于字符串类型实现的，可以把bitmaps成作一个以比特位为单位的数组

3. Redis这么快的原因？

• 性能极高（读写速度快）（基于内存实现）

• 丰富的数据类型（list、set、Map等）

• 原子性 (所有的操作都是原子性的)

• 丰富的特性 (支持publish,通知等)

• 合理的线程模型（单线程模型：避免上下文切换；IO多路复用）

• 虚拟内存机制

4. 什么是缓存击穿、缓存穿透和缓存雪崩及其解决方案？

缓存穿透

我们所查询的数据在数据库中没有，查询后也不在缓存中存，每次还是回去访问数据库。

特点：数据库没有，缓存也没有

解决：

• 本来数据库没有，将查询出来的空值放到缓存中。key = null

• 对查询的参数进行验证

缓存击穿

数据库有数据，只是某个热点key在某个时间点上过期了，此时有大量查询请求到达（查询是不加锁），查询缓存没有，一起都向数据库发送请求，导致数据库崩溃。

解决：

• 可以设置热点的key过期时间要把握好  永不过期

• 查询缓存后，访问数据库时，可以加锁  （使用互斥锁方案）

缓存雪崩

大量的热点key过期或者redis服务器故障，导致大量的请求到达数据库。

解决方案：

• 随机设置有效时间，避免同时生效

• 把不同的热点key放在不同的redis服务器上（集群）

• 设置较长的过期时间

• 在java中设置定时任务，去检测key是否过期

5. 什么是热点key问题？如何解决热点key问题?

什么是热Key呢？

在Redis中，我们把访问频率高的key，称为热点key。

如果某一热点key的请求到服务器主机时，由于请求量特别大，可能会导致主机资源不足，甚至宕机，从而影响正常的服务。

热点Key是怎么产生的呢？主要原因有两个：

• 用户消费的数据远大于生产的数据，如秒杀、热点新闻等读多写少的场景。
• 请求分片集中，超过单Redi服务器的性能，比如固定名称key，Hash落入同一台服务器，瞬间访问量极大，超过机器瓶颈，产生热点Key问题。

6. Redis过期策略和内存淘汰策略

key的过期策略

为key设置过期时间，那么时间到了后，Redis如何处理过期的key

立即删除。到期立即执行回调函数，立即释放内存，对redis性能有影响。

惰性删除。到期不会立即删除，到下次使用该键的时候，根据状态（设置时是会记录的），来决定是删除还是继续使用，占用内存）

定期删除。每隔一段时间对所有到期的键进行删除（类似于java中垃圾回收线程）

Redis中同时使用了惰性过期和定期过期两种过期策略。

7. Redis的应用场景

• 缓存：降低数据库的访问压力
• 排行榜：各式各样的排行榜
• 计数器应用
• 共享Session
• 分布式锁
• 社交网络
• 消息队列
• 位操作

8. Redis的持久化机制有哪些及优缺点

Redis是基于内存的非关系型K-V数据库，既然它是基于内存的，如果Redis服务器挂了，数据就会丢失。为了避免数据丢失了，Redis提供了持久化，即把数据保存到磁盘。

Redis提供了RDB和AOF两种持久化机制。

RDB，就是把内存数据以快照的形式保存到磁盘上。

配置触发持久化的机制：

1. save m n save 多少秒内 多少键

2. flushall 命令

3. 退出

RDB 的优点

• 适合大规模的数据恢复场景，如备份，全量复制等

RDB缺点

• 没办法做到实时持久化/秒级持久化。
• 新老版本存在RDB格式兼容问题

AOF:

以日志的形式，将写命令存储到文件 set name jim

还原时，将命令逐个执行还原数据

默认是不开启的 appendonly no

同步机制

appendfsync always 每次set记录一次

appendfsyns everysec 每秒记录一次

AOF的优点

• 数据的一致性和完整性更高

AOF的缺点

• AOF记录的内容越多，文件越大，数据恢复变慢。

9. Redis 是实现高可用的？

单点部署一旦宕机，就不可用了。为了实现高可用，通常的做法是，将数据库复制多个副本以部署在不同的服务器上，其中一台挂了也可以继续提供服务。Redis 实现高可用有三种部署模式：主从模式，哨兵模式，集群模式。

主从复制

主从---> 主机和从机（集群架构）

主机负责写数据，将数据同步到从机，一般的读数据从从机查询，

实现读写分离：写命令由主机执行，而读命令由从机执行。

为什么要使用集群？

如果只有一台redis服务，万一服务宕机，所有的请求都会到达mysql，导致mysql宕机，可以搭建多台redis服务器，如果其中一台出现故障，其他服务可以正常使用。

哨兵机制

有一个单独线程，对集群中的多态服务进行监听，给每个服务发请求，如果没有响应，表明出现故障。

比如，主机出现宕机，会在从机随机选取一台当做主机。当原来主机恢复后，又可以当做主机继续使用。

10. 什么是Redis分布锁？有哪些需要注意的？

分布式锁，是控制分布式系统不同进程共同访问共享资源的一种锁的实现。秒杀下单、抢红包等等业务场景，都需要用到分布式锁，我们项目中经常使用Redis作为分布式锁。

Redis分布式锁的几种实现方法：

• 命令setnx + expire分开写
• setnx + value值是过期时间
• set的扩展命令（set ex px nx）
• set ex px nx + 校验唯一随机值,再删除

11. 什么是Redisson及其原理？

       分布式锁可能存在锁过期释放，业务没执行完的问题。有些小伙伴认为，稍微把锁过期时间设置长一些就可以啦。其实我们设想一下，是否可以给获得锁的线程，开启一个定时守护线程，每隔一段时间检查锁是否还存在，存在则对锁的过期时间延长，防止锁过期提前释放。

12. 什么是RedLock算法？

• 按顺序向5个master节点请求加锁
• 根据设置的超时时间来判断，是不是要跳过该master节点。
• 如果大于等于三个节点加锁成功，并且使用的时间小于锁的有效期，即可认定加锁成功啦。
• 如果获取锁失败，解锁！

13. Redis的跳跃表？

跳跃表

• 跳跃表是有序集合zset的底层实现之一
• 跳跃表支持平均O（logN）,最坏 O（N）复杂度的节点查找，还可以通过顺序性操作批量处理节点。
• 跳跃表实现由zskiplist和zskiplistNode两个结构组成，其中zskiplist用于保存跳跃表信息（如表头节点、表尾节点、长度），而zskiplistNode则用于表示跳跃表节点。
• 跳跃表就是在链表的基础上，增加多级索引提升查找效率。

14. redis和Mysql 如何保证双写一致性？

• 缓存延时双删
• 删除缓存重试机制
• 读取biglog异步删除缓存

什么是延时双删呢？

1. 先删除缓存
2. 再更新数据库
3. 休眠一会（比如1秒），再次删除缓存。

删除缓存重试机制

因为延时双删可能会存在第二步的删除缓存失败，导致的数据不一致问题。

优化：删除失败就多删除几次呀,保证删除缓存成功就可以了，所以可以引入删除缓存重试机制

删除缓存重试流程

1. 写请求更新数据库
2. 缓存因为某些原因，删除失败
3. 把删除失败的key放到消息队列
4. 消费消息队列的消息，获取要删除的key
5. 重试删除缓存操作

读取biglog异步删除缓存

        重试删除缓存机制还可以吧，就是会造成好多业务代码入侵。其实，还可以这样优化：通过数据库的binlog来异步淘汰key。

以mysql为例吧

• 可以使用阿里的canal将binlog日志采集发送到MQ队列里面
• 然后通过ACK机制确认处理这条更新消息，删除缓存，保证数据缓存一致性

15. 为什么Redis 6.0 之后改为多线程？

redis是单线程模式还是多线程模式。

不同版本的区别：

6.x之前是真正意义上的单线程，处理客户端的连接和执行操作的命令，都是由一个线程完成的。

6.x之后引入多线程，处理客户端请求是由专门的线程处理，执行命令还是单线程。

为什么是单线程模式，速度还非常快？

1. 数据存储在内存中，读取速度快，cpu不是性能瓶颈

2. 结构简单，key-value 底层是哈希结构，查询操作速度是O(1)

3. 采用IO多路复用，非阻塞IO模型，提高连接访问效率

4. 单线程执行命令，不存在线程切换，节省开销，而且是线程安全的。

16. Redis事物机制？

        redis在执行单条命令时，是原子性（单线程的一次只能有一个线程执行命令），有时候，一次操作需要执行多条命令，如何保证多条命令整体执行。

• 开始事务（MULTI）
• 命令入队
• 执行事务（EXEC）、撤销事务（DISCARD ）

可以通过redis事务执行：

开启事务：multi

添加命令：... 命令添加进来不会立即执行，添加到一个多列。

执行exec命令时，才会将对列中的多条命令依次执行，执行一个事务多条命令时，其他客户端会被隔离，不会交替执行，但是事务不保证多条命令执行的原子性（假如执行3条命令，其中一条语法错误，那么会将其他两条正确的命令继续执行）

17. Redis的Hash冲突如何解决？

Redis为了解决哈希冲突，采用了链式哈希。链式哈希是指同一个哈希桶中，多个元素用一个链表来保存，它们之间依次用指针连接。

为了保持高效，Redis 会对哈希表做rehash操作，也就是增加哈希桶，减少冲突。为了rehash更高效，Redis还默认使用了两个全局哈希表，一个用于当前使用，称为主哈希表，一个用于扩容，称为备用哈希表。

18. 在生成RDB期间，Redis可以同时写请求？

可以的，Redis提供两个指令生成RDB，分别是save和bgsave。

• 如果是save指令，会阻塞，因为是主线程执行的。
• 如果是bgsave指令，是fork一个子进程来写入RDB文件的，快照持久化完全交给子进程来处理，父进程则可以继续处理客户端的请求。

19. Redis底层使用什么协议？

RESP，英文全称是Redis Serialization Protocol，它是专门为redis设计的一套序列化协议。这个协议其实在redis的1.2版本时就已经出现了，但是到了redis2.0才最终成为redis通讯协议的标准。

RESP主要有实现简单、解析速度快、可读性好等优点。

20. 布隆过滤器

应对缓存穿透问题，我们可以使用布隆过滤器。布隆过滤器是什么呢？

布隆过滤器是一种占用空间很小的数据结构，它是由一个很长的二进制向量和一组Hash映射函数组成，它用于检索一个元素是否在一个集合中，空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。

布隆过滤器原理：
假设我们有个集合A，A中有n个元素。利用k个哈希散列函数，将A中的每个元素映射到一个长度为a位的数组B中的不同位置上，这些位置上的二进制数均设置为1。如果待检查的元素，经过这k个哈希散列函数的映射后，发现其k个位置上的二进制数全部为1，这个严肃很可能属于集合A，反之，一定不属于集合A。

例：假设集合A有3个元素，分别为{d1,d2,d3}。有1个哈希函数，为Hash1。现在将A的每个元素映射到长度为16位数组B。

 我们现在把d1映射过来，假设Hash1（d1）= 2，我们就把数组B中，下标为2的格子改成1，如下：

 我们现在把d2也映射过来，假设Hash1（d2）= 5，我们把数组B中，下标为5的格子也改成1，如下：

 接着我们把d3也映射过来，假设Hash1（d3）也等于 2，它也是把下标为2的格子标1：

  因此，我们要确认一个元素dn是否在集合A里，我们只要算出Hash1（dn）得到的索引下标，只要是0，那就表示这个元素不在集合A，如果索引下标是1呢？那该元素可能是A中的某一个元素。因为你看，d1和d3得到的下标值，都可能是1，还可能是其他别的数映射的，布隆过滤器是存在这个缺点的：会存在hash碰撞导致的假阳性，判断存在误差。

如何减少这种误差呢？

• 搞多几个哈希函数映射，降低哈希碰撞的概率
• 同时增加B数组的bit长度，可以增大hash函数生成的数据的范围，也可以降低哈希碰撞的概率

   这样即使存在误差，我们可以发现，布隆过滤器并没有存放完整的数据，它只是运用一系列哈希映射函数计算出位置，然后填充二进制向量。如果数量很大的话，布隆过滤器通过极少的错误率，换取了存储空间的极大节省，还是挺划算的。