黑马面试Redis篇学习笔记整理, 附Redis高频面试题及答案.

Redis

使用场景

其他面试题

---

使用场景

缓存穿透

缓存穿透: 查询一个不存在的数据, MySQL查询不到数据也不会直接写入缓存, 就会导致每次请求都查数据库

解决方案一: 缓存空数据, 查询返回的数据为空, 仍然把这个空结果进行缓存

{key:1,value:null}

优点: 简单

缺点: 消耗内存, 可能发生不一致的问题

解决方案二:布隆过滤器

优点: 内存占用较少, 没有多余key

缺点: 实现复杂, 存在误判

布隆过滤器

bitmap(位图): 相当于是一个以(bit)位为单位的数组, 数组中每个单元只能存储二进制数0或1

布隆过滤器作用: 布隆过滤器可以用于检索一个元素是否在一个集合中

误判率: 数组越小误判率越大, 数组越大误判率就越小, 但是同时带来了更多的内存消耗

缓存击穿

缓存击穿: 给某一个key设置了过期时间, 当key过期的时候, 恰好这时间点对这个key有大量的并发请求过来, 这些并发的请求可能会瞬间把DB压垮

解决方案一： 互斥锁

强一致、性能差

解决方案二： 逻辑过期

高可用、性能优、但是不能保证数据绝对一致

缓存雪崩

缓存雪崩: 是指在同一时段内大量的缓存key同时失效或者Redis服务宕机, 导致大量请求到达数据库, 带来巨大压力

解决方案:

• 大量key过期: 给不同的Key的TTL添加随机值(随机的过期时间)

• Redis服务宕机: 利用Redis集群提高服务的可用性. 哨兵模式、集群模式

• 给缓存业务添加降级限流策略. Nginx或者Spring Cloud Gateway、降级可作为系统的保底策略, 适用于穿透、击穿、雪崩

• 给业务添加多级缓存. Guava或Caffeine

缓存三兄弟

穿透无中生有key, 布隆过滤null隔离

缓存击穿过期key, 锁与非期解难题

雪崩大量过期key, 过期时间要随机

面试必考三兄弟, 可用限流来保底

双写一致性

一致性要求高? 允许延迟一致?

双写一致

双写一致性: 当修改了数据库的数据也要同时更新缓存的数据, 缓存和数据库的数据要保持一致

• 读操作: 缓存命中, 直接返回; 缓存为命中查询数据库, 写入缓存, 设定超时时间

• 写操作: 延迟双删

  

  1. 先删除缓存, 还是先修改数据库?

     

     

  2. 为什么要删除两次缓存?

     降低出现脏数据的可能性

  3. 为什么要延时删除?

     

强一致

优化: 一般存入缓存的数据都是读多写少的数据

共享锁: 读锁readLock, 加锁之后, 其他线程可以共享读操作

排他锁: 也叫独占锁writeLock, 加锁之后, 阻塞其他县城读写操作

实现:

读锁:

独占锁:

延迟一致

异步通知保证数据的最终一致性

基于Canal(阿里的一款中间件)的异步通知

面试回答

Redis作为缓存, MySQL的数据如何与Redis进行同步呢? (双写一致性)

1. 介绍自己简历上的业务, 我们当时是把文章的热点数据存入到了缓存中, 虽然是热点数据, 但是实时性要求并没有那么高, 所以, 我们当时采用的是异步的同步数据的方案
2. 我们当时是把抢券的库存存入到了缓存中, 这个需要实时的记性你数据同步, 为了保证数据的强一致, 我们当时采用的是redisson提供的读写锁来保证数据的同步

那你来介绍一下异步的方案(redisson读写锁的这种方案)

• 允许延时一致的业务, 采用异步通知
  1. 使用MQ消息中间件, 更新数据之后, 通知缓存删除
  2. 利用Canal中间件, 不需要修改业务代码, 伪装为MySQL的一个从节点, Canal通过读取binlog的数据更新缓存
• 强一致性的, 采用Redisson提供的读写锁
  1. 共享锁: 读锁readLock, 加锁之后, 其他线程可以共享读操作
  2. 排他锁: 也叫独占锁writeLock, 加锁之后, 阻塞其他县城读写操作

持久化

Redis作为缓存, 数据的持久化是怎么做的?

在Redis中提供了两种数据持久化的方式: 1. RDB 2. AOF

RDB

RDB全称Redis Database Backup file(Redis数据备份文件), 也被叫做Redis数据快照. 简单来说就是把内存中的所有数据都记录到磁盘中. 当Redis实例故障重启后, 从磁盘读取快照文件, 恢复数据

Redis内部有触发RDB的机制, 可以在redis.conf文件中找到，格式如下

# 900秒内，如果至少有1个key被修改，则执行bgsave 
save 900 1  
save 300 10  
save 60 10000 

RDB的执行原理

bgsave开始时会fork主进程得到子进程, 子进程共享主进程的内存数据. 完成fork后读取内存数据并写入RDB文件

fork采用的是copy-on-write技术:

• 当主进程执行读操作时, 访问共享内存
• 当主进程执行写操作时, 则会拷贝一份数据, 执行写操作

AOF

AOF全称为Append Only File(追加文件). Redis处理的每一个写命令都会记录在AOF文件, 可以看作是命令日志文件.

AOF默认是关闭的, 需要修改redis.conf配置文件来开启AOF:

# 是否开启AOF功能，默认是no
appendonly yes
# AOF文件的名称
appendfilename "appendonly.aof"

AOF的命令记录的频率也可以通过redis.conf文件来配

# 表示每执行一次写命令，立即记录到AOF文件
appendfsync always 
# 写命令执行完先放入AOF缓冲区，然后表示每隔1秒将缓冲区数据写到AOF文件，是默认方案
appendfsync everysec 
# 写命令执行完先放入AOF缓冲区，由操作系统决定何时将缓冲区内容写回磁盘
appendfsync no

配置项	刷盘时机	优点	缺点
Always	同步刷盘	可靠性高，几乎不丢数据	性能影响大
everysec	每秒刷盘	性能适中	最多丢失1秒数据
no	操作系统控制	性能最好	可靠性较差，可能丢失大量数据

因为是记录命令, AOF文件会比RDB文件大得多. 而且AOF会记录对同一个key的多次写操作, 但只有最后一次写操作才有意义. 通过执行bgrewriteaof命令, 可以让AOF文件执行重写功能, 用最少的命令达到相同效果

Redis也会在触发阈值时自动去重写AOF文件. 阈值也可以在redis.conf中配置:

# AOF文件比上次文件 增长超过多少百分比则触发重写
auto-aof-rewrite-percentage 100
# AOF文件体积最小多大以上才触发重写 
auto-aof-rewrite-min-size 64mb 

RDB和AOF对比

RDB和AOF各有自己的优缺点, 如果对数据安全性要求较高, 在实际开发中往往会结合两者来使用

	RDB	AOF
持久化方式	定时对整个内存做快照	记录每一次执行的命令
数据完整性	不完整，两次备份之间会丢失	相对完整，取决于刷盘策略
文件大小	会有压缩，文件体积小	记录命令，文件体积很大
宕机恢复速度	很快	慢
数据恢复优先级	低，因为数据完整性不如AOF	高，因为数据完整性更高
系统资源占用	高，大量CPU和内存消耗	低，主要是磁盘IO资源 但AOF重写时会占用大量CPU和内存资源
使用场景	可以容忍数分钟的数据丢失，追求更快的启动速度	对数据安全性要求较高常见

数据过期策略

假如Redis的key过期之后, 会立即删除吗?

Redis对数据设置数据的有效时间, 数据过期以后, 就需要将数据从内存中删除掉. 可以按照不同的规则进行删除, 这种规则就被称之为数据的删除策略(数据过期策略).

惰性删除、定期删除

惰性删除

惰性删除: 设置该key过期时间后, 我们不去管它, 当需要该key时, 我们再检查其是否过期, 如果过期, 我们就删掉它, 反之返回该key

优点: 对CPU友好, 只会在使用该key时才会进行过期检查, 对于很多用不到的key不用浪费时间进行过期检查

缺点: 对内存不友好, 如果一个key已经过期, 但是一直没有使用, 那么该key就会一直存在内存中, 内存永远不会释放

定期删除

定期删除: 每隔一段时间, 我们就对一些key进行检查, 删除里面过期的key(从一定数量的数据库中取出一定数量的随机key进行检查, 并删除其中的过期key).

定期清理有两种模式:

• SLOW模式时定时任务, 执行频率默认为10hz, 每次不超过25ms, 以通过修改配置文件redis.conf的hz选项来调整这个次数
• FAST模式执行频率不固定, 但两次间隔不低于2ms, 每次耗时不超过1ms

优点: 可以通过限制删除操作执行的时长和频率来减少删除操作对CPU的影响. 另外定期删除, 也能有效释放过期key占用的内存

缺点: 难以确定删除操作执行的时长和频率

**Redis的过期删除策略 **

惰性删除 + 定期删除两种策略进行配合使用

数据淘汰策略

假如缓存过多, 内存是有限的, 内存被占满了怎么办?

其实就是想问Redis的数据淘汰策略是什么?

数据淘汰策略

数据淘汰策略: 当Redis中的内存不够用时, 此时再想Redis中添加新的key, 那么Redis就会按照某一种规则将内存中的数据删除掉, 这种数据的删除规则被称之为内存的淘汰策略

Redis支持8种不同策略来选择要删除的key:

• noeviction: 不淘汰任何key, 但是内存满时不允许写入新数据, 默认就是这种策略
• volatile-ttl: 对设置了TTL的key, 比较key的剩余TTL值, TTL越小越先被淘汰
• allkeys-random: 对全体key, 随机进行淘汰
• volatile-random: 对设置了TTL的key, 随机进行淘汰.
• allkeys-lru: 对全体key, 基于LRU算法进行淘汰
• volatile-lru: 对设置了TTL的key, 基于LRU算法进行淘汰
• allkeys-lfu: 对全体key, 基于LFU算法进行淘汰
• volatile-lfu: 对设置了TTL的key, 基于LFU算法进行淘汰

使用建议

1. 优先使用allkeys-lru策略. 充分利用LRU算法的优势, 把最近最常访问的数据留在缓存中. 如果业务有明显的冷热数据区分, 建议使用.
2. 如果业务中数据访问频率差别不大, 没有明显冷热数据区分, 建议使用allkeys-random, 随机选择淘汰.
3. 如果业务中有置顶的需求, 可以使用volatile-lru策略, 同时置顶数据不设置过期时间, 这些数据就一直不被删除, 会淘汰其他设置了过期时间的数据
4. 如果业务中有短时高频访问的数据, 可以使用allkeys-lfu或volatile-lfu策略

关于数据淘汰策略其他的面试问题

1. 数据库有1000万数据, Redis只能缓存20W数据, 如何保证Redis中的数据都是热点数据?

   答: 使用allkeys-lru(挑选最近最少使用的数据淘汰)淘汰策略, 留下来的都是经常访问的热点数据

2. Redis的内存用完了会发生什么?

   答: 主要看数据淘汰策略是什么? 如果是默认的配置(noeviction), 会直接报错

分布式锁

Redis分布式锁, 是如何实现的?

需要结合项目中的业务进行回答, 通常情况下， 分布式锁使用的场景:

集群情况下的定时任务、抢单、幂等性场景

抢券场景

正常情况:

异常情况:

解决方案一:

集群模式下的异常情况:

互斥锁是本地的, 对于集群来说, 没有效果, 此时就需要一个外部的锁, 也就是分布式锁

Redis分布式锁

Redis实现分布式锁主要利用Redis的setnx命令. setnx是SET if not exists(如果不存在, 则SET)的简写

• 获取锁:

  

• 释放锁:

  

Redis实现分布式锁如何合理的控制锁的有效时长?

• 根据业务执行时间预估
• 给锁续期

Redisson实现的分布式锁-执行流程

Redisson新增了看门狗机制和重试机制

看门狗: 监听线程, 并每隔(releaseTime / 3)的时间给锁进行续期

重试机制: 如果一个线程获取锁失败, 并不是立即结束线程, 而是通过while循环不断的尝试获取锁, 一般情况下, 业务执行时长很短, 所以可以显著提高分布式锁的执行性能. 重试机制不会一直重试下去, 会有一个阈值, 当超过阈值时会自动结束

如果设置了锁的过期时间, 将不会触发看门狗机制, 也就不会给锁续期.

加锁、设置过期时间等操作都是基于lua脚本完成

lua脚本作用: 能够调用Redis命令, 保证多条命令执行的原子性

Redisson实现的分布式锁-可重入

利用hash结构记录线程id和重入次数

Redisson实现的分布式锁-主从一致性

RedLock(红锁): 不能只在一个Redis实例上创建锁, 应该是在多个Redis实例上创建锁(n / 2 + 1), 避免在一个Redis实例上加锁

Redis是AP思想: 即原子性与分区容忍性, 结果最终一致即可

zookeeper是CP思想: 即一致性与分区容忍性, 是保持强一致的

面试官: Redis分布式锁, 是如何实现的?

• 先按照自己简历上的业务进行描述分布式锁使用的场景
• 我们当时使用的Redisson实现的分布式锁, 底层时setnx和lua脚本(保证原子性)

面试官: Redisson实现分布式锁如何合理的控制锁的有效时长?

答: 在Redisson的分布式锁中, 提供了一个WatchDog(看门狗), 一个线程获取锁成功以后, WatchDog会给持有锁的线程续期(默认是(release(默认30s) / 3) 10s续期一次)

面试官: Redisson的这个锁， 可以重入吗?

答: 可以重入, 多个锁重入需要判断是否是当前线程, 在Redis中进行存储的时候使用的是hash结构, 来存储线程信息和重入的次数

面试官: Redisson锁能解决主从一致的问题吗

答: 不能解决, 但是可以使用Redisson提供的红锁来解决, 但是这样的话, 性能就太低了, 如果业务中非要保证数据的强一致性, 建议采用zookeeper实现的分布式锁

其他面试问题

Redis集群有哪些方案?

在Redis中提供的集群方案总共有三种

• 主从复制
• 哨兵模式
• 分片集群

主从复制

单节点Redis的并发能力是有上限的, 要进一步提高Redis的并发能力, 就需要搭建主从集群, 实现读写分离

主从数据同步原理

主从全量同步:

Replication Id: 简称replid, 是数据集的标记, id一致则说明是同一数据集. 每一个master都有唯一的replid, slave则会继承master节点的replid

offset: 偏移量, 随着记录在repl_baklog中的数据增多而逐渐增大. slave完成同步时也会记录当前同步的offset. 如果slave的offset小雨master的offset, 说明slave的数据落后于master, 需要更新.

主从增量同步(slave重启或后期数据变化)

面试官: 介绍一下Redis的主从同步

答: 单节点Redis的并发能力是有上限的, 要进一步提高Redis的并发能力, 就需要搭建主从集群, 实现读写分离. 一般都是一主多从, 主节点负责写数据, 从节点负责读数据

面试官: 能说一下, 主从同步数据的流程吗?

全量同步:

1. 从节点请求主节点同步数据(携带Replication Id、offset)
2. 主节点判断是否是第一次请求, 是第一次就与从节点同步版本信息(携带Replication Id和offset)
3. 主节点执行bgsave, 生成RDB文件后, 发送给从节点去执行
4. 在RDB生成执行期间, 主节点会以命令的方式记录到缓冲区(一个日志文件)
5. 把生成之后的命令日志文件发送给从节点进行同步

增量同步:

1. 从节点请求主节点同步数据, 主节点判断是不是第一次请求, 不是第一次就获取从节点的offset值
2. 主节点从命令日志中获取offset值之后的数据, 发送给从节点进行数据同步

哨兵

哨兵的作用

Redis提供了哨兵(Sentinel) 机制来实现主从集群的自动故障恢复. 哨兵的结构和作用如下

• 监控: Sentinel会不断检查您的master和slave是否按照预期工作
• 自动故障恢复: 如果master故障, Sentinel会将一个slave提升为master. 当故障实例恢复后也以新的master为主
• 通知: Sentinel充当Redis客户端的服务发现来源, 当集群发生故障转移时, 会将最新信息推送给Redis的客户端

服务状态监控

Sentinel基于心跳机制监测服务状态, 每隔1秒向集群的每个实例发送ping命令:

• 主观下线: 如果某Sentinel节点发现某实例未在规定时间相应, 则认为该实例主观下线.
• 客观下线: 若超过指定数量(quorum)的Sentinel都任务该实例主观下线, 则该实例客观下线. quorum值最好超过Sentinel实例数量的一半

哨兵选主规则

• 首先判断主与从节点断开时间长短, 如超过指定值就排除该从节点
• 然后判断从节点的slave-priority值, 越小优先级越高
• 如果slave-prority一样, 则判断slave节点的offset值, 越大优先级越高
• 最后是判断slave节点的运行id大小, 越小优先级越高.

Redis集群(哨兵模式)脑裂

正常情况:

如果此时发生了网络等一系列原因故障, 导致主从节点不在同一个网络分区下, 如下图:

此时Sentinel会根据选主规则, 重新选择一个主节点. 问题来了, 此时客户端连接的依旧是之前的主节点, 还会继续往老主节点中写入数据, 而不会往新主节点中写入. 当网络恢复后, 老主节点会被强制降为子节点, 如图:

此时, 老主节点变为子节点后会向新主节点发送同步数据请求, 并且清空自己的数据. 那么, 在故障期间, 在老主节点中写入的数据将会全部丢失. 这就是脑裂问题

解决:

Redis中有两个配置参数:

min-replicas-to-write 1: 表示最少的salve节点为个

min-replicas-max-lag 5: 表示数据复制和同步的延迟不能超过5秒

面试官: 怎么保证Redis的高并发高可用?

答: 哨兵模式: 实现主从集群的自动故障恢复(监控、自动故障恢复、通知)

面试官: 你们使用Redis是单点还是集群, 哪种集群?

答: 主从(1主1从) + 哨兵模式就可以了. 单节点不超过10G内存, 如果Redis内存不足则可以给不同服务非配独立的Redis主从节点

面试官: Redis集群脑裂, 该怎么解决呢?

答: 集群脑裂是由于主节点和从节点和Sentinel处于不同的网络分区, 使得Sentinel没有能够心跳感知到主节点, 所以通过选举的方式提升了一个从节点为主, 这样就存在了两个master, 就像大脑分裂了一样, 这样会导致客户端还在老的主节点那里写入数据, 新节点无法同步数据, 当网络恢复后, Sentinel会将老的主节点降为从节点, 这是再从新master同步数据, 就会导致数据丢失

解决: 我们可以修改Redis的配置, 可以设置最少的从节点数量以及缩短主从数据同步的延迟时间, 达不到要求就拒绝请求, 就可以避免大量的数据丢失

分片集群

主从和哨兵可以解决高可用(哨兵)、高并发读(主从)的问题, 但是依然有两个问题没有解决:

• 海量数据存储问题
• 高并发写的问题

结构

使用分片集群可以解决上述问题, 分片集群特征:

• 集群中有多个master, 每个master保存不同数据

• 每个master都可以有多个slave节点

• master之间通过ping监测彼此健康状态

• 客户端请求可以访问集群任意节点, 最终都会被转发到正确节点

数据读写

Redis分片集群引入了哈希槽的概念, Redis集群有16384个哈希槽, 每隔key通过CRC16校验后对16384取模来决定放置哪个槽, 集群的每个节点负责一部分hash槽

面试官: Redis的分片集群有什么作用?

• 集群中有多个master, 每个master保存不同数据
• 每个master都可以有多个slave节点
• master之间通过ping检测彼此健康状态
• 客户端请求可以访问集群任意节点, 最终都会被转发到正确节点

面试官: Redis分片集群中数据是怎么存储和读取的?

• Redis分片集群引入了哈希槽的概念, Redis集群有16384个哈希槽
• 将16384个插槽分配到不同的实例
• 读写数据: 根据key的有效部分计算哈希值, 对16384取余(有效部分, 如果key前面有大括号, 大括号的内容就是有效部分, 如果没有, 则以key本身作为有效部分)余数作为插槽, 寻找插槽所在的实例

Redis是单线程的, 但是为什么还那么快?

• Redis是纯内存操作, 执行速度非常快
• 采用单线程, 避免不必要的上下文切换可竞争条件, 多线程还要考虑线程安全问题
• 使用I/O多路复用模型, 非阻塞IO

I/O多路复用模型

Redis是纯内存操作, 执行速度非常快, 它的性能瓶颈是网络延迟而不是执行速度, I/O多路复用模型主要就是实现了高效的网络请求

• 用户空间和内核空间
• 常见的IO模型
  • 阻塞IO(Blocking IO)
  • 非阻塞IO(Nonblocking IO)
  • IO多路复用(IO Multiplexing)
• Redis网络模型

用户空间和内核空间

• Linux系统中一个进程使用的内存情况划分为两部分: 内核空间、用户空间
• 用户空间只能执行受限的命令(Ring3), 而且不能直接调用系统资源, 必须通过内核提供的接口来访问
• 内核空间可以执行特权命令(Ring0), 调用一切系统资源

Linux系统为了提高IO效率, 会在用户空间和内核空间都加入缓冲区:

• 写数据时: 要把用户缓冲数据拷贝到内核缓冲区, 然后写入设备
• 读数据时: 要从设备读取数据到内核缓冲区, 然后拷贝到用户缓冲区

阻塞IO

顾名思义, 阻塞IO就是两个阶段都必须阻塞等待:

阶段一:

1. 用户进程尝试读取数据(比如网卡数据)
2. 此时数据尚未到达, 内核需要等待数据
3. 此时用户进程也处于阻塞状态

阶段二:

1. 数据到达并拷贝到内核缓冲区, 代表已就绪
2. 将内核数据拷贝到用户缓冲区
3. 拷贝过程中, 用户进程依然阻塞等待
4. 拷贝完成, 用户进程解除阻塞, 处理数据

可以看到, 阻塞IO模型中, 用户进程在两个阶段都是阻塞状态

非阻塞IO

顾名思义, 非阻塞IO的recvfrom操作会立即返回结果而不是阻塞用户进程

阶段一:

1. 用户进程尝试读取数据(比如网卡数据)
2. 此时数据尚未到达, 内核需要等待数据
3. 返回异常给用户进程
4. 用户进程拿到ERROR后, 再次尝试读取
5. 循环往复, 知道数据就绪

阶段二:

1. 将内核数据拷贝到用户缓冲区
2. 拷贝过程中, 用户进程依然阻塞等待
3. 拷贝完成, 用户进程解除阻塞, 处理数据

可以看到, 非阻塞IO模型中, 用户进程在第一个阶段是非阻塞, 第二个阶段是阻塞状态. 虽然是非阻塞, 但性能并没有得到提高. 而且忙等机制会导致CPU空转, CPU使用率暴增.

IO多路复用

IO多路复用: 是利用单个线程来同时监听多个Socket, 并在某个Socket可读、可写时得到通知, 从而避免无效的等待, 充分利用CPU资源.

阶段一:

1. 用户进程调用select, 指定要监听的Socket集合
2. 内核监听对应的多个Socket
3. 任意一个或多个Socket数据就绪则返回readable
4. 此过程中用户进程阻塞

阶段二:

1. 用户进程找到就绪的Socket
2. 依次调用recvfrom读取数据
3. 内核将数据拷贝到用户空间
4. 用户进程处理数据

不过监听Socket的方式、通知的方式又有多种实现, 常见的有:

• select
• poll
• epoll

差异:

• select和poll只会通知用户进程有Socket就绪, 但不确定具体是哪个Socket, 需要用户进程逐个遍历Socket来确认
• epoll则会在通知用户进程Socket就绪的同时, 把已就绪的Socket写入用户空间

Redis网络模型

Redis通过IO多路复用来提高网络性能, 并且支持各种不同的多路复用实现, 并且将这些实现进行封装, 提供了统一的高性能事件库

在Redis6.0版本之后加入了多线程模式

面试官: 能解释一下I/O多路复用模型吗?

答:

1. I/O多路复用

   是指利用单个线程来同时监听多个Socket, 并在某个Socket可读、可写时得到通知, 从而避免无效的等待, 充分利用CPU资源. 目前的I/O多路复用都是采用的epoll模式实现, 它会在通知用户进程Socket就绪的同时, 把已就绪的Socket写入用户空间, 不需要挨个遍历Socket来判断是否就绪, 提升了性能.

2. Redis网络模型

   就是使用I/O多路复用结合事件的处理器来应对多个Socket请求

   • 连接应答处理器
   • 命令回复处理器, 在Redis6.0之后, 为了提升性能, 使用了多线程来处理回复事件
   • 命令请求处理器, 在Redis6.0之后, 将命令的转换使用了多线程, 增加命令转换速度, 在命令执行的时候, 依然是单线程

Redis相关面试题

面试官：什么是缓存穿透 ? 怎么解决 ?

候选人：

嗯~~，我想一下

缓存穿透是指查询一个一定不存在的数据，如果从存储层查不到数据则不写入缓存，这将导致这个不存在的数据每次请求都要到 DB 去查询，可能导致 DB 挂掉。这种情况大概率是遭到了攻击。

解决方案的话，我们通常都会用布隆过滤器来解决它

面试官：好的，你能介绍一下布隆过滤器吗？

候选人：

嗯，是这样~

布隆过滤器主要是用于检索一个元素是否在一个集合中。我们当时使用的是redisson实现的布隆过滤器。

它的底层主要是先去初始化一个比较大数组，里面存放的二进制0或1。在一开始都是0，当一个key来了之后经过3次hash计算，模于数组长度找到数据的下标然后把数组中原来的0改为1，这样的话，三个数组的位置就能标明一个key的存在。查找的过程也是一样的。

当然是有缺点的，布隆过滤器有可能会产生一定的误判，我们一般可以设置这个误判率，大概不会超过5%，其实这个误判是必然存在的，要不就得增加数组的长度，其实已经算是很划分了，5%以内的误判率一般的项目也能接受，不至于高并发下压倒数据库。

面试官：什么是缓存击穿 ? 怎么解决 ?

候选人：

嗯！！

缓存击穿的意思是对于设置了过期时间的key，缓存在某个时间点过期的时候，恰好这时间点对这个Key有大量的并发请求过来，这些请求发现缓存过期一般都会从后端 DB 加载数据并回设到缓存，这个时候大并发的请求可能会瞬间把 DB 压垮。

解决方案有两种方式：

第一可以使用互斥锁：当缓存失效时，不立即去load db，先使用如 Redis 的 setnx 去设置一个互斥锁，当操作成功返回时再进行 load db的操作并回设缓存，否则重试get缓存的方法

第二种方案可以设置当前key逻辑过期，大概是思路如下：

①：在设置key的时候，设置一个过期时间字段一块存入缓存中，不给当前key设置过期时间

②：当查询的时候，从redis取出数据后判断时间是否过期

③：如果过期则开通另外一个线程进行数据同步，当前线程正常返回数据，这个数据不是最新

当然两种方案各有利弊：

如果选择数据的强一致性，建议使用分布式锁的方案，性能上可能没那么高，锁需要等，也有可能产生死锁的问题

如果选择key的逻辑删除，则优先考虑的高可用性，性能比较高，但是数据同步这块做不到强一致。

面试官：什么是缓存雪崩 ? 怎么解决 ?

候选人：

嗯！！

缓存雪崩意思是设置缓存时采用了相同的过期时间，导致缓存在某一时刻同时失效，请求全部转发到DB，DB 瞬时压力过重雪崩。与缓存击穿的区别：雪崩是很多key，击穿是某一个key缓存。

解决方案主要是可以将缓存失效时间分散开，比如可以在原有的失效时间基础上增加一个随机值，比如1-5分钟随机，这样每一个缓存的过期时间的重复率就会降低，就很难引发集体失效的事件。

面试官：redis做为缓存，mysql的数据如何与redis进行同步呢？（双写一致性）

候选人：嗯！就说我最近做的这个项目，里面有xxxx（根据自己的简历上写）的功能，需要让数据库与redis高度保持一致，因为要求时效性比较高，我们当时采用的读写锁保证的强一致性。

我们采用的是redisson实现的读写锁，在读的时候添加共享锁，可以保证读读不互斥，读写互斥。当我们更新数据的时候，添加排他锁，它是读写，读读都互斥，这样就能保证在写数据的同时是不会让其他线程读数据的，避免了脏数据。这里面需要注意的是读方法和写方法上需要使用同一把锁才行。

面试官：那这个排他锁是如何保证读写、读读互斥的呢？

候选人：其实排他锁底层使用也是setnx，保证了同时只能有一个线程操作锁住的方法

面试官：你听说过延时双删吗？为什么不用它呢？

候选人：延迟双删，如果是写操作，我们先把缓存中的数据删除，然后更新数据库，最后再延时删除缓存中的数据，其中这个延时多久不太好确定，在延时的过程中可能会出现脏数据，并不能保证强一致性，所以没有采用它。

面试官：redis做为缓存，mysql的数据如何与redis进行同步呢？（双写一致性）

候选人：嗯！就说我最近做的这个项目，里面有xxxx（根据自己的简历上写）的功能，数据同步可以有一定的延时（符合大部分业务）

我们当时采用的阿里的canal组件实现数据同步：不需要更改业务代码，部署一个canal服务。canal服务把自己伪装成mysql的一个从节点，当mysql数据更新以后，canal会读取binlog数据，然后在通过canal的客户端获取到数据，更新缓存即可。

面试官：redis做为缓存，数据的持久化是怎么做的？

候选人：在Redis中提供了两种数据持久化的方式：1、RDB 2、AOF

面试官：这两种持久化方式有什么区别呢？

候选人：RDB是一个快照文件，它是把redis内存存储的数据写到磁盘上，当redis实例宕机恢复数据的时候，方便从RDB的快照文件中恢复数据。

AOF的含义是追加文件，当redis操作写命令的时候，都会存储这个文件中，当redis实例宕机恢复数据的时候，会从这个文件中再次执行一遍命令来恢复数据

面试官：这两种方式，哪种恢复的比较快呢？

候选人：RDB因为是二进制文件，在保存的时候体积也是比较小的，它恢复的比较快，但是它有可能会丢数据，我们通常在项目中也会使用AOF来恢复数据，虽然AOF恢复的速度慢一些，但是它丢数据的风险要小很多，在AOF文件中可以设置刷盘策略，我们当时设置的就是每秒批量写入一次命令

面试官：Redis的数据过期策略有哪些 ?

候选人：

嗯~，在redis中提供了两种数据过期删除策略

第一种是惰性删除，在设置该key过期时间后，我们不去管它，当需要该key时，我们在检查其是否过期，如果过期，我们就删掉它，反之返回该key。

第二种是 定期删除，就是说每隔一段时间，我们就对一些key进行检查，删除里面过期的key

定期清理的两种模式：

• SLOW模式是定时任务，执行频率默认为10hz，每次不超过25ms，以通过修改配置文件redis.conf 的 hz 选项来调整这个次数
• FAST模式执行频率不固定，每次事件循环会尝试执行，但两次间隔不低于2ms，每次耗时不超过1ms

Redis的过期删除策略：惰性删除 + 定期删除两种策略进行配合使用。

面试官：Redis的数据淘汰策略有哪些 ?

候选人：

嗯，这个在redis中提供了很多种，默认是noeviction，不删除任何数据，内部不足直接报错

是可以在redis的配置文件中进行设置的，里面有两个非常重要的概念，一个是LRU，另外一个是LFU

LRU的意思就是最少最近使用，用当前时间减去最后一次访问时间，这个值越大则淘汰优先级越高。

LFU的意思是最少频率使用。会统计每个key的访问频率，值越小淘汰优先级越高

我们在项目设置的allkeys-lru，挑选最近最少使用的数据淘汰，把一些经常访问的key留在redis中

面试官：数据库有1000万数据 ,Redis只能缓存20w数据, 如何保证Redis中的数据都是热点数据 ?

候选人：

嗯，我想一下~~

可以使用 allkeys-lru （挑选最近最少使用的数据淘汰）淘汰策略，那留下来的都是经常访问的热点数据

面试官：Redis的内存用完了会发生什么？

候选人：

嗯~，这个要看redis的数据淘汰策略是什么，如果是默认的配置，redis内存用完以后则直接报错。我们当时设置的 allkeys-lru 策略。把最近最常访问的数据留在缓存中。

面试官：Redis分布式锁如何实现 ?

候选人：嗯，在redis中提供了一个命令setnx(SET if not exists)

由于redis的单线程的，用了命令之后，只能有一个客户端对某一个key设置值，在没有过期或删除key的时候是其他客户端是不能设置这个key的

面试官：好的，那你如何控制Redis实现分布式锁有效时长呢？

候选人：嗯，的确，redis的setnx指令不好控制这个问题，我们当时采用的redis的一个框架redisson实现的。

在redisson中需要手动加锁，并且可以控制锁的失效时间和等待时间，当锁住的一个业务还没有执行完成的时候，在redisson中引入了一个看门狗机制，就是说每隔一段时间就检查当前业务是否还持有锁，如果持有就增加加锁的持有时间，当业务执行完成之后需要使用释放锁就可以了

还有一个好处就是，在高并发下，一个业务有可能会执行很快，先客户1持有锁的时候，客户2来了以后并不会马上拒绝，它会自旋不断尝试获取锁，如果客户1释放之后，客户2就可以马上持有锁，性能也得到了提升。

面试官：好的，redisson实现的分布式锁是可重入的吗？

候选人：嗯，是可以重入的。这样做是为了避免死锁的产生。这个重入其实在内部就是判断是否是当前线程持有的锁，如果是当前线程持有的锁就会计数，如果释放锁就会在计算上减一。在存储数据的时候采用的hash结构，大key可以按照自己的业务进行定制，其中小key是当前线程的唯一标识，value是当前线程重入的次数

面试官：redisson实现的分布式锁能解决主从一致性的问题吗

候选人：这个是不能的，比如，当线程1加锁成功后，master节点数据会异步复制到slave节点，此时当前持有Redis锁的master节点宕机，slave节点被提升为新的master节点，假如现在来了一个线程2，再次加锁，会在新的master节点上加锁成功，这个时候就会出现两个节点同时持有一把锁的问题。

我们可以利用redisson提供的红锁来解决这个问题，它的主要作用是，不能只在一个redis实例上创建锁，应该是在多个redis实例上创建锁，并且要求在大多数redis节点上都成功创建锁，红锁中要求是redis的节点数量要过半。这样就能避免线程1加锁成功后master节点宕机导致线程2成功加锁到新的master节点上的问题了。

但是，如果使用了红锁，因为需要同时在多个节点上都添加锁，性能就变的很低了，并且运维维护成本也非常高，所以，我们一般在项目中也不会直接使用红锁，并且官方也暂时废弃了这个红锁

面试官：好的，如果业务非要保证数据的强一致性，这个该怎么解决呢？

**候选人：**嗯~，redis本身就是支持高可用的，做到强一致性，就非常影响性能，所以，如果有强一致性要求高的业务，建议使用zookeeper实现的分布式锁，它是可以保证强一致性的。

面试官：Redis集群有哪些方案, 知道嘛 ?

候选人：嗯~~，在Redis中提供的集群方案总共有三种：主从复制、哨兵模式、Redis分片集群

面试官：那你来介绍一下主从同步

候选人：嗯，是这样的，单节点Redis的并发能力是有上限的，要进一步提高Redis的并发能力，可以搭建主从集群，实现读写分离。一般都是一主多从，主节点负责写数据，从节点负责读数据，主节点写入数据之后，需要把数据同步到从节点中

面试官：能说一下，主从同步数据的流程

候选人：嗯~~，好！主从同步分为了两个阶段，一个是全量同步，一个是增量同步

全量同步是指从节点第一次与主节点建立连接的时候使用全量同步，流程是这样的：

第一：从节点请求主节点同步数据，其中从节点会携带自己的replication id和offset偏移量。

第二：主节点判断是否是第一次请求，主要判断的依据就是，主节点与从节点是否是同一个replication id，如果不是，就说明是第一次同步，那主节点就会把自己的replication id和offset发送给从节点，让从节点与主节点的信息保持一致。

第三：在同时主节点会执行bgsave，生成rdb文件后，发送给从节点去执行，从节点先把自己的数据清空，然后执行主节点发送过来的rdb文件，这样就保持了一致

当然，如果在rdb生成执行期间，依然有请求到了主节点，而主节点会以命令的方式记录到缓冲区，缓冲区是一个日志文件，最后把这个日志文件发送给从节点，这样就能保证主节点与从节点完全一致了，后期再同步数据的时候，都是依赖于这个日志文件，这个就是全量同步

增量同步指的是，当从节点服务重启之后，数据就不一致了，所以这个时候，从节点会请求主节点同步数据，主节点还是判断不是第一次请求，不是第一次就获取从节点的offset值，然后主节点从命令日志中获取offset值之后的数据，发送给从节点进行数据同步

面试官：怎么保证Redis的高并发高可用

候选人：首先可以搭建主从集群，再加上使用redis中的哨兵模式，哨兵模式可以实现主从集群的自动故障恢复，里面就包含了对主从服务的监控、自动故障恢复、通知；如果master故障，Sentinel会将一个slave提升为master。当故障实例恢复后也以新的master为主；同时Sentinel也充当Redis客户端的服务发现来源，当集群发生故障转移时，会将最新信息推送给Redis的客户端，所以一般项目都会采用哨兵的模式来保证redis的高并发高可用

面试官：你们使用redis是单点还是集群，哪种集群

候选人：嗯！，我们当时使用的是主从（1主1从）加哨兵。一般单节点不超过10G内存，如果Redis内存不足则可以给不同服务分配独立的Redis主从节点。尽量不做分片集群。因为集群维护起来比较麻烦，并且集群之间的心跳检测和数据通信会消耗大量的网络带宽，也没有办法使用lua脚本和事务

面试官：redis集群脑裂，该怎么解决呢？

候选人：嗯！ 这个在项目很少见，不过脑裂的问题是这样的，我们现在用的是redis的哨兵模式集群的

有的时候由于网络等原因可能会出现脑裂的情况，就是说，由于redis master节点和redis salve节点和sentinel处于不同的网络分区，使得sentinel没有能够心跳感知到master，所以通过选举的方式提升了一个salve为master，这样就存在了两个master，就像大脑分裂了一样，这样会导致客户端还在old master那里写入数据，新节点无法同步数据，当网络恢复后，sentinel会将old master降为salve，这时再从新master同步数据，这会导致old master中的大量数据丢失。

关于解决的话，我记得在redis的配置中可以设置：第一可以设置最少的salve节点个数，比如设置至少要有一个从节点才能同步数据，第二个可以设置主从数据复制和同步的延迟时间，达不到要求就拒绝请求，就可以避免大量的数据丢失

面试官：redis的分片集群有什么作用

候选人：分片集群主要解决的是，海量数据存储的问题，集群中有多个master，每个master保存不同数据，并且还可以给每个master设置多个slave节点，就可以继续增大集群的高并发能力。同时每个master之间通过ping监测彼此健康状态，就类似于哨兵模式了。当客户端请求可以访问集群任意节点，最终都会被转发到正确节点

面试官：Redis分片集群中数据是怎么存储和读取的？

候选人：

嗯~，在redis集群中是这样的

Redis 集群引入了哈希槽的概念，有 16384 个哈希槽，集群中每个主节点绑定了一定范围的哈希槽范围， key通过 CRC16 校验后对 16384 取模来决定放置哪个槽，通过槽找到对应的节点进行存储。

取值的逻辑是一样的

面试官：Redis是单线程的，但是为什么还那么快？

候选人：

嗯，这个有几个原因吧~~~

1、完全基于内存的，C语言编写

2、采用单线程，避免不必要的上下文切换可竞争条件

3、使用多路I/O复用模型，非阻塞IO

例如：bgsave 和 bgrewriteaof 都是在后台执行操作，不影响主线程的正常使用，不会产生阻塞

面试官：能解释一下I/O多路复用模型？

候选人：嗯~~，I/O多路复用是指利用单个线程来同时监听多个Socket ，并在某个Socket可读、可写时得到通知，从而避免无效的等待，充分利用CPU资源。目前的I/O多路复用都是采用的epoll模式实现，它会在通知用户进程Socket就绪的同时，把已就绪的Socket写入用户空间，不需要挨个遍历Socket来判断是否就绪，提升了性能。

其中Redis的网络模型就是使用I/O多路复用结合事件的处理器来应对多个Socket请求，比如，提供了连接应答处理器、命令回复处理器，命令请求处理器；

在Redis6.0之后，为了提升更好的性能，在命令回复处理器使用了多线程来处理回复事件，在命令请求处理器中，将命令的转换使用了多线程，增加命令转换速度，在命令执行的时候，依然是单线程

如果有错误还请大佬们指出!

感谢观看, 希望大家都可以找个好工作!