Redis常见面试问题汇总梳理解答

1. 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询数据库。

造成原因：1、业务误操作导致

                2、有人恶意攻击，查询一些不存在的数据

解决方案一：

缓存空数据，查询返回的数据为空，仍把这个空数据进行缓存，例如：{key:1,value:null}

优点：简单

缺点：消耗内存，可能会发生不一致的问题

解决方案二：

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：可以用于检索一个元素是否在一个集合中

数组越小，误判率越大，数组越大误判率越小，但是同时带来了更多的内存消耗。

布隆过滤器的实现方案：Redisson、Guava

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，恰好这个时间点对这个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）

缓存雪崩

缓存雪崩是指在同一时间段有大量的的缓存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：

• 给不同的Key的TTL添加随机值
• 利用Redis集群提高服务的高可用性        （哨兵模式、集群模式）
• 给缓存业务添加降级限流策略        （nginx或spring cloud gateway）
• 给业务添加多级缓存        （Guava或Caffeine）

双写一致性

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，缓存未命中查询数据库，写入缓存，设定超时时间

写操作：延迟双删

先删除缓存还是先修改数据库？？？

先删除缓存，再修改数据库

1、当线程1删除缓存后，将数据库值改为20，线程2此时来查询数据，未命中缓存，查询数据库获得值为20，此时不会出现问题。

2、当线程1删除缓存后，还没来得及修改数据库值，线程2此时来查询数据，未命中缓存，查询数据库获得值为10（未修改的数据），线程2将值缓存到redis中，此时线程1将数据库中值改为20，此时会出现数据不一致的情况（脏数据）。

先操纵数据库，再删除缓存

1、线程1更新数据库中数据为20，并且删除缓存中数据，此时线程2来查询数，命中缓存中数据20，此时不会出问题。

2、线程1查询缓存，由于数据过期，未命中缓存，查询数据库数据，获得数据为10，此时线程切换，线程2修改数据库中值为20，删除缓存，此时线程1将数据10写入缓存，此时会造成数据不一致的问题。

为什么要删除两次缓存？？

为了避免脏数据的产生

为什么还要延时双删？

因为我们一般数据库都是主从模式，所以要延时一会，让主数据库将数据同步到从数据库中，

延时这个时间不好控制，在延时的过程中，依然可能出现脏数据的产生，所以延时双删只能避免一部分脏数据产生的风险。做不到绝对的强一致。

如何解决双写一致问题？

1、添加分布式锁，性能比较差

添加redisson提供的共享锁（读锁）和排他锁（写锁）（强一致，性能差）

允许延时一致的业务，采用异步通知。

具体代码实现：

1、RabbitMQ，使用MQ中间件，更新数据之后，通知缓存删除（允许延时一致）

，

2、canal监听mysql数据库的binlog文件变化，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数据更新缓存（允许延时一致）

• 二进制日志（binlog）记录了所有的DDL（数据定义语言）语句和DML（数据操纵语言）语句，但不包括数据查询（SELECT,SHOW）语句。

问：redis作为缓存，mysql的数据如何与redis进行同步呢？（双写一致性）（强一致性）

答：我们的项目中，里面有xxx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。

        我们采用的时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。这里需要注意的是读方法和写方法需要使用同一把锁才行。

问：那这个排他锁是如何保证读写、读读互斥的呢？

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

问：你听说过延时双删吗？为什么不适用它？

答：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。

问：redis作为缓存，mysql的数据如何与redis进行同步呢？（双写一致性）（允许延时一时的业务）

答：我们的项目中，里面有xxx的功能，数据同步可以有一定的延时（符合大部分业务）

我们当时采用的是阿里的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。

持久化

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。

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，全称为Append only File(追加文件)。Redis处理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。

因为是记录命令，AOF文件会比RDB文件大的多，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，以最少的命令达到相同的效果。

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

数据过期策略

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，这种删除规则被称为数据的删除策略（数据过期策略）。

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，我们就删除它，反之，返回该key。

优点：对CPU比较友好，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：每隔一段时间，我们就会对一些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，但每次间隔不低于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，也能有效释放过期键占用的内存。

缺点：难以确定删除操作执行的市场和频率。

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

数据的淘汰策略：当Redis的内存不够用时，此时在向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中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。

LRU(Least Recently used):最近最少使用，用当前时间减去最后一次访问时间，则淘汰优先级越高。

LFU(Least Frequently used):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。

数据淘汰策略-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、如果业务中数据的访问频率差别不大，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。

问：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。

问：redis的内存用完了会发生什么？

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

redis分布式锁

使用场景：集群情况下的定时任务、抢单、幂等性场景

如果是单体项目，加synchronized锁是没有问题的，如下图：

如果是集群模式下：synchronized锁是jvm的，每个服务都有各自的jvm，它只能解决同一个jvm下线程的互斥，解决不了多个jvm下线程的互斥。所以集群模式下就不能使用本地锁来解决，需要使用外部锁来解决。其实就是分布式锁

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

获取锁：

注意：此处如果不设置过期时间会导致死锁的问题。

#添加锁，NX是互斥，EX是设置超时时间

SET lock value NX EX 10

释放锁：

#释放锁，删除即可
DEL key

Redis实现分布式锁如何合理的控制锁的有效时长？

场景解释：如果业务执行时间比较长，超过了锁的有效时间

如果设置了”锁自动释放时间“这个参数，就不会使用watch-dog这个机制了。

加锁、设置过期时间等操作都是基于lua脚本完成。lua脚本可以保证命令执行的原子性

lua脚本能够调用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

redisson实现的分布式锁-主从一致性

redis集群的情况下，有线程1获取锁之后将数据缓存到redis-master中，此时master宕机了，还没来的及将数据同步到slave中，此时又进来一个线程2，由于数据没有同步，所有线程2可以获取到同一个分布式锁，将数据缓存到由哨兵模式选中的master中，此时会出现脏数据。

Redisson锁能解决主从数据一致的问题吗？

不能解决，但是可以使用redisson提供的红锁进行解决，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，建议采用实现分布式锁。

问：redis分布式锁如何实现？

答：在redis中提供了一个命令setnx，由于redis是单线程的，用了命令之后，只能由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，其他客户端是不能设置这个key的。

问：如何控制redis实现分布式锁的有效时长？

答：redis的setnx不好控制这个问题，我们当时采用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中加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释放锁之后，客户2就可以马上持有锁，性能也得到了提升。

问：redisson实现的分布式锁是可重入的吗？

答：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。

问：redisson实现的分布式锁能解决主从一致性的问题吗？

答：这个是不能的，比如，当线程1加锁成功后，master节点会异步复制到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，假如现在来了一个新的线程2，再次尝试获取锁，就可以直接获得锁，并进行数据更新到新的master节点，从而导致主从不一致。

redis集群

在redis中提供的集群方案由三种：

• 主从复制
• 哨兵模式
• 分片集群

1、redis主从数据同步的流程是什么？

Replication id:简称replid，是数据集的标记，id一致说明是同一数据集，每一个都有唯一的replid，

salve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小于master的offset，说明slave数据落后于master，需要更新。

redis的主从同步

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

主从同步数据的流程是什么？

全量同步

1. 从节点请求主节点同步数据（replication id, offset）
2. 主节点判断是否时第一次请求，是第一次就与从节点同步版本信息（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

2、怎么保证redis的高并发高可用？

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

• 监控：Sentinel会不断检查您的master和salve是否按预期工作
• 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：

• 主管下线：如果某sentinel节点发现某实例未在规定时间响应，则认为该实例主管下线
• 客观下线：若超过指定数量（quorum）的sentinel都认为该实例主观下线，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，如超过指定值就排该从节点
• 然后判断从节点的salve-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salve节点的运行id大小，越小优先级越高

3、你们使用redis是单点还是集群，哪种集群？

主从（1主1从）+哨兵就可以了。单节点不超过10GB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。

4、redis集群脑裂，该怎么解决？

集群脑裂是由于主节点、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，所以通过一个选举的方式提升了一个从节点为主，这样就存在两个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，这时再从新master同步数据，就会导致数据丢失。

解决方案：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。

5、redis分片集群中数据是怎么存储和读取的？

分片集群结构

主从和哨兵可以解决高可用、高并发读的问题，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

使用分片集群可以解决上述问题，分片集群特征：

• 集群中有个多个master，每个master保存不同的数据
• 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
• 

分片集群结构-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，每个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

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

解释一下IO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

1. 阻塞IO（Blocking IO）
2. 非阻塞IO(Nonblocking IO)
3. 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，用户进程接触阻塞，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

IO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。不过监听socket的方法、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。

就是IO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以后，为了提升更好的性能，使用了多线程来处理回复事件
• 命令请求处理器，在redis6.0以后，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