redis面试题

redis知识参考：https://blog.csdn.net/weixin_43994244/category_12071099.html?spm=1001.2014.3001.5482

Redis的使用场景

缓存：穿透，击穿，雪崩，双写一致性，持久化，数据过期，淘汰策略
分布式锁：setnx，redisson

什么是缓存穿透，有什么解决方案？

缓存穿透是指客户端请求的数据在缓存中和数据库中都不存在，这样缓存永远不会生效，这些请求都会打到数据库，不断发起这样的请求，给数据库带来巨大压力。

解决方案有两种：

• 缓存null值
  • 优点：实现简单，维护方便
  • 缺点：额外的内存消耗(缓存里缓存了很多null，设置TTL)，可能造成短期的不一致
• 布隆过滤
  • 优点：内存占用较少，没有多余key
  • 缺点：实现复杂，存在误判可能

预防方案：
增加id的复杂度，避免被猜测id规律并且做好数据的基础格式校验，
加强用户权限校验
做好热点参数的限流

能否介绍一下布隆过滤器布隆过滤器？

布隆过滤器的底层是一个大数组，里面存放二进制0或1，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。
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。

布隆过滤器有可能会产生一定的误判，一般可以设置这个误判率在5%以内，其实这个误判是必然存在的，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。

什么是缓存击穿 ? 怎么解决 ?

缓存击穿问题也叫热点Key问题，就是一个被高并发访问并且缓存重建业务较复杂的key突然失效了，无数的请求访问会在瞬间给数据库带来巨大的冲击。

解决方案：
第一种使用互斥锁：当线程1发现缓存失效时，先获取一个互斥锁，(如 Redis 的 setnx 去设置一个互斥锁)，再查询数据库并重建缓存数据，再释放锁。在其他线程等待线程1 释放锁之后再查询缓存。

第二种方案设置当前key逻辑过期：在写入缓存设置key的时候，同时写入一个字段为过期时间，不给当前key设置过期时间。当查询时，从redis取出数据后判断时间是否过期，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，这个数据不是最新的。

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，会有额外内存消耗，实现复杂。

什么是缓存雪崩 ? 怎么解决 ?

缓存雪崩是指在同一时段大量的缓存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：
给不同的Key的TTL添加随机值(同一时段大量的缓存key同时失效)
利用Redis集群提高服务的可用性(Redis服务宕机)
给缓存业务添加降级限流策略(提前做好容错处理，服务降级，快速失败，牺牲部分服务，保护数据库)(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？

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

redis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。
redis写操作：延迟双删：删除缓存，修改数据库，延时删除缓存(也有脏数据风险)。

回答1：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。

回答2：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。需要注意的是读方法和写方法上需要使用同一把锁才行。

那排他锁是如何保证读写、读读互斥的呢？

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

你听说过延时双删吗？为什么不用它呢？

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。

redis做为缓存，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。save命令是由redis主进程来执行DB，会阻塞所有命令，bgsave命令会开启子进程来执行RDB，避免主进程收到影响
  redis.conf文件中也有内部触发RDB的机制。
• 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。
  

RDB执行原理是什么？

注意：进程无法直接修改物理内存，通过操作虚拟内存，虚拟内存基于页表的隐射关联到物理内存真正的存储数据的位置，实现对物理内存读和写的操作。

答：bgsave开始时会fork(克隆)主进程得到子进程，将主进程的页表数据copy给子进程，因为映射关系相同，子进程在操作自己的虚拟内存时，最终一定会映射到相同的物理内存，这样阻塞时间尽可能的缩短了(不用复制虚拟内存)，子进程将读到的数据写入新的RDB文件替换旧的RDB文件。

为了避免脏数据，fork采用的是copy-on-write技术：
首先在fork时会将共享的数据标记为read-only，只可以读。当主进程执行写操作时，先拷贝一份数据，再执行写读的操作，页表映射也会映射到拷贝后的数据上。

这两种方式，哪种恢复的比较快呢？

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。

Redis的数据过期策略有哪些 ?

• 惰性删除，在设置该key过期时间后，我们不去管它，当访问该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，那该key就会一直存在内存中，不会释放。
• 定期删除，就是说每隔一段时间，就对一些key进行检查，删除里面过期的key(从一定数量里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)
  • 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时长和频率

定期删除的两种模式：

• SLOW模式是定时任务，执行频率默认为10hz，每次不超过25ms(尽量少的影响主进程)，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。

Redis的数据淘汰策略有哪些 ?

在Redis中的内存不够用时，读命令还可以正常返回，再添加新的key时，redis会按照某一种规则将内存数据删除掉，这种规则就是内存的淘汰策略。

• 默认是noeviction，不删除任何数据，不允许写入新的数据，内部不足直接报错
• volatile-ttl，对设置TTL的key，比较key的剩余TTL值，数值小的先淘汰
• allkeys-random：对全体key，随机淘汰
• volatile-random：对设置TTL的key，进行随机淘汰
• allkeys-lru：对全体key，基于LRU算法进行淘汰
• volatile-lru：对设置了TTL嗯对key，进行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ey，进行LFU算法进行淘汰

LRU： 根据数据最近被访问的时间进行淘汰，即淘汰最久未被访问的数据。
LFU： 根据数据的访问频率进行淘汰，即淘汰访问频率低的数据。

使用建议：
如果业务有明显的冷热数据区分，优先设置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。
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，随机淘汰。
如果业务中有置顶的需求，可以使用volatile-lru策略，同事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。
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

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 ?

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

Redis的内存用完了会发生什么？
需要看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。

Redis分布式锁

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

Redis分布式锁如何实现 ?

在抢优惠券的业务中使用redisson实现的分布式锁，底层是setnx(由于redis的单线程的，用了setnx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)和lua脚本(保证原子性)来实现的。

那如何控制Redis实现分布式锁有效时长呢？

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10s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。

redisson实现的分布式锁是可重入的吗？

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是锁名称，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

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。

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，如果业务非要保证数据的强一致性，建议使用zookeeper实现的分布式锁，它是可以保证强一致性的。

Redis集群有哪些方案?

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

介绍一下主从同步

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，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。

主从同步数据的流程
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repl_backlog，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

replication id是数据集的标记，id一致则说明是同一数据集，每个master都有唯一的replication id，slave则会继承master节点的replication id

offset是偏移量，随着记录在repl_backlog中的数据增多而主键增大。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的数据落后与master，需要更新。

增量同步当从节点服务重启之后或后期数据变化之后，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。

怎么保证Redis的高并发高可用？

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。

你们使用redis是单点还是集群，哪种集群？

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。

redis集群脑裂，该怎么解决呢？

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，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，如果达不到要求就拒绝客户端请求，就可以避免大量的数据丢失。

redis的分片集群有什么作用

主从和哨兵解决高可用，高并发的问题，分片集群解决海量数据存储和高并发写的问题。

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(解决海量存储和高并发写的问题)，并且还可以给每个master设置多个slave节点(解决高并发读)，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。

Redis分片集群中数据是怎么存储和读取的？

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， 读写数据时，根据key的有效部分(如果key前有大括号，大括号的内容就是有小部分，如果没有，key本身作为有效部分)计算哈希值后对 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。

Redis是单线程的，但是为什么还那么快？

1、redis是纯内存操作，执行速度非常快
2、采用单线程，避免不必要的上下文切换，多线程还要考虑线程安全问题
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

能解释一下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多路复用模型主要是实现了高效的网络请求。

linux系统中一个进程使用的内存情况分为：用户空间和内核空间
用户空间：权限较小，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，调用一切系统资源
Linux为了提供IO效率，会在用户空间和内核空间都加入缓冲区：
写数据时，要把用户缓冲区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

常见的IO模型：
阻塞IO：

非阻塞IO

IO多路复用

答：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