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：
-
save m n save 多少秒内 多少键
-
flushall 命令
-
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？
- 先删除缓存
- 再更新数据库
- 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
- 写请求更新数据库
- 缓存因为某些原因，删除失败
- 把删除失败的key放到消息队列
- 消费消息队列的消息，获取要删除的key
- 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？
-
数据存储在内存中，读取速度快，cpu不是性能瓶颈
-
结构简单，key-value 底层是哈希结构，查询操作速度是O(1)
-
采用IO多路复用，非阻塞IO模型，提高连接访问效率
-
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。