文章总结（5）—Redis缓存

1. 配置

1. Redis的备份策略

RDB每隔指定时间将内存数据集快照写入磁盘。由于只有一个文件方便容灾备份。同时RDB会fork一个子线程去备份不会影响Redis主线程提供服务，性能较好。但是它实时性不高，可能会导致数据的丢失。而AOF可以解决RDB备份的不足，以日志的形式记录每一个增删操作并追加到AOF日志中，实时性高。但是根据同步策略的不同，AOF的运行效率会低于RDB。

备份策略导致redis接口变慢

如何排查Redis变慢了的问题

但如果你发现，操作 Redis 延迟变大，都发生在 Redis 后台 RDB 和 AOF rewrite 期间，那你就需要排查，在这期间有可能导致变慢的情况。

当 Redis 开启了后台 RDB 和 AOF rewrite 后，在执行时，它们都需要主进程创建出一个子进程进行数据的持久化。

主进程创建子进程，会调用操作系统提供的 fork 函数。

而fork 在执行过程中，主进程需要拷贝自己的内存页表给子进程，如果这个实例很大，那么这个拷贝的过程也会比较耗时。

而且这个 fork 过程会消耗大量的 CPU 资源，在完成 fork 之前，整个 Redis 实例会被阻塞住，无法处理任何客户端请求。

如果此时你的 CPU 资源本来就很紧张，那么 fork 的耗时会更长，甚至达到秒级，这会严重影响 Redis 的性能。

那如何确认确实是因为 fork 耗时导致的 Redis 延迟变大呢？

你可以在 Redis 上执行 INFO 命令，查看 latest_fork_usec 项，单位微秒。

# 上一次 fork 耗时，单位微秒
latest_fork_usec:59477

这个时间就是主进程在 fork 子进程期间，整个实例阻塞无法处理客户端请求的时间。

如果你发现这个耗时很久，就要警惕起来了，这意味在这期间，你的整个 Redis 实例都处于不可用的状态。

除了数据持久化会生成 RDB 之外，当主从节点第一次建立数据同步时，主节点也创建子进程生成 RDB，然后发给从节点进行一次全量同步，所以，这个过程也会对 Redis 产生性能影响。

fork流程

要想避免这种情况，你可以采取以下方案进行优化：

1. 控制 Redis 实例的内存：尽量在 10G 以下，执行 fork 的耗时与实例大小有关，实例越大，耗时越久；
2. 合理配置数据持久化策略：在 slave 节点执行 RDB 备份，推荐在低峰期执行，而对于丢失数据不敏感的业务（例如把 Redis 当做纯缓存使用），可以关闭 AOF 和 AOF rewrite；
3. Redis 实例不要部署在虚拟机上：fork 的耗时也与系统也有关，虚拟机比物理机耗时更久；
4. 降低主从库全量同步的概率：适当调大 repl-backlog-size 参数，避免主从全量同步。

Redis的key的过期策略

如何排查Redis变慢了的问题

Redis 的过期数据采用惰性删除 + 定期删除两种策略：

被动过期（惰性删除）：只有当访问某个 key 时，才判断这个 key 是否已过期，如果已过期，则从实例中删除；
主动过期（定期删除）：Redis 内部维护了一个定时任务，默认每隔 100 毫秒（1 秒 10 次）就会从全局的过期哈希表中随机取出 20 个 key，然后删除其中过期的 key，如果过期 key 的比例超过了 25%，则继续重复此过程，直到过期 key 的比例下降到 25% 以下，或者这次任务的执行耗时超过了 25 毫秒，才会退出循环。

注意，这个主动过期 key 的定时任务，是在 Redis 主线程中执行的。

也就是说如果在执行主动过期的过程中，出现了需要大量删除过期 key 的情况，那么此时应用程序在访问 Redis 时，必须要等待这个过期任务执行结束，Redis 才可以服务这个客户端请求。

此时就会出现，应用访问 Redis 延时变大。

2. Redis的淘汰策略

• volatile-lru：从设置过期时间的数据集中，移除最近最久未使用的元素。
• allkeys-lru：从redis所有数据中，移除最近最久未使用的元素。
• volatile-random：从设置过期时间的数据集中，随机选择一个数据进行释放。
• allkeys-random：从redis所有数据中，随机选择一个数据进行释放。
• volatile-ttl：从设置过期时间的数据集中，选择一个将要过期的数据释放。
• noeviction：不删除任何数据，直接返回异常。

默认的淘汰策略是noeviction。一般推荐的淘汰策略是volatile-lru。

• 针对不变的，重要的数据（例如配置数据），不应该设置有效期，这样Redis永远不会淘汰这些数据；
• 针对那些不是很重要，并且可能发生改变的数据，应当设置有效期，这样在内存不足的情况下，可以淘汰这部分数据。

调用过程.png

当Redis节点内存满了会发生什么？

一般最常使用的是 allkeys-lru / volatile-lru 淘汰策略，它们的处理逻辑是，每次从实例中随机取出一批 key（这个数量可配置），然后淘汰一个最少访问的 key，之后把剩下的 key 暂存到一个池子中，继续随机取一批 key，并与之前池子中的 key 比较，再淘汰一个最少访问的 key。以此往复，直到实例内存降到 maxmemory 之下。

需要注意的是，Redis 的淘汰数据的逻辑与删除过期 key 的一样，也是在命令真正执行之前执行的，也就是说它也会增加我们操作 Redis 的延迟，而且，写 OPS 越高，延迟也会越明显。

3. 如何实现lru算法

LRU算法实际上是：最近操作的数据位于数据结构的队首，并且put和get操作的时间复杂度均是O(1)。

需要使用“双端链表+HashMap”来实现LRU算法。

HashMap用于定位Node节点：解决链表的查找缓慢的问题；
双向链表存储Value，解决Hash表无序的问题；

4. Redis速度快的原因

1. 纯内存操作；
2. 单线程操作，避免了频繁的上下文切换；
3. 采用了非阻塞的IO多路复用模型；

IO多路复用模型不是使得单个连接更加快速，而是为了处理更多的连接。采用IO复用技术可以让单个线程高效处理多个连接请求（尽量减少网络IO消耗），且Redis在内存中操作速度是非常快的（内存的操作不是成为性能的瓶颈）；

5. 对于大量请求怎么处理

Redis是一个单线程程序，也就是说它同一时刻只能处理一个客户端请求。redis是通过IO多路复用来处理多个客户端请求。

6. redis并发竞争key的解决方案

Redis是一种单线程机制的nosql数据库，由于单线程所以Redis本身并没有锁的概念，多个客户端连接并不存在竞争关系，但是利用jedis等客户端对Redis并发访问时会出现问题。

可以准备一个分布式锁，大家去争抢锁，抢到锁就做set操作。加锁的目的实际上就是将并行读写改成串行读写的方式，从而避免资源竞争。

7. 一致性hash算法

一致性哈希算法原理

一致性hash算法解决的是普通hash算法，增加或者减少节点时，所有节点均失效的问题。

image.png

对节点和数据，都做一次哈希运算，然后比较节点和数据的哈希值，数据存放在下一个的节点中，这样就会保证节点增加或者减少的时候，影响的数据最少。

当节点数量过少时。会引起数据倾斜问题。一致性哈希算法引入了虚拟节点机制：即对每一个服务节点计算多个哈希，每个计算得到的Hash位置都放置一个此服务节点，称虚拟节点。具体可以在服务器ip或主机名的后面增加编号来实现。

image.png

底层题

1. Redis常用命令的复杂度以及Redis底层数据结构

底层结构.png

• String：底层是字符数组+指针实现（SDS动态字符串），时间复杂度O(1)；
• list：底层是双向链表（quicklist）实现，查询效率O(n)，但是访问两端元素时间复杂度O(1)
  • lRange：时间复杂度O(n)；
  • lpop：时间复杂度O(1)；
  • lpush key v1 v2：时间复杂度O(k)；
• hash：底层结构hashtable/ziplist，时间复杂度O(1)。
  • hget：O(1);
  • hmget：O(k)，k为元素个数;
• set：底层结构hashtable/intset，时间复杂度O(1)。
  • sadd：O(k)；
  • sdiff：O(k)；
• zset：底层结构ziplist/skiplist（跳表），平均时间复杂度O(log(n))
  • zadd：O(k*log(n))；
  • zscore：O(1);
  • zrange：O(k*log(n))，k为要删除成员个数，n为当前成员个数；

2. 什么叫做ziplist

请说下redis命令的时间复杂度?？（实际问的是redis底层结构）

使用ziplist的前提：

• 列表对象保存的所有字符串元素长度都小于64字节；
• 列表对象保存的元素数量小于512个；

ziplist是一个经过特殊编码的双向链表，它设计的目的是为了提高存储的效率。一个普通的双向链表，链表中每一项都占用独立的一块内存，各项之间用地址指针（或引用）连接起来，但是这种方式会造成大量的内存碎片，而且地址指针也会占用额外的内存。

ziplist却是将表中每一项存放在前后连续的地址空间内，一个ziplist整体占用一大块内存。它是一个表（list），但其实不是一个链表（linked list）

• ziplist作用：节省内存；
• ziplist特点：数据存放在前后连续的地址空间内；

（易考）Redis的String和Hash结构哪个更节省内存？

Redis中String和Hash哪个结构更加省内存

Hash在使用zipList使用更加节省内存，zipList底层结构不是hashtable结构，而是一个比较长的字符串，将key-value都按照顺序依次摆放到一个长长的字符串里来存储。如果要找某个key，就需要遍历整个长字符串。

Hash使用hashTable结构时，其类似于Java的HashMap的结构，为了避免Hash冲突也会存在负载因子，会导致最少25%的空间被浪费。

而使用String存储数据时，每一个记录都是一个SDS都需要存在len、free来标识。但是使用hash的ziplist时，只需要标头的几个标识位外，接着都是紧凑的数据。这就是为什么hash(ziplist)比string更节省内存的原因。

3. 什么叫做跳表

请说下redis命令的时间复杂度?？（实际问的是redis底层结构）

跳表是一种有序的数据结构，通过每个节点维护多个指向其他节点的指针，从而达到快速访问节点的目的。跳表中每一个节点元素均是一个短链表：

跳表结构.png

蚂蚁面试：B+树和skipList的时间复杂度都是O(log n)，为什么数据库底层要用B+树而不用skipList？

文章地址

一切都是以减少磁盘IO耗时为目的。

skipList是通过多路分治的方式来实现O(log n)的时间复杂度。但是skipList的logN是这样实现的：第二层~最高层的节点总数是通过上一层节点总数/2得到的。所以在相同层数的节点，在logN的查找实现上，时间复杂度优于二分查找。

1. 当数据比较多的时候，skiplist的层级比B+Tree层级要高；
2. skipList每一个节点只存储一条记录，对于一条记录的查询是比较节省io。而B+Tree叶子节点可以存储一条或者多条记录，所以叶子节点构成了一个双向循环列表，B+Tree 对于一条记录和多条记录的查询都能节省IO，对于多条记录的查询，skipList磁盘IO次数要比B+Tree多。

Redis为什么要使用skipList而不使用B+Tree

首先，内存对IO次数没磁盘那么敏感，反而redis使用B+Tree树会导致内存碎片。

B+Tree每个节点大小是固定的，节点删除数据后，B+Tree节点不会变小，所以容易产生内存碎皮。内存的访问速度比硬盘快，所以Redis的zset只要不是特别长。检索效率还是比较高的。

Redis为什么使用skipList而使用红黑树

为啥 redis 使用跳表(skiplist)而不是使用 red-black？

1. skipList时间复杂度和红黑树相同，均是logN，而且skipList实现更简单；
2. 在并发环境下，红黑树在插入和删除的时候需要做一些rebalance（平衡）操作，这样的操作可能会涉及到整个树的其他部分，而skiplist操作显然更加局部性一些，锁需要盯住的节点更少，因此skiplist在这样情况下性能更好一些。

问题排查

1. 缓存穿透？如何预防？

当请求的数据在缓存中不可能存在，即为缓存穿透；

预防措施：

1. 约定：若数据在DB中不存在，依旧进行缓存。
2. 过滤：使用bitMap或者布隆过滤器制定过滤规则去过滤一些不存在的问题。

2. 缓存击穿？如何预防？

当热点数据失效后，造成大量请求未命中缓存转而去数据库请求。

预防措施：

1. 加内存锁：同一台机器，只有一个线程去维护缓存，其他线程阻塞；
2. 异步加载：缓存击穿是热点数据才会出现的问题，可以对这部分数据采用到期自动刷新的策略，而不是到期自动淘汰。

3. 缓存雪崩？如何预防？

缓存不可用或者同一时间大量缓存失效。

预防措施：

1. 增加缓存监控，关注缓存健康程度，根据业务适当扩容缓存；
2. 采用多级缓存，不同级别的缓存设置不同的超时时间；
3. 缓存的key失效时间设置为随机数；

4. redis大key和大value存在的安全隐患

无论是大key还是大value均存在如下隐患：

1. 阻塞请求：redis是单线程，单value较大时，读写需要占用较长的处理时间，会阻塞后续的请求；
2. 占用带宽：单value较大时会占用服务器网卡较多的带宽；
3. 内存不均：导致redis集群的访问倾斜和数据倾斜；

5. 如何解决大key的安全隐患

拆分：将大key拆分成多个key-value，使用multiGet获取值，拆分的目的主要是为了减少单台操作的压力，而将压力平摊到集群的各个实例中，降低单台机器的IO操作。

监控：在proxy层，对每一个redis请求进行收集上报。

6. 什么是数据量倾斜和访问量倾斜

redis中数据倾斜问题的产生和解决方案

数据量倾斜.png

数据量倾斜：典型场景，存在bigkey。对于bigkey造成的数据倾斜问题，一个根本的解决方案是：避免bigkey的产生。通常的做法是对bigkey进行“化整为零”，在业务层面生成数据的时候，尽量避免把过多的数据保存到同一个键中。

访问量倾斜.png

访问量倾斜：对于热点数据数据问题，通常采用的解决方案是多副本冗余。对于热点数据问题，通常采用的解决方案是多副本冗余。具体做法：我们把热点数据复制多份，在每一个数据副本的 key 中增加一个随机前缀，让它和其它副本数据不会被映射到同一个 Slot 中。这样一来，热点数据既有多个副本可以同时服务请求，同时，这些副本数据的 key 又不一样，会被映射到不同的 Slot 中。在给这些 Slot 分配实例时，我们也要注意把它们分配到不同的实例上，那么，热点数据的访问压力就被分散到不同的实例上了。

这样可以有效解决数据访问倾斜问题。但是这种多副本的方式，仅仅适用于对热点数据的读操作，而对于存在写操作的热点数据，就不太适用了，因为对于写操作需要保证多个副本的数据一致性，而保证数据一致性，是一个比较复杂的问题，业务上需要较大的额外开销。

7. Redis常见性能问题和解决方案

1. Master最好不要做任何持久化工作，如RDB和AOF持久化；
2. 如果数据比较重要，某个Slave开启AOF备份数据，策略设置每秒同步一次；
3. 为了主从复制的速度和连接的稳定性，Master和Slave最好在一个局域网内；
4. 尽量避免在压力很大的主库上增加从库；
5. 主从复制不要用图状结构，使用单链表结构更加稳定。

场景题

1. 使用Redis设计一个分布式锁

1. 完成锁最基本的互斥功能

根据Redis是否存在key，判断锁是否被获取；

2. 选择一个合适的数据结构

锁应该是一个对象，记录持有锁的线程信息、当前重入次数。所以应该使用Redis的Hash结构来存储锁对象。

3. 需要考虑异常情况

3.1 网络波动造成释放锁失败怎么解决？

需要为锁加上超时时间；

3.2 任务未执行完毕时，锁由于超时时间被释放？

线程一旦加锁成功，可以启动一个后台线程，每隔多少秒检查一次，如果线程还持有锁，可以不断延长锁的生存时间。

4. 可能存在的缺陷？

主从切换时，从服务器上没有加锁信息，导致多个客户端同时加锁。

实现限流？

计数器固定窗口限流：

对一段固定时间窗口内的请求进行计数，如果请求数超过了阈值，则舍弃该请求；如果没有达到设定的阈值，则接受该请求，且计数加1。当窗口时间结束，重置计数器为0。

使用Redis的incr命令可以实现。

优点：实现简单，容易理解；
缺点：流量曲线可能不够平滑，有“突刺现象”。

1. 一段时间内（不超过时间窗口）系统服务不可用。比如窗口大小1s，限流为100，恰好某个窗口第1ms来了100个请求，然后2ms-999ms请求都会被拒绝。这段时间用户会感觉系统服务不可用（即不够平滑）。

2. 窗口切换时可能会出现两倍于阈值流量的请求。比如窗口大小1s，限流大小100，然后在某个窗口的第999ms有100个请求，窗口前期没有请求。所以这100个请求都会通过。然后下一个窗口的第1ms又来100个请求，然后全部通过。其实也是1ms内通过的200个请求。

固定窗口计数器.png

2. 滑动窗口限流：

滑动窗口解决的是：计数器固定窗口切换时可能会产生两倍于阈值流量请求的缺点。

滑动窗口算法.png

1. 将一个计时窗口分成若干个小窗口，小窗口维护独立的计数器。窗口划分的多，则限流越精确；
2. 当请求时间大于当前窗口的最大时间时，则将计时窗口向前平移一个小窗口（平移的维度是小窗口维度）。
3. 平移时将头部小窗口数据丢弃，尾部新增一个小窗口，将新的请求放入新增的小窗口中。
4. 保证整个窗口中所有小窗口请求数目之和不能超过设定的阈值。

比如1s中限流100个请求。
滑动窗口时间，0-100ms（10个请求）100-200ms（10个请求）...900-999ms（10个请求）

当时间为1001ms时，在这个小的固定窗口中（1000-1100ms），可以允许10笔请求。

滑动窗口本质上是更细粒度的固定窗口。

优点：

1. 解决固定窗口切换窗口2倍流量的问题；
2. 和漏桶算法相比，新到的请求也能被处理，避免了漏斗算法的饥饿问题；

3. 漏桶算法限流

请求先进入桶中，漏桶以一定速度消费请求，当请求速度过大直接溢出，不能处理短时间内大并发请求；

漏桶算法.png

优点：

漏桶起到整流效果：请求流量可能具有随机性，但是经过漏桶算法后，变成了固定频率的稳定流量，从而对下游的系统起到保护作用。

缺点：

流量突发问题：漏桶速率是2个/s，漏桶大小5个，但是突然来了10个请求，受限于漏桶容量，只有5个请求被接受，另外5个被拒绝。但是5个被接受的请求，只有两个能被立刻执行。其他的依旧被等待。故并不能处理突发流量。而令牌桶算法可以解决这个问题

令牌桶限流算法

Redis和Lua脚本(实现令牌桶限流)

维护一个固定大小令牌桶，请求进入时，根据(当前时间-上次生成令牌时间)*令牌生成速率 生成令牌。将生的令牌放入桶中（若超过桶流量则直接溢出）。然后取出令牌，放行请求。

令牌桶限流算法.png

令牌桶限流算法是对漏桶算法的一种改进，能够限制调用的平均速率外同时还能允许一定程度的流量突发。

Redis如何实现令牌桶限流

Redis和Lua脚本(实现令牌桶限流)

数据结构选择hash。
hash里面维护：最后放入令牌时间、当前桶内令牌量、桶内最大数量、令牌放置速度（元数据）。

获取令牌算法.png

被动式维护：

1. hash维护令牌桶元数据；
2. 当用户请求到达时，第一步是根据（当前时间-最后最后一次令牌生成时间）/1000* 每秒生成令牌速度—生成令牌；
3. 将令牌放入桶中，若满了则溢出来；
4. 请求取出令牌；
5. 若请求获取到令牌，则放行用户请求；

3. Lua脚本必须是纯函数的原因

Lua脚本必须是纯函数的原因是受到持久化和主从复制的约束。给定一段Lua脚本和输入参数却得到不同的结果，会造成重启前后和主备之间数据的不一致。

4. 使用Redis实现延迟队列

1. hash维护消息和数据结构的关系；
2. zset完成消息排序，其中score为执行时间戳
3. 定时器调用zset的zrangebyscore()获取比当前时间戳小的消息；
4. 解析消息的topic信息，将其放入对应的list队列中；
5. 线程池的work线程轮询调用list的brpop方法，去拉取延迟的消息；

5. 使用Redis实现布隆过滤器

数据结构选择bitmap。算法解决guava的BF算法。

1. 存入：通过算法，将一个value计算出多个偏移量，调用setbit将多组偏移量置为1；
2. 取出：通过算法，将一个value计算出多个偏移量，调用getbit判断这些偏移量是否均为1；

为什么计算出多组偏移量？

如果只将value经过hash计算得到16位的偏移量，那么bitmap在内存中会占用大量空间，不推荐。

布隆过滤器为什么不能保证精确？

将不存在集合的元素误判存在集合中。

1. 对value进行hash计算时，hash冲突。
2. 计算出多组偏移量的方式，比如A计算出1 2 3 ；B 计算出 3 4 5，均存储到bitmap中，C计算出 2 3 4，集合不存在，但是会误判存在集合中。

6 使用bitmap的注意事项

网上的文章，均是简单的介绍bitmap的用法，但是都存在一个很大的风险的，导致bitmap占用大内存。

例如判断活跃用户量，使用bitmap实现：网上介绍很简单，bitset 将偏移量设置为1，但是id如何转换为偏移量并没有一篇文章进行介绍。

bitmap推荐的偏移量是从1一直累加的，但是计算出的hash值为10位（10亿级别），那么占用的内存大小为239MB，若是计算出的hash值为7位（百万级别）占用的内存大小为124KB。

所以计算偏移量的时候不能无脑的进行hash得到，而是要根据系统情况（百万级别的日活、十万级别日活），进行取余计算，得到合适的偏移量。

另一种解决方案：对数据进行分组在分片。SpringBoot2.x中使用Redis的bitmap结构（工具类）

7. 使用redis实现静默报警（n秒内实现m次报警）

借助zset结构，score为异常时的时间戳。通过zrangebyscore方法取出单位时间内的异常数量，判断异常个数是否达到阈值，来选择报警。

8. 线上Redis慢查询如何排查

祸从天上来系列（1）线上Redis突然崩了？

如何排查Redis变慢了的问题

1. 考虑是不是bigkey

跨链路线程追踪找到慢的命令，组装出Redis的key，发现查询出来的结果并不是大key

2. 是一个key有问题还是一组key有问题

若是一组key有问题，对key进行hash计算，看看是不是同一个节点。那么考虑到是不是集群节点性能出现问题，导致的问题。

3. 若是一个节点出现问题

判断是否存在hotkey的情况。即出现访问量偏斜；
判断是否该节点是否存在bigkey的情况，造成数量量偏斜；

4. 判断是否存在key*等耗时操作

查询Redis的调用日志（腾讯云）提供，并没有发现key*等耗时操作。

5. 命令是否集中过期

平时是否没有问题，变慢的时间点很有规律，每隔一段时间就会发生一波延迟。

主动过期的key定时任务，是Redis主线程中执行的。若出现大量删除过期key的情况，那么应用程序在访问Redis时，必须要等待这个过期任务执行结束，Redis才可以服务客户端请求。

6. 实例内存是否达到上限

因为Redis具有淘汰策略，当Redis实例到达内存上限后，写入新数据后势必会淘汰一些老数据。然后将新数据写进来。

（bitmap因为没有注意偏移量，导致占用内存过大，也是一个风险点）

7. 备份策略影响

RDB和AOF rewrite期间，fork耗时导致延时变大，也会导致性能问题。

8 是不是突发流量，导致redis性能瓶颈

查询流量曲线和redis命令执行指标，判断是否达到性能瓶颈。

9. 判断是否proxy出现问题

服务器->proxy->redis集群。当上面排查没有问题的话，需要考虑是否是proxy出现的问题。

9. 如何保证Redis缓存一致性？

SpringBoot2.x—SpringCache（4）集成SpringCache保证Redis的数据一致性

SpringCache的更新策略.png

SpringCache采用的是先更新数据库在更新缓存，但是存在一种场景：

1. 线程A更新数据库，在更新缓存时被阻塞；
2. 线程B更新数据库，然后将缓存更新为B；
3. 线程A去更新数据库，将缓存更新为A；
   这就会导致数据库和缓存不一致的现象。

改进版：采用的是：先更新数据库，在删除缓存。

image.png

一般写操作比读操作更耗时，故这种方法出现不一致的几率小。

1. 缓存失效，线程A查询数据库查询到A，线程A被阻塞；
2. 线程B更新数据库，线程B删除缓存；
3. 线程A更新缓存为A；
   造成了缓存不一致的情况；

为了彻底解决这种情况，可以使用延迟双删策略。

推荐阅读

几率大的Redis面试题（含答案）

滑动窗口限流 java_一文搞懂高频面试题之限流算法，从算法原理到实现，再到对比分析...

历史文章

Redis使用bitmap、zset、hash、list等结构完成骚操作？

Redis的缓存淘汰策略

Redis的持久化策略

每日一道算法题——LRU缓存机制

Redis和Lua脚本(实现令牌桶限流)

Redis学习-位图（bitmap）法统计活跃用户

SpringBoot2.x—Redis缓存传统、雪崩、失效以及预防措施

请说下redis命令的时间复杂度?？（实际问的是redis底层结构）