湖南长沙电信大楼着火_免费域名freenom_微信推广平台_推广营销app

系列博客目录

---

---

1前言

现在几乎所有项目，都要使用Redis，面试过程中占比很高，所以是重点学习的内容。
Redis的内容分类为Redis的使用场景，Redis其他面试问题。
 面试官问使用场景的时候经常与实际业务进行关联，Redis使用场景一般为缓存(穿透、击穿、雪崩、双写一致、持久化、数据过期、淘汰策略）、分布式锁（setnx，rediness）、计数器、保存token、消息队列、延迟队列(三个数据类型：普通String、List、ZSet)。主要是缓存和分布式锁。
 其他面试题:（1）集群（主从、哨兵、集群）。（2）事务。（3）Redis为什么快。

使用场景：
Redis的数据持久化策略有哪些
什么是缓存穿透，怎么解决
什么是布隆过滤器
什么是缓存击穿，怎么解决
什么是缓存雪崩，怎么解决
redis双写问题
Redis分布式锁如何实现
Redis实现分布式锁如何合理的控制锁的有效时长
Redis的数据过期策略有哪些
Redis的数据淘汰策略有哪些
其他面试题：
Redis集群有哪些方案,知道嘛
什么是 Redis 主从同步
你们使用Redis是单点还是集群?哪种集群
Redis分片集群中数据是怎么存储和读取的
redis集群脑裂
怎么保证redis的高并发高可用
你们用过Redis的事务吗?事务的命令有哪些
Redis是单线程的，但是为什么还那么快?

2 使用场景

面试官提问1：我看你做的项目中，都用到了redis，你在最近的项目中哪些场景使用了redis呢?

我们不能单纯说Redis会用在哪，一定要结合简历上的项目，问题的本质是考察

• 一是验证你的项目场景的真实性，二是为了作为深入发问的切入点
• 缓存
• 分布式锁
• 消息队列、延迟队列
• …

当你回答了缓存，那就会涉及到(面试官可能会深入提问）缓存三兄弟(穿透、击穿、雪崩)、双写一致、持久化、数据过期策略数、据淘汰策略。
回答分布式锁的话，就会涉及setnx、redisson

面试官会接着问你1.1：如果发生了缓存穿透、击穿、雪崩，该如何解决?

2.1缓存穿透

如果一个人想攻击你的系统，获取了你的请求路径之后，就会用一些假的Id，比如下面请求中1的位置就是Id，或者很大的值，负的值。

定义：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。(可能会导致数据库压力过大而宕机。)

解决方案一:缓存空数据，查询返回的数据为空，仍把这个空结果进行缓存。{key:1,value:null}
优点:简单
缺点:消耗内存，可能会发生不一致的问题，比如我会存上key1为的数据，但这时候redis中村的key为1对应的value还是null；

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

 
 
 
下面介绍一下布隆过滤器。

工作原理：布隆过滤器通过使用多个哈希函数和一个位数组来存储信息。其主要步骤如下：

1. 初始化：创建一个位数组，所有位初始化为0。
2. 添加元素：对于每个要加入集合的元素，布隆过滤器通过多个哈希函数生成多个哈希值，然后在位数组的对应位置将这些值设为1。
3. 查询元素：要检查某个元素是否在集合中，布隆过滤器通过相同的哈希函数计算该元素的哈希值，并检查位数组中对应位置的值。如果所有位置都是1，集合中可能有该元素；如果有任何位置是0，则肯定不在集合中。

一般会将误判率设置在5%以内，这个误判率一般的项目可以接受，也不会使得数据库在高并发下被压倒。

总结

1. Redis的使用场景
   根据自己简历上的业务进行回答
   缓存       穿透、击穿、雪崩、双写一致、持久化、数据过期、淘汰策略
   分布式锁    setnx、redisson
2. 什么是缓存穿透，怎么解决
   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
   解决方案二:布隆过滤器

面试文稿

1. 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，由于存储层查不到数据因此不写入缓存，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。

2. 你能介绍一下布隆过滤器吗？
   候选人：嗯，是这样的。布隆过滤器主要是用于检索一个元素是否在一个集合中。(Self:通过在前端部署一个布隆过滤器，可以预先判断该键很可能不存在于数据库中，从而避免对数据库发起无效请求。)我们当时使用的是Redisson实现的布隆过滤器。它的底层原理是，先初始化一个比较大的位数组，里面存放的是二进制0或1。一开始都是0，当一个key来了之后，经过3次hash计算，模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，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，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。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。

2.2 缓存击穿

定义：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。
你可能会问：我们对相同的key进行n个(大量的）请求，那么n=1的时候，我们会把返回的数据存储到Redis，那之后n-1次查询不就可以直接从Redis中查了吗？那怎么还会压垮DB呢？那是因为n=1在存储数据的时候，我们花费了过多的时间来往Redis中存数据，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。为什么会有50ms呢，因为有些来自DB的数据是DB中多个表汇总的结果，可能需要分组统计才能得到要往Redis中存储的数据。

解决方案一:互斥锁      保证数据的强一致性、性能差。

解决方案二:逻辑过期     高可用、性能优

GPT：逻辑过期（Logical Expiration）是缓存管理中的一种策略，它与传统的“物理过期”（Physical Expiration）有显著的区别。在逻辑过期中，缓存的数据不会在某个时间点自动失效，而是通过应用程序内部的控制机制来决定何时认为缓存数据已经“过期”，并触发更新或重新加载数据。逻辑过期与物理过期的区别：物理过期：数据会在固定时间点（比如缓存的 TTL（生存时间）到期）自动过期，缓存系统会自动删除或失效该数据。此时，缓存数据与数据库的数据可能不一致。例如：如果设置了1小时的TTL，当时间到达时，缓存会自动失效并删除。任何对该数据的访问都将导致缓存穿透，直接访问数据库。逻辑过期：缓存数据不会在固定的时间点过期，而是通过应用逻辑来决定何时更新缓存数据。即使缓存中的数据“过期”，在物理层面缓存依然存在，只是标记为过期，程序会根据应用逻辑判断是否需要重新加载数据。例如：在一个用户信息缓存中，可以在缓存数据中增加一个字段（如 last_updated_time），应用逻辑会判断缓存数据是否超过某个时间阈值，并根据该判断决定是否重新加载数据。

这两种方案不一定要分个高下，要分情况用不同方案。强调数据准确性，用前者，强调用户体验，用后者。

总结

1. 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
2. 解决方案一:互斥锁，强一致，性能差
3. 解决灰案二:逻辑过期，高可用，性能优，不能保证数据绝对一致

面试文稿

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，恰好这个时间点对这个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。第二种方案是设置当前key逻辑过期，大概思路如下：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，这个数据可能不是最新的。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，但性能上可能没那么高，且有可能产生死锁的问题。如果选择key的逻辑删除，则优先考虑高可用性，性能比较高，但数据同步这块做不到强一致。

2.3 缓存雪崩

定义：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1:给不同的Key的TTL添加随机值。(针对同一时段大量的缓存key同时失效）
解决方案2:利用Redis集群提高服务的可用性 哨兵模式、集群模式 (针对Redis服务宕机）
解决方案3:给缓存业务添加降级限流策略 ngxin(单体项目中）或spring cloud gateway（微服务项目中）
解决方案4:给业务添加多级缓存 Guava或Caffeine (预防大量Key过期）

总结

1. 缓存雪崩
   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。
2. 解决方案:
   给不同的Key的TTL添加随机值
   利用Redis集群提高服务的可用性
   给缓存业务添加降级限流策略 (降级可做为系统的保底策略，适用于穿透、击穿、雪崩)
   给业务添加多级缓存

面试文稿

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瞬时压力过重而雪崩。与缓存击穿的区别是：雪崩是很多key，而击穿是某一个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。

《缓存三兄弟》

穿透无中生有key，布隆过滤nuIl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。

面试官会接着问你1.2：redis做为缓存，mysql的数据如何与redis进行同步呢?(双写一致性)

一定、一定、一定要设置前提，先介绍自己的业务背景，自己的业务如果一致性要求高是一种方案，允许延迟一致那就是另外一种方案了。

2.4 双写一致性

定义：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

方案1：一致性要求高

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

通过三个问题解决为什么用延迟双删

1. 先删除缓存，还是先修改数据库？
   下图表明先删除缓存，还是先修改数据库，哪个先干都不行。
   

2. 为什么要删除两次缓存? 因为上图表明仅删除一次不行，都会有脏数据的出现。

3. 为什么要延时删除? 数据库一般是主从结构，延迟的那段时间可以让主DB把数据交给从DB。但是延迟的时间不好控制，没法做到百分之百的数据的强一致性。如何能做到呢？ 加锁

但是如上图加锁的话性能不够好，比较慢。由于使用Redis,将数据放入缓存中的数据库一般都是读多写少，(写多读少的直接操作数据库比较省事）。

我们介绍两种新锁：

共享锁:读锁readLock，加锁之后，其他线程可以共享读操作

排他锁:独占锁writeLock也叫，加锁之后，阻塞其他线程读写操作

注意其中的锁名"ITEM _READ_WRITE_LOCK"要一直，不然没法控制。

实现了强一致的数据同步，但是性能低。后面一种场景，允许延迟一致，才是现实生活中被广泛使用的。

方案2：允许延迟一致

方法一如下，使用MQ，异步通知保证数据的最终一致性，需要保证MQ的可靠性。（后续会讲MQ）

方法二如下，基于Canal（阿里发明的中间件）的异步通知:

canal是基于mysql的主从同步来实现的
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。

总结

1. redis做为缓存，mysql的数据如何与redis进行同步呢?(双写一致性)
   介绍自己简历上的业务
   第一种：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，但是实时要求性并没有那么高，所以，我们当时采用的是异步的方案同步的数据
   第二种：我们当时是把抢券的库存存入到了缓存中，这个需要实时的进行数据同步，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

2. 那你来介绍一下异步的方案(你来介绍-下redisson读写锁的这种方案)
   1)允许延时一致的业务，采用异步通知 对应第一种
   使用MQ中间中间件，更新数据之后，通知缓存删除
   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数据更新缓存
   2)强一致性的，采用Redisson提供的读写锁 对应第二种
   共享锁:读锁readLock，加锁之后，其他线程可以共享读操作
   排他锁:独占锁writeLock也叫，加锁之后，阻塞其他线程读写操作

面试文稿

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(SET if Not eXists)，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。

面试官会接着问你1.3：redis做为缓存，数据的持久化是怎么做的?

2.5 持久化

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。

主动备份如下：

[root@localhost ~]# redis-cli
127.0.0.1:6379> save #由Redis主进程来执行RDB，备份过程中会阻塞所有命令，如果Redis中有大文件，会阻塞很久
127.0.0.1:6379> bgsave #开启子进程执行RDB，避免主进程受到影响
Background saving started

被动备份：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

以上是实操，那么RDB的执行原理是什么？

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，可以看做是命令日志文件。

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
noappendonly 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A0F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

一般使用everysec。

缺点：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，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。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与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。两个都开启。

面试文稿

1. 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。

2. 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，可以从RDB的快照文件中恢复数据。AOF的含义是追加文件。当redis执行写命令的时候，都会存储到这个文件中。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。

3. 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，保存时体积也比较小，所以它恢复得比较快。但它有可能会丢数据。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。

面试官会接着问1.4 假如redis的key过期之后，会立即删除吗?

定义：Redis对数据设置数据的有效时间（set name heima 10 ），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，这种删除规则就被称之为数据的删除策略(数据过期策略)。数据过期策略包含两种：惰性删除、定期删除。

2.6 过期策略

Redis数据删除策略1-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，我们在检查其是否过期，如果过期，我们就删掉它，反之返回该key。

set name zhangsan 10
get name //现name过期了，直接删除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

Redis数据删除策略2-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模式是定时任务，执行频率默认为10hz（每秒10词），每次不超过25ms(防止时间太长，干扰主进程，一次清理不完，等一下，继续清理即可），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，也能有效释放过期键占用的内存。

缺点:难以确定删除操作执行的时长和频率。 频率太慢，和惰性删除一样了，频率太快，影响CPU。

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

总结

Redis的数据过期策略
惰性删除:访问key的时候判断是否过期，如果过期，则删除
定期删除:定期检查一定量的key是否过期(SLOW模式+FAST模式)

面试文稿

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。

面试官会接着问1.5：假如缓存过多，内存是有限的，内存被占满了怎么办?

2.7数据淘汰策略

定义：数据的淘汰策略:当Redis中的内存不够用时，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
• allkeysIu: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

数据淘汰策略-使用建议

1. 优先使用 alkeys-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。为什么不用LFU，因为之前的数据访问频率不一定能反映下一时间数据的使用。
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alkeys-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。
3. 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?
   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?
   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

总结：

数据淘汰策略

1. Redis提供了8种不同的数据淘汰策略(不用记），默认是noeviction不删除任何数据，内存不足直接报错
2. LRU: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。
3. LFU: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

平时开发过程中用的比较多的就是allkeys-lru(结合自己的业务场景）

面试文稿

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是alkeys-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 alkeys-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鋆
面试官:Redis的内存用完了会发生什么?

面试官会接着问1.6：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
抢券仅剩一张的场景：


分析一下上面代码在多线程中会不会出现问题。如下图所示，出现了问题。我们需要在本地加锁。


如上图所示，我们进行了本地加锁，锁是JVM的，可以解决JVM自己的线程互斥，每台服务器都有一个自己的JVM，但是如果有多台服务器的话呢？本地所无法解决多台服务器下 多JVM的互斥。如下图所示，需要加分布式锁，这时候所有JVM只有一个线程能获得锁。

下面介绍Redis实现的更强大的分布式锁。

2.8 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:（为什么不用setnx命令再加一个为锁定时的命令呢，因为要保证原子性）

# 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

为什么要为锁定时间呢？因为万一你申请了锁，你宕机了，会发生死锁。如下图所示。

Redis实现分布式锁如何合理的控制锁的有效时长? 如果我业务还没完成，锁就被打开，那没法保证业务完成，没法保证原子性。
根据业务执行时间预估，不行 不好估计，会受网络波动等的影响。
给锁续期，这个比较合理。

redisson实现的（redis的）分布式锁-执行流程

一般业务处理很快，线程2在等待也就是循环过程中就可以获取锁，大大提高了分布式锁的性能。

trylock中第一个参数是为了获得锁的最大等待时间，第二个参数是当前锁的失效时间，如果你添加了锁的失效时间，那么它就不会设置看门狗了，因为他认为你的业务会在失效时间内完成。如果你传-1或者不传，那就用watch dog 给你续期。

redisson实现的分布式锁-可重入

同一个线程的多个方法可以获得一把锁，因为是同一个线程，不会冲突。

redisson实现的分布式锁-主从一致性

还没来得及同步数据，主节点宕机，会选一个新的从节点当主节点。这个新的主节点，会给另外一个应用锁，导致两个线程同时持有一把锁。

解决方案：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。 但是这样：实现复杂、性能差、运维繁琐。
其实服务器宕机出现概率低，Redis是AP思想，高可用性，可以做到最后的一致性，如果要保证数据的强一致性，可以用CP思想的zookeeper。

总结

1. edis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
   我们当使用的redisson实现的分布式锁，底层是setnx和lua脚本(保证原子性)

2. Redisson实现分布式锁如何合理的控制锁的有效时长?
   在redisson的分布式锁中，提供了一个WatchDog(看门狗)-个线程获取锁成功以后WatchDog会给持有锁的线程续期(默认是每隔10秒续期一次)

3. Redisson的这个锁，可以重入吗?
   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hash结构来存储线程信息和重入的次数

4. 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

面试文稿

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(SETifnotexists)
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査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，它会自选不断尝试获取锁，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

3 其他面试题

面试官提问：Redis集群有哪些方案,知道嘛？

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。

3.1 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。

那主节点如何同步数据到从节点？

主从数据同步原理

第一：主从全量同步

截止到第11步就完成了主从数据的完全同步。之后进行同步，都是如同第9步，我们在主节点记录命令，发送给从节点进行执行。那么如何确保发送的时候正好是从节点需要的那部分数据呢？第二个问题，如何知道是第一次同步数据呢？

解决第一个问题：
Replication ld: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replidslave则会继承master节点的replid

解决第二个问题：
offset:偏移量，随着记录在repl baklog中的数据增多而逐渐增大。save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。

第二：主从增量同步(slave重启或后期数据变化)

总结：

1. 介绍-下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。般都是一主多从，主节点负责写数据，从节点负责读数据

2. 能说一下，主从同步数据的流程？
   全量同步:
   1.从节点请求主节点同步数据(replicationid、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(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

面试文稿

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replicationid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replicationid，如果不是，就说明是第一次同步，那主节点就会把自己的replicationid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

3.2 哨兵

之前的主从集群，无法保证高可用，因为如果主节点坏掉的话，就无法写数据。为了解决这个问题，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

哨兵工作具体内容

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响应，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

1. 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
2. 然后判断从节点的slave-priority值，越小优先级越高
3. 如果slave-prority一样，则判断slave节点的offset值，越大优先级越高
4. 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

数据发生了丢失，如何解决这个问题呢？
redis中有两个配置参数:
min-replicas-to-write 1 表示最少的salve节点为1个（GPT：配置最少的从节点数，只有当满足该数量的从节点都已经同步数据时，主节点才会接受客户端的写请求。这样可以确保写入的数据被复制到足够多的从节点上。）
min-replicas-max-lag 5 表示数据复制和同步的延迟不能超过5秒（GPT：设置主节点与从节点之间允许的最大同步延迟。如果从节点的同步延迟超过该值，主节点将不会接受新的写请求，从而避免主从数据不同步时可能发生的数据丢失。）

总结

1. 怎么保证Redis的高并发高可用
   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)
2. 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
3. redis集群脑裂，该怎么解决呢?
   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丰节点那里写入数据，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: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

面试文稿

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oldmaster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。

3.3 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：
集群中有多个master，每个master保存不同数据(此时读的并发低了，所以有了下一点）
每个master都可以有多个slave节点（此时没有哨兵，如何监控master的状态呢，下一点解决）
master之间通过ping监测彼此健康状态（那我客户端该向哪个master发送数据呢，任意一个，看下一点）
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-(如何实现）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。

大括号中是有效部分，不是指的话，key本身是有效部分。

总结

1. 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

2. 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前面有太括号，大括号的内容就是有效部分，如果没有，则以key本身做为有效部分)余数做为插槽，寻找插槽所在的实例

面试文稿

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

面试官提问：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I0

面试官会接着问 能解释一下I/O多路复用模型吗?

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/0多路复用模型主要就是实现了高效的网络请求。

为什么Redis可以实现高效的网络请求呢？需要掌握一下几点。

• 用户空间和内核空间
• 常见的IO模型
  • 阻塞I0(BlockingIO)
  • 非阻塞I0(NonblockinglO)
  • IO多路复用(IOMultiplexing)
• Redis网络模型

面试文稿

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I/O
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/0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