[Java]-Redis面试题

开篇

redis常见的面试题

使用问题

Redis的使用场景

1. 根据自己简历上的业务进行回答
2. 主要场景1, 作为缓存中间件使用:

• 穿透、击穿、雪崩、双写一致、持久化、数据过期、淘汰策略

1. 主要场景2, 作为分布式锁使用

• setnx、redisson

什么是缓存穿透，怎么解决

正常的缓存流程:

1. 一个请求进入程序, 先查询redis, 如果redis中存在该数据, 返回数据
2. 如果redis中不存在数据, 要查询数据库, 查到结构后返回数据并更新缓存
3. 如果数据库也查不到数据, 就结束请求
4. 如果有人用不存在的id一直请求, 就会导致请求直接穿透到数据库

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1

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

优点: 简单

缺点: 消耗内存，可能会发生数据不一致的问题

解决方案2

布隆过滤器

1. 请求进入程序, 先经过布隆过滤器的判断, 数据存在查再走redis的判断
2. 介绍布隆过滤器

• 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: 布隆过滤器可以用于检索一个元素是否在一个集合中。

• 布隆过滤器存在误判的可能性:

• 误判率: 数组越小误判率就越大，数组越大误判率就越小，但是同时带来了更多的内存消耗。

• 项目中一般可以接受这种误判性, 少量的误判相比大量的缓存穿透更优, 一般误判率控制在5%以内

1. 优点: 内存占用较少，没有多余key
2. 缺点: 实现复杂，存在误判

什么是缓存穿透? 怎么解决?

1. 缓存穿透是指查询一个一定不存在的数据，如果从存储层查不到数据则不写入缓存，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。
2. 解决方案的话，我们通常都会用布隆过滤器来解决它.
3. 布隆过滤器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。
4. 它的底层主要是先去初始化一个比较大数组，里面存放的二进制0或1。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。
5. 当然是有缺点的，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。

什么是缓存击穿，怎么解决

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

解决方案一: 互斥锁

特点: 强一致，性能差

解决方案二: 逻辑过期

特点: 高可用，性能优，不保证数据绝对一致

什么是缓存击穿? 怎么解决?

1. 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。
2. 解决方案有两种方式:
3. 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
4. 第二种方案可以设置当前key逻辑过期，大概是思路如下:

• 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
• 当查询的时候，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

1. 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，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。

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:

1. 给不同的Key的TTL添加随机值

• 1-5分钟的随机值

1. 利用Redis集群提高服务的可用性

• 哨兵模式、集群模式

1. 给缓存业务添加降级限流策略

• ngxin或spring cloud gateway
• 降级可做为系统的保底策略，适用于穿透、击穿、雪崩

1. 给业务添加多级缓存

• Guava或Caffeine

什么是缓存雪崩? 怎么解决?

1. 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瞬时压力过重雪崩。与缓存击穿的区别: 雪崩是很多key，击穿是某一个key缓存。
2. 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。

redis双写问题

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

• 一致性要求高
• 允许延迟一致

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

延时双删方案

1. 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;
2. 写操作: 延迟双删

• 先删除缓存，还是先修改数据库? 无论哪种操作, 都可能会出现数据不一致

• 为什么要删除两次缓存? 降低脏数据的出现, 尽量保证数据一致性
• 为什么要延时删除? 如果数据库是主从模式, 主库同步数据到从库需要时间.

• 延时双删的延时时间不太好控制, 而且延时时间内, 仍有脏数据可能
• 延时双删可以很大程度上保证双写一致性, 但脏数据风险仍然存在, 本质是最终一致性方案

读写锁方案

1. 一般放到缓存中的数据是读多写少, 如果写多读少还是直接操作数据库吧
2. 读数据的时候添加共享锁, 允许其他线程读, 不允许写
3. 写数据的时候添加排他锁, 阻塞其他程序的读写

1. 读写锁在保证数据强一致的情况下, 读的性能高, 但是写的性能比较低
2. 参考代码

异步通知保证数据的最终一致性

1. 写数据的时候, 发消息给MQ
2. 缓存服务监听MQ消息, 拿到消息后更新缓存
3. 数据的更新存在延时, 但是能保证最终一致性
4. 这个最终一致性的可靠度由MQ的可靠性决定的
5. MQ的可靠性后面再研究

基于Canal的异步通知

1. 阿里推出的中间件
2. canal是基于mysql的主从同步来实现的
3. 基本原理

• 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。
• 如果业务可以接受一定延时, 该方案还是不错的

1. 以上所有案例提到的"延时"在正常情况下是感受不到的, 都是在大并发情况下才会出现的问题

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

1. 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。
2. 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。
3. 面试官: 那这个排他锁是如何保证读写、读读互斥的呢?
4. 候选人: 实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
5. 面试官: 你听说过延时双删吗?为什么不用它呢?
6. 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。

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

1. 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)
2. 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canaI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。

Redis的数据持久

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

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

AOF的命令记录的频率也可以通过redis.conf文件来配:

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。阈值也可以在redis.conf中配置:

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。

redis做为缓存，数据的持久化是怎么做的?

1. 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?

• 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。
• 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

1. 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

Redis数据删除策略-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-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:

1. 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
2. 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。

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的数据过期策略有哪些?

1. 在redis中提供了两种数据过期删除策略
2. 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，我们在检查其是否期，如果过期，我们就删掉它，反之返回该key。
3. 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
4. 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

1. 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

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:

1. 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。

1. 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
2. allkeys-random: 对全体key，随机进行淘汰。
3. volatile-random: 对设置了TTL的key，随机进行淘汰。
4. allkeys-lru: 对全体key，基于LRU算法进行淘汰
5. volatile-lru: 对设置了TTL的key，基于LRU算法进行淘汰
6. allkeys-lfu: 对全体key，基于LFU算法进行淘汰
7. 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。
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。
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。

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

1. 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

Redis的数据淘汰策略有哪些?候选人:

1. 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
2. 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
3. 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。
4. 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
5. 我们在项目设置的是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
6. 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?
7. 可以使用 allkeys-ru(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
8. Redis的内存用完了会发生什么?
9. 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

Redis分布式锁如何实现

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

抢券场景

抢券执行流程: 正常情况下, 该代码是没有问题的

库存超减: 线程之间是交替执行的, 代码的执行流程就可能如下, 出现超卖的情况

使用多线程提供的synchronized锁, 解决超卖问题

服务集群部署的情况下, 如何解决超卖问题?

使用分布式锁的方案

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。

1. 获取锁

1. 释放锁

1. 使用流程

1. Redis实现分布式锁如何合理的控制锁的有效时长?

• 问题原因: 业务执行时间超过锁的超时时间, 导致锁失效, 就不能保证业务的原子性了, 可能影响业务数据
• 解决思路有两种
• 根据业务执行时间预估: 其实很难预估, 受网络/服务器等因素影响
• 给锁续期: 获取到锁之后, 自己开一个线程, 监控业务执行, 如果业务执行时间较长, 就增加锁的过期时间

redisson实现的分布式锁-执行流程

1. 一个线程来了, 先尝试加锁, 加锁成功了就可以操作redis, 加锁成功后, 自动开启一个看门狗线程, 不断监听持有锁的线程, 给该锁增加过期时间
2. 手动释放锁之后, 会自动通知看门口取消监听
3. 新的线程尝试加锁时, 如果成功则可以操作redis, 如果失败, 会开启一个循环, 不断尝试加锁
4. 如果线程1一直不释放锁, 线程2也不会一直循环, 超过阈值就会放弃
5. 一般情况下业务的执行也就几十毫秒, 线程3不会等很久, 加入这个等待机制(重试机制)的好处就是, 在高并发情况下, 可以很大程度上的提高分布式锁的使用性能
6. 具体redisson使用代码

redisson实现的分布式锁- 可重入

1. 上述代码, 如果add2方法获取锁成功了, 说明这个锁是可以重入的, 获取锁失败, 说明这个锁是不可重入的
2. redis的分布式锁是不可重入的, redisson的分布式锁可重入
3. redisson是根据线程id来进行判断的, 同一个线程是可以获取锁成功的, 不同的线程会获取失败
4. 好处:

• 业务复杂的时候, 锁的粒度比较细的时候, 就可能用到锁的重入
• 可以避免多个锁产生死锁的问题

redisson实现的分布式锁-主从一致性

1. 正常情况下, java应用在主节点获取锁, 然后操作数据

1. 如果这个时候主节点宕机了, 依据redis的哨兵模式, 会从从节点中选一个当做主节点, 那么新的线程来了之后, 会从新的的主节点获取锁, 这时两个线程就同时持有一把锁, 就丧失了锁的互斥性, 可能出现脏数据

1. redisson提供了RedLock, 解决主从节点不一致的问题

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。

1. 红锁使用的很少, 因为服务器宕机是低概率事件, 而且redis整体是AP思想, 保证高可用, 追求最终一致性, 如果一定要保证数据强一致性, 建议使用CP思想的zookeeper实现分布式锁

Redis分布式锁如何实现?

1. redis中提供了一个命令setnx(SETifnot exists)
2. 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
3. 那你如何控制Redis实现分布式锁有效时长呢?
4. 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。
5. 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
6. 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。
7. redisson实现的分布式锁是可重入的吗?
8. 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.
9. redisson实现的分布式锁能解决主从一致性的问题吗?
10. 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

集群问题

Redis集群有哪些方案

在Redis中提供的集群方案总共有三种

1. 主从复制
2. 哨兵模式
3. 分片集群

什么是 Redis 主从同步

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。

主从数据同步原理

主从全量同步

1. 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replid, slave则会继承master节点的replid

1. 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。

流程说明

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

主从增量同步 (slave重启或后期数据变化)

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

面试官: 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、Redis分片集

面试官: 那你来介绍一下主从同步

1. 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。
2. 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

1. 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
2. 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: 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

1. 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，主节点判断是不是第一次请求，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

主从模式可以解决单节点redis的性能瓶颈, 但是不能保证redis的高可用

哨兵模式

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

1. 监控: Sentinel会不断检查您的master和slave是否按预期工作
2. 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
3. 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

1. 这是一个主从架构配合哨兵模式的高可用集群

1. 因为网络故障（如主节点网卡故障、网络延迟 / 丢包、防火墙拦截等），导致哨兵集群无法与主节点通信，哨兵误判主节点宕机，进而将一个从节点晋升为新主节点, 此时集群中出现两个主节点（原主节点 + 新主节点），客户端还会向原主节点写入数据。

1. 原主节点恢复上线, 会降级为从节点, 客户端再写数据时会向新主节点写入, 原主节点的数据就会被覆盖, 最终数据丢失等问题

1. 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
• min-replicas-max-lag 5 表示数据复制和同步的延迟不能超过5秒

# redis.conf 主节点配置 # 1. 主节点能连接的从节点最小数量（低于此值则拒绝写入） min-replicas-to-write 1 # 2. 从节点与主节点的最大延迟时间（超过此值则视为“无效从节点”） min-replicas-max-lag 10

• 通过 Redis 主节点的配置，让原主节点在 “脑裂” 期间拒绝客户端写入，避免数据双写

面试官: 怎么保证Redis的高并发高可用

1. 首先可以搭建主从集群，再使用redis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
2. 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;
3. 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?

1. 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。
2. 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?

1. 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redismaster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，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。
2. 可以对redis进行配置: 设置最少的salve节点个数，设置至少有一个从节点才能同步数据，再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

redis分片集群

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

1. 海量数据存储问题
2. 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:

1. 集群中有多个master，每个master保存不同数据
2. 每个master都可以有多个slave节点
3. master之间通过ping监测彼此健康状态
4. 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。

1. Redis 分片集群引入了哈希槽的概念，Redis 集群有 16384 个哈希槽
2. 将16384个插槽分配到不同的实例
3. 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前面有大括号，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

面试官: redis的分片集群有什么作用

1. 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。
2. 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?

1. 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，
2. 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。
3. 取值的逻辑是一样的

原理问题

Redis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
3. 如果使用多线程, 就要考虑线程安全问题, 大量使用并发锁, 就会影响性能
4. 使用I/O多路复用模型，非阻塞IO

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多路复用模型主要就是实现了高效的网络请求

1. 用户空间和内核空间
2. 常见的IO模型

• 阻塞IO (Blocking IO)
• 非阻塞塞IO (Nonblocking lO)
• IO多路复用 (IO Multiplexing)

1. 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拷贝过程中，用户进程依然阻塞
3. 等待拷贝完成，用户进程解除阻塞，处理数据

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，直到数据就绪

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，用户进程解除阻塞，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。

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。不过监听Socket的方式、通知的方式又有多种实现，常见的有:

• select
• poll
• epoll

差异:

1. select和poI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

1. 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

能解释一下I/O多路复用模型?

• 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