Redis经典面试题

Redis经典面试题

问题1: Redis为什么这么快？

1.1 基于内存实现

Redis的数据都是存放在内存中，而像关系型数据库Mysql的数据存放在磁盘。访问磁盘数据是要进行网络IO连接，是很耗时的，而内存的数据访问和操作是相当快的。

1.2 高效的数据结构

我们都知道，mysql为了提高效率，采用了B+树的数据结构，对于一个应用场景来说合理的数据结构能够性能更好。我们来看看Redis的数据结构-内部编码。

String ：动态字符串SDS。
List ：双端链表LinkedList + 压缩链表zipList。
Hash：压缩链表zipList + 字典hashTable。
Set：字典hashTable。
ZSet：压缩链表zipList + 跳跃表skipList。

SDS简单动态字符串

• 字符串长度处理：Redis获取字符串长度的复杂度 O(1)，在C语言获取字符串长度从头开始遍历，复杂度为O(N).
• 空间预分配：字符串频繁的修改，内存分配就越频繁，就会消耗性能，而SDS修改和空间扩展，会额外分配未使用的空间，减少性能消耗。
• 惰性空间释放： SDS缩短时，不是回收多余的内存空间，而是free记录下多余的空间，后续有变更，直接使用free记录的空间，减少内存的肥分配。
• 二进制安全：Redis可以记录二进制的数据，在C语言中字符串遇到’\0’会结束，而SDS中标志字符串结束的是len属性。

字典
Redis作为K-V型内存数据库，所有的键值就是用字典来存储。字典就是哈希表，比如HashMap，通过key就可以找到对应的value。哈希表的特性就是，在O(1)时间复杂度下就可以获得对应的值。

跳跃表

• 跳跃表就是在链表的基础上，增加多级索引来提升查询效率
• 跳跃表支持平均O(logN) 到 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。

1.3 合适的数据编码

Redis支持多种数据机构，每种基本类型，对应多种数据结构。什么时候使用什么样的数据结构，使用什么样的编码，是redis设计者总结优化的结果。

1.4 合理的线程模型

I/O多路复用

I/O多路复用技术可以让单个线程高效的处理多个连接请求，而Redis将epoll作为IO多路复用的技术实现。并且，Redis的自身事件处理模型将epoll的连接，读写，关闭都转化为事件，不在网络I/O上浪费过多时间。

I/O：网络IO
多路：多个网络连接
复用：复用同一个线程
I/O多路复用，就是一个同步IO模型，它实现了一个线程可以监听多个文件句柄；一旦文件句柄就绪，就会通知应用程序进行相对于的读写操作，当没有文件句柄就绪时，就会阻塞应用程序，交出CPU。

单线程

Redis是使用单线程来进行指令操作的，避免了CPU不必要的上下文切换和锁的竞争的损耗，并且是基于内存操作数据，以达到最快的速度。

Redis6.0版本引入了多线程的概念，但一般是网络相关的指令等IO操作时，会新开一个线程去执行，而执行命令操作数据等指令还是单线程去串行执行，仍是线程安全的。

这样做的目的是因为redis的性能瓶颈在于网络IO而不是CPU，使用多线程提升IO读写的效率，从而提高整个Redis的性能。

1.5 虚拟内存机制

Redis直接自己构建了VM机制，不会像一般的系统会调用系统函数处理，会浪费一定的时间去移动和请求。

Redis的虚拟内存机制是什么？

虚拟内存机制就是暂时把不经常使用的数据（冷数据）从内存交换到磁盘，从而腾出宝贵的内存空间以供其他需要访问的数据（热数据）。通过VM机制可以实现冷热数据分离，使热数据在内存中，冷数据保存在磁盘中。这样就可以避免因内存不足而造成访问速度下降的问题。

问题二：Mysql和Redis如何保证读写一致

读取缓存步骤一般没有什么问题，但是一旦遇到数据的更新：数据库和缓存更新，就容易出现缓存（Redis）和数据库（Mysql）间的数据一致性问题了。

不管是先更新数据库DB，再删除Redis缓存；还是先删除Redis缓存，再更新数据库DB，都有可能出现数据不一致的情况。

举个栗子：
1，如果删除了Redis缓存，还没有来得及更新数据库DB，另一个线程来读取，发现缓存为空，则去读取数据库的旧值，并写入缓存，此时缓存中为脏数据。
2，如果先更新了数据库DB，在删除缓存前，出现了异常，导致没有删除掉缓存，则也会出现数据不一致。

因为读和写是并发的，没法保证顺序性，就会出现数据库和缓存数据不一致的情况。

目前有三个解决方案供参考。

• 缓存延时双删
• 删除缓存重试机制
• 读取binlog异步删除缓存

缓存延时双删：

延时双删流程：
1，写请求；
2，删除缓存；
3，更新DB；
4，休眠一会，删除缓存；

这个休眠时间 = 读业务逻辑数据的耗时 + 几百毫秒，这样的目的是确保读请求结束，写请求可以删除读请求产生的脏数据。

这个方案还可以，但是如果第二次删除缓存失败了呢？缓存和数据库的数据还是不一致。那么是否可以加上过期时间呢？业务接受在这过期时间内的数据不一致吗？还是有其他更好的方案呢？

删除缓存重试机制

删除缓存重试机制流程：
1，写请求更新数据库；
2，某种原因删除缓存key失败
3，将删除缓存失败的key丢到消息队列；
4，消费消息队列的key，获取要删除的key；
5，重试删除缓存操作；

这个方案还不错，最终能够保证缓存和数据库的一致性。然而有一个缺点，会对业务代码造成大量入侵。

读取binlog异步删除缓存

binlog是所有数据库表结构变更，以及表数据修改的二进制日志文件。
binlog有两个常用的使用场景：

• 主从复制：mysql replication在master端开启binlog，master把它的二进制文件传递给slaves来达到master-slave数据一致性的目的。
• 数据恢复：通过mysqlbinlog工具来恢复数据。

以mysql为例：
1，可以使用阿里的canal将binlog日志采集发送到MQ消息队列；
2，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。
大啊是的大啊是的

问题三：Redis的Hash冲突了怎么办

Redis作为一个K-V型的内存数据库，它使用用一张全局的哈希表来保存所有的键值对。这张哈希表，由很多个哈希桶组成，每个哈希桶中的entry元素保存了key和value指针，其中*key指向了实际的健， *value指向了实际的值。

哈希表的查找效率很快，有点类似于java中的HashMap，它能够在O(1)时间复杂度快速找到键值对。首先通过key计算哈希值，通过哈希值找到哈希桶的位置，定位到entry，从entry中找到对应的数据。

什么是哈希冲突？

哈希冲突：通过不同的key，计算出的哈希值一样，导致落到同一个哈希桶中。

Redis为了解决哈希冲突，采用了链式哈希。链式哈希就是同一个哈希桶中的多个元素，用链表来保存，它们之间依次用指针来连接。

可能会有人有疑问，哈希冲突链上的元素只能通过指针逐一查找，当往哈希表插入更多的数据，那么发生哈希冲突的可能性也就越高，冲突链表也就越长，那查询效率不就是很低？

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默认使用两张全局哈希表，一个用于当前使用，称为主哈希表，另一个用作扩容使用，称为备用哈希表。

值得注意的是，rehash的过程不是一次性的，这样会造成redis阻塞，无法提供服务，而是采用了渐进式rehash。

问题四：在生成RDB期间，Redis可以同时处理读写请求吗

可以的，Redis提供两个指令生成RDB文件，分别是save和bgsave。

• 如果是save，会阻塞，因为是主线程执行的。
• 如果是bgsave，会fork出一个子进程来生成RDB文件，主线程可以继续处理客户端的请求。

问题五：什么是布隆过滤器

定义：

布隆过滤器是一种占用空间很小的数据结构，它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比一般的算法要好得多，缺点是有一定的误识别率和删除困难。

原理：

布隆过滤器的原理是：假设我们有集合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，这些被映射的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，这个元素很可能属于A，反之，一定不属于集合A。
（不理解的反复读5遍）

举个栗子：

假设集合A有3个元素，{d1,d2,d3}。有一个哈希函数为Hash1。现在将集合A的每个元素都映射到一个长度为16的数组B。这个数组只存0和1，默认为0.
现在我们将d1映射过来，假设Hash1（d1）= 2，我们就把数组B中，下标为2的格子改为1。
现在将d2也映射过来，假设Hash1（d2）= 5，我们就把数组B中，下标为5的格子改为1。
现在将d3也映射过来，假设hash1（d3）= 2，我们就把数组B中，下标为2的格子改为1。
目前Hash1（d1）和Hash（d3）都等于2。

因此，我们要确认一个元素dn是否在集合A中，只要算出Hash1（dn）得到的索引下标，只要是0，那么元素dn肯定不在集合A中。如果索引下标是1呢？那该元素可能是集合A的某个元素。因为，d1和d3得到的下标值都是1，还有可能是其他元素映射的，布隆过滤器是存在这个缺点的：会存在哈希碰撞的假阳性，判断存在误差。

如何减少误差：

• 多几个哈希函数映射，降低哈希碰撞的概率。
• 增加数组的长度，可以增大哈希函数生成的数据范围，也能降低哈希碰撞的概率。

即使存在误差，我们发现，布隆过滤器没有存储完整的数据，而是通过一系列的哈希函数找出位置，并填充二进制向量。如果数据量很大，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，还是较为划算的。

实现布隆过滤器的开源类库：

目前布隆过滤器已经有实现的类库了，比如Google的Guava类库，Twitter的Algebird类库，或者基于Redis自带的Bitmaps自行实现设计也是可以的。

问题六：Redis的过期key的删除策略

Reids中，我们可以设置缓存key的过期时间，Redis的过期策略是指，当Reids中缓存的key过期了，Redis如何处理。
过期策略有以下三种：

• 定时过期：每个设置过期时间的key都需要创建一个定时器，到过期时间就会立即清除。该策略可以立即清除过期时间的数据，对内存友好；但是会占用大量的CPU的资源来处理过期的数据，从而影响缓存的响应时间和吞吐量。
• 惰性过期：只有当访问一个key时，才去判断该key是否过期，过期则清除。该策略最大化的节省了CPU资源，却对内存非常不友好。极端情况下会出现，大量的过期key没有被访问过，从而这些key不会被清除，占用大量内存。
• 定期过期：每隔一定的时间，会去扫描数据库中expires字典中一定数量的key，并清除其中已过期的key。该策略是前两者的一个折中方案，通过调整定期扫描的时间间隔和每次扫描的限定数量，可以在不同情况下使用CPU和内存资源达到最优的平衡效果。（expires字典会保存所有设置了过期时间的key的过期时间数据，其中，key是指向健空间的某个健的指针，value是该健的毫秒精度的UNIX时间戳表示的过期时间。）

Redis同时使用了惰性过期和定期过期两种过期策略。

问题七：Redis的内存淘汰机制

Redis的内存淘汰机制和过期ky的删除策略不要搞混淆了。内存淘汰机制是当Redis的内存空间不够了，设置某一种策略来处理数据。

Redis4.0之后内存淘汰机制一共有8种。

• noeviction：不会淘汰任何数据，当使用空间超过maxmemory时，新增的数据会直接报错，Redis默认的淘汰机制。
• volatile-ttl: 优先淘汰过期时间快到的键值。
• volatile-random: 从设置了过期时间的健中随机淘汰。
• volatile-lru: 从设置了过期时间的健中使用LRU算法，最近最少使用的健淘汰。
• volatile-lfu: 从设置来过期时间的健中使用LFU算法，最近最少使用的健淘汰。
• allkeys-random: 从所有的健中随机淘汰。
• allkeys-lru: 从所有的健中使用LRU算法，最近最少使用的健淘汰。
• allkeys-lfu: 从所有的健中使用LFU算法，最近最少使用的健淘汰。

根据系统的不同业务场景，选择合适的淘汰机制。

关于Redis实现的LRU和LFU算法的详细内容可以查阅这篇文章。
参考文档：https://wenku.baidu.com/view/85b703173a68011ca300a6c30c2259010202f3fa.html

问题八：怎么实现Redis的高可用

在实际项目中使用Redis，肯定不会单点部署Redis服务的，因为单点部署一旦宕机，就不可用了。为了实现高可用，通常是部署多台Redis。
Redis主要有三种部署模式：

• 主从模式
• 哨兵模式
• 集群（Cluster）模式

8.1 主从模式

主从模式中，Redis部署来多台机器，由主节点master，负责读写操作，由从节点slave，只负责读操作。从节点的数据来自主节点，实现的原理就是主从复制机制。

主从复制包括全量复制和增量复制和两种。

一般当slave节点第一次链接master节点，会采用全量复制。
slave和master全量复制后，当master上的数据发生变更时，采用增量复制。

8.2 哨兵模式

主从模式中，一旦主节点由于故障不能提供服务，需要人工将从节点切换为主节点，同时还要通知应用方更新主节点地址。显然，多数业务场景都不能接受这种故障处理方式。Redis从2.8版本开始正式提供了哨兵模式来解决此问题。

哨兵模式，由一个或多个Sentinel组成的Sentinel系统，它可以监视所有的Redis主节点和从节点，并在被监视的主节点进入下线状态后，自动将下线的主节点所属的从节点升级为新的主节点。但是一个哨兵进程对Redis节点监视，就可能出现单点问题，因此，一般使用多个哨兵来监控Redis节点，并且各个哨兵之间还会进行监控。

哨兵模式的主要功能有：

• 监控（Monitoring）：哨兵会不断地检查主节点和从节点是否运作正常。
• 自动故障转移（Automatic Failover）：当主节点不能正常工作时，哨兵会开始自动故障转移操作，它会将失效主节点的其中一个从节点升级为新的主节点，并让其他从节点改为复制新的主节点。
• 配置提供者（Configuration Provider）：客户端在初始化时，通过连接哨兵来获得当前Redis服务的主节点地址。
• 通知（Notification）：哨兵可以将故障转移的结果发送给客户端。

8.3 集群（Cluster）模式

哨兵模式基于主从复制模式，实现读写分离，而且可以故障自动转移，系统可用性更高。但是它每个节点存储的数据是一样的，浪费内存，并且不好在线扩容。因此Cluster集群模式应用而是，它是在Redis3.0推出的，实现了分布式存储。对数据进行分片，也就是每台Redis实例存储了不同的数据，来解决在线扩容的问题，并且也提供了主从复制和故障转移的功能。但分布式存储也带了其他但问题，在此不展开描述。

关于主从复制模式，哨兵模式，Cluster集群模式的更多详细内容，查看另外的单独文章。