溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
什么是Redis以及其作用，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。
Redis，英文全稱是Remote Dictionary Server（遠程字典服務），是一個開源的使用ANSI C語言編寫、支持網絡、可基于內存亦可持久化的日志型、Key-Value數據庫，并提供多種語言的API。【相關推薦：Redis視頻教程】
與MySQL數據庫不同的是，Redis的數據是存在內存中的。它的讀寫速度非常快，每秒可以處理超過10萬次讀寫操作。因此redis被廣泛應用于緩存，另外，Redis也經常用來做分布式鎖。除此之外，Redis支持事務、持久化、LUA 腳本、LRU 驅動事件、多種集群方案。
大多數小伙伴都知道，Redis有以下這五種基本類型：
String（字符串）
Hash（哈希）
List（列表）
Set（集合）
zset（有序集合）
它還有三種特殊的數據結構類型
Geospatial
Hyperloglog
Bitmap
簡介:String是Redis最基礎的數據結構類型，它是二進制安全的，可以存儲圖片或者序列化的對象，值最大存儲為512M
簡單使用舉例: set key value、get key等
應用場景：共享session、分布式鎖，計數器、限流。
內部編碼有3種，int（8字節長整型）/embstr（小于等于39字節字符串）/raw（大于39個字節字符串）
C語言的字符串是char[]實現的，而Redis使用SDS（simple dynamic string） 封裝，sds源碼如下：
struct sdshdr{
unsigned int len; // 標記buf的長度
unsigned int free; //標記buf中未使用的元素個數
char buf[]; // 存放元素的坑
}SDS 結構圖如下：
Redis為什么選擇SDS結構，而C語言原生的 char[]不香嗎？
舉例其中一點，SDS中，O(1)時間復雜度，就可以獲取字符串長度；而C 字符串，需要遍歷整個字符串，時間復雜度為O(n)
簡介：在Redis中，哈希類型是指v（值）本身又是一個鍵值對（k-v）結構
簡單使用舉例：hset key field value 、hget key field
內部編碼：ziplist（壓縮列表） 、hashtable（哈希表）
應用場景：緩存用戶信息等。
注意點：如果開發使用hgetall，哈希元素比較多的話，可能導致Redis阻塞，可以使用hscan。而如果只是獲取部分field，建議使用hmget。
字符串和哈希類型對比如下圖：
簡介：列表（list）類型是用來存儲多個有序的字符串，一個列表最多可以存儲2^32-1個元素。
簡單實用舉例： lpush key value [value ...] 、lrange key start end
內部編碼：ziplist（壓縮列表）、linkedlist（鏈表）
應用場景： 消息隊列，文章列表,
一圖看懂list類型的插入與彈出：
list應用場景參考以下：
lpush+lpop=Stack（棧）
lpush+rpop=Queue（隊列）
lpsh+ltrim=Capped Collection（有限集合）
lpush+brpop=Message Queue（消息隊列）
簡介：集合（set）類型也是用來保存多個的字符串元素，但是不允許重復元素
簡單使用舉例：sadd key element [element ...]、smembers key
內部編碼：intset（整數集合）、hashtable（哈希表）
注意點：smembers和lrange、hgetall都屬于比較重的命令，如果元素過多存在阻塞Redis的可能性，可以使用sscan來完成。
應用場景： 用戶標簽,生成隨機數抽獎、社交需求。
簡介：已排序的字符串集合，同時元素不能重復
簡單格式舉例：zadd key score member [score member ...]，zrank key member
底層內部編碼：ziplist（壓縮列表）、skiplist（跳躍表）
應用場景：排行榜，社交需求（如用戶點贊）。
Geo：Redis3.2推出的，地理位置定位，用于存儲地理位置信息，并對存儲的信息進行操作。
HyperLogLog：用來做基數統計算法的數據結構，如統計網站的UV。
Bitmaps ：用一個比特位來映射某個元素的狀態，在Redis中，它的底層是基于字符串類型實現的，可以把bitmaps成作一個以比特位為單位的數組
我們都知道內存讀寫是比在磁盤快很多的，Redis基于內存存儲實現的數據庫，相對于數據存在磁盤的MySQL數據庫，省去磁盤I/O的消耗。
我們知道，Mysql索引為了提高效率，選擇了B+樹的數據結構。其實合理的數據結構，就是可以讓你的應用/程序更快。先看下Redis的數據結構&內部編碼圖：
字符串長度處理：Redis獲取字符串長度，時間復雜度為O(1)，而C語言中，需要從頭開始遍歷，復雜度為O（n）;
空間預分配：字符串修改越頻繁的話，內存分配越頻繁，就會消耗性能，而SDS修改和空間擴充，會額外分配未使用的空間，減少性能損耗。
惰性空間釋放：SDS 縮短時，不是回收多余的內存空間，而是free記錄下多余的空間，后續有變更，直接使用free中記錄的空間，減少分配。
二進制安全：Redis可以存儲一些二進制數據，在C語言中字符串遇到'\0'會結束，而 SDS中標志字符串結束的是len屬性。
Redis 作為 K-V 型內存數據庫，所有的鍵值就是用字典來存儲。字典就是哈希表，比如HashMap，通過key就可以直接獲取到對應的value。而哈希表的特性，在O（1）時間復雜度就可以獲得對應的值。
跳躍表是Redis特有的數據結構，就是在鏈表的基礎上，增加多級索引提升查找效率。
跳躍表支持平均 O（logN）,最壞 O（N）復雜度的節點查找，還可以通過順序性操作批量處理節點。
Redis 支持多種數據數據類型，每種基本類型，可能對多種數據結構。什么時候,使用什么樣數據結構，使用什么樣編碼，是redis設計者總結優化的結果。
String：如果存儲數字的話，是用int類型的編碼;如果存儲非數字，小于等于39字節的字符串，是embstr；大于39個字節，則是raw編碼。
List：如果列表的元素個數小于512個，列表每個元素的值都小于64字節（默認），使用ziplist編碼，否則使用linkedlist編碼
Hash：哈希類型元素個數小于512個，所有值小于64字節的話，使用ziplist編碼,否則使用hashtable編碼。
Set：如果集合中的元素都是整數且元素個數小于512個，使用intset編碼，否則使用hashtable編碼。
Zset：當有序集合的元素個數小于128個，每個元素的值小于64字節時，使用ziplist編碼，否則使用skiplist（跳躍表）編碼
I/O 多路復用
多路I/O復用技術可以讓單個線程高效的處理多個連接請求，而Redis使用用epoll作為I/O多路復用技術的實現。并且，Redis自身的事件處理模型將epoll中的連接、讀寫、關閉都轉換為事件，不在網絡I/O上浪費過多的時間。
什么是I/O多路復用？
I/O ：網絡 I/O
多路 ：多個網絡連接
復用：復用同一個線程。
IO多路復用其實就是一種同步IO模型，它實現了一個線程可以監視多個文件句柄；一旦某個文件句柄就緒，就能夠通知應用程序進行相應的讀寫操作；而沒有文件句柄就緒時,就會阻塞應用程序，交出cpu。
單線程模型
Redis是單線程模型的，而單線程避免了CPU不必要的上下文切換和競爭鎖的消耗。也正因為是單線程，如果某個命令執行過長（如hgetall命令），會造成阻塞。Redis是面向快速執行場景的數據庫。，所以要慎用如smembers和lrange、hgetall等命令。
Redis 6.0 引入了多線程提速，它的執行命令操作內存的仍然是個單線程。
Redis直接自己構建了VM機制 ，不會像一般的系統會調用系統函數處理，會浪費一定的時間去移動和請求。
Redis的虛擬內存機制是啥呢？
虛擬內存機制就是暫時把不經常訪問的數據(冷數據)從內存交換到磁盤中，從而騰出寶貴的內存空間用于其它需要訪問的數據(熱數據)。通過VM功能可以實現冷熱數據分離，使熱數據仍在內存中、冷數據保存到磁盤。這樣就可以避免因為內存不足而造成訪問速度下降的問題。
先來看一個常見的緩存使用方式：讀請求來了，先查下緩存，緩存有值命中，就直接返回；緩存沒命中，就去查數據庫，然后把數據庫的值更新到緩存，再返回。
緩存穿透：指查詢一個一定不存在的數據，由于緩存是不命中時需要從數據庫查詢，查不到數據則不寫入緩存，這將導致這個不存在的數據每次請求都要到數據庫去查詢，進而給數據庫帶來壓力。
通俗點說，讀請求訪問時，緩存和數據庫都沒有某個值，這樣就會導致每次對這個值的查詢請求都會穿透到數據庫，這就是緩存穿透。
緩存穿透一般都是這幾種情況產生的：
業務不合理的設計，比如大多數用戶都沒開守護，但是你的每個請求都去緩存，查詢某個userid查詢有沒有守護。
業務/運維/開發失誤的操作，比如緩存和數據庫的數據都被誤刪除了。
黑客非法請求攻擊，比如黑客故意捏造大量非法請求，以讀取不存在的業務數據。
如何避免緩存穿透呢？ 一般有三種方法。
1.如果是非法請求，我們在API入口，對參數進行校驗，過濾非法值。
2.如果查詢數據庫為空，我們可以給緩存設置個空值，或者默認值。但是如有有寫請求進來的話，需要更新緩存哈，以保證緩存一致性，同時，最后給緩存設置適當的過期時間。（業務上比較常用，簡單有效）
3.使用布隆過濾器快速判斷數據是否存在。即一個查詢請求過來時，先通過布隆過濾器判斷值是否存在，存在才繼續往下查。
布隆過濾器原理：它由初始值為0的位圖數組和N個哈希函數組成。一個對一個key進行N個hash算法獲取N個值，在比特數組中將這N個值散列后設定為1，然后查的時候如果特定的這幾個位置都為1，那么布隆過濾器判斷該key存在。
緩存雪奔： 指緩存中數據大批量到過期時間，而查詢數據量巨大，請求都直接訪問數據庫，引起數據庫壓力過大甚至down機。
緩存雪奔一般是由于大量數據同時過期造成的，對于這個原因，可通過均勻設置過期時間解決，即讓過期時間相對離散一點。如采用一個較大固定值+一個較小的隨機值，5小時+0到1800秒醬紫。
Redis 故障宕機也可能引起緩存雪奔。這就需要構造Redis高可用集群啦。
緩存擊穿： 指熱點key在某個時間點過期的時候，而恰好在這個時間點對這個Key有大量的并發請求過來，從而大量的請求打到db。
緩存擊穿看著有點像，其實它兩區別是，緩存雪奔是指數據庫壓力過大甚至down機，緩存擊穿只是大量并發請求到了DB數據庫層面。可以認為擊穿是緩存雪奔的一個子集吧。有些文章認為它倆區別，是區別在于擊穿針對某一熱點key緩存，雪奔則是很多key。
解決方案就有兩種：
1.使用互斥鎖方案。緩存失效時，不是立即去加載db數據，而是先使用某些帶成功返回的原子操作命令，如(Redis的setnx）去操作，成功的時候，再去加載db數據庫數據和設置緩存。否則就去重試獲取緩存。
2. “永不過期”，是指沒有設置過期時間，但是熱點數據快要過期時，異步線程去更新和設置過期時間。
什么是熱Key呢？在Redis中，我們把訪問頻率高的key，稱為熱點key。
如果某一熱點key的請求到服務器主機時，由于請求量特別大，可能會導致主機資源不足，甚至宕機，從而影響正常的服務。
而熱點Key是怎么產生的呢？主要原因有兩個：
用戶消費的數據遠大于生產的數據，如秒殺、熱點新聞等讀多寫少的場景。
請求分片集中，超過單Redi服務器的性能，比如固定名稱key，Hash落入同一臺服務器，瞬間訪問量極大，超過機器瓶頸，產生熱點Key問題。
那么在日常開發中，如何識別到熱點key呢？
憑經驗判斷哪些是熱Key；
客戶端統計上報；
服務代理層上報
如何解決熱key問題？
Redis集群擴容：增加分片副本，均衡讀流量；
將熱key分散到不同的服務器中；
使用二級緩存，即JVM本地緩存,減少Redis的讀請求。
我們在set key的時候，可以給它設置一個過期時間，比如expire key 60。指定這key60s后過期，60s后，redis是如何處理的嘛？我們先來介紹幾種過期策略：
每個設置過期時間的key都需要創建一個定時器，到過期時間就會立即對key進行清除。該策略可以立即清除過期的數據，對內存很友好；但是會占用大量的CPU資源去處理過期的數據，從而影響緩存的響應時間和吞吐量。
只有當訪問一個key時，才會判斷該key是否已過期，過期則清除。該策略可以最大化地節省CPU資源，卻對內存非常不友好。極端情況可能出現大量的過期key沒有再次被訪問，從而不會被清除，占用大量內存。
每隔一定的時間，會掃描一定數量的數據庫的expires字典中一定數量的key，并清除其中已過期的key。該策略是前兩者的一個折中方案。通過調整定時掃描的時間間隔和每次掃描的限定耗時，可以在不同情況下使得CPU和內存資源達到最優的平衡效果。
expires字典會保存所有設置了過期時間的key的過期時間數據，其中，key是指向鍵空間中的某個鍵的指針，value是該鍵的毫秒精度的UNIX時間戳表示的過期時間。鍵空間是指該Redis集群中保存的所有鍵。
Redis中同時使用了惰性過期和定期過期兩種過期策略。
假設Redis當前存放30萬個key，并且都設置了過期時間，如果你每隔100ms就去檢查這全部的key，CPU負載會特別高，最后可能會掛掉。
因此，redis采取的是定期過期，每隔100ms就隨機抽取一定數量的key來檢查和刪除的。
但是呢，最后可能會有很多已經過期的key沒被刪除。這時候，redis采用惰性刪除。在你獲取某個key的時候，redis會檢查一下，這個key如果設置了過期時間并且已經過期了，此時就會刪除。
但是呀，如果定期刪除漏掉了很多過期的key，然后也沒走惰性刪除。就會有很多過期key積在內存內存，直接會導致內存爆的。或者有些時候，業務量大起來了，redis的key被大量使用，內存直接不夠了，運維小哥哥也忘記加大內存了。難道redis直接這樣掛掉？不會的！Redis用8種內存淘汰策略保護自己~
volatile-lru：當內存不足以容納新寫入數據時，從設置了過期時間的key中使用LRU（最近最少使用）算法進行淘汰；
allkeys-lru：當內存不足以容納新寫入數據時，從所有key中使用LRU（最近最少使用）算法進行淘汰。
volatile-lfu：4.0版本新增，當內存不足以容納新寫入數據時，在過期的key中，使用LFU算法進行刪除key。
allkeys-lfu：4.0版本新增，當內存不足以容納新寫入數據時，從所有key中使用LFU算法進行淘汰；
volatile-random：當內存不足以容納新寫入數據時，從設置了過期時間的key中，隨機淘汰數據；。
allkeys-random：當內存不足以容納新寫入數據時，從所有key中隨機淘汰數據。
volatile-ttl：當內存不足以容納新寫入數據時，在設置了過期時間的key中，根據過期時間進行淘汰，越早過期的優先被淘汰；
noeviction：默認策略，當內存不足以容納新寫入數據時，新寫入操作會報錯。
緩存
排行榜
計數器應用
共享Session
分布式鎖
社交網絡
消息隊列
位操作
我們一提到redis，自然而然就想到緩存，國內外中大型的網站都離不開緩存。合理的利用緩存，比如緩存熱點數據，不僅可以提升網站的訪問速度，還可以降低數據庫DB的壓力。并且，Redis相比于memcached，還提供了豐富的數據結構，并且提供RDB和AOF等持久化機制，強的一批。
當今互聯網應用，有各種各樣的排行榜，如電商網站的月度銷量排行榜、社交APP的禮物排行榜、小程序的投票排行榜等等。Redis提供的zset數據類型能夠實現這些復雜的排行榜。
比如，用戶每天上傳視頻，獲得點贊的排行榜可以這樣設計：
1.用戶Jay上傳一個視頻，獲得6個贊，可以醬紫：
zadd user:ranking:2021-03-03 Jay 3
過了一段時間，再獲得一個贊，可以這樣：
zincrby user:ranking:2021-03-03 Jay 1
如果某個用戶John作弊，需要刪除該用戶：
zrem user:ranking:2021-03-03 John
展示獲取贊數最多的3個用戶
zrevrangebyrank user:ranking:2021-03-03 0 2
各大網站、APP應用經常需要計數器的功能，如短視頻的播放數、電商網站的瀏覽數。這些播放數、瀏覽數一般要求實時的，每一次播放和瀏覽都要做加1的操作，如果并發量很大對于傳統關系型數據的性能是一種挑戰。Redis天然支持計數功能而且計數的性能也非常好，可以說是計數器系統的重要選擇。
如果一個分布式Web服務將用戶的Session信息保存在各自服務器，用戶刷新一次可能就需要重新登錄了，這樣顯然有問題。實際上，可以使用Redis將用戶的Session進行集中管理，每次用戶更新或者查詢登錄信息都直接從Redis中集中獲取。
幾乎每個互聯網公司中都使用了分布式部署，分布式服務下，就會遇到對同一個資源的并發訪問的技術難題，如秒殺、下單減庫存等場景。
用synchronize或者reentrantlock本地鎖肯定是不行的。
如果是并發量不大話，使用數據庫的悲觀鎖、樂觀鎖來實現沒啥問題。
但是在并發量高的場合中，利用數據庫鎖來控制資源的并發訪問，會影響數據庫的性能。
實際上，可以用Redis的setnx來實現分布式的鎖。
贊/踩、粉絲、共同好友/喜好、推送、下拉刷新等是社交網站的必備功能，由于社交網站訪問量通常比較大，而且傳統的關系型數據不太適保存 這種類型的數據，Redis提供的數據結構可以相對比較容易地實現這些功能。
消息隊列是大型網站必用中間件，如ActiveMQ、RabbitMQ、Kafka等流行的消息隊列中間件，主要用于業務解耦、流量削峰及異步處理實時性低的業務。Redis提供了發布/訂閱及阻塞隊列功能，能實現一個簡單的消息隊列系統。另外，這個不能和專業的消息中間件相比。
用于數據量上億的場景下，例如幾億用戶系統的簽到，去重登錄次數統計，某用戶是否在線狀態等等。騰訊10億用戶，要幾個毫秒內查詢到某個用戶是否在線，能怎么做？千萬別說給每個用戶建立一個key，然后挨個記（你可以算一下需要的內存會很恐怖，而且這種類似的需求很多。這里要用到位操作——使用setbit、getbit、bitcount命令。原理是：redis內構建一個足夠長的數組，每個數組元素只能是0和1兩個值，然后這個數組的下標index用來表示用戶id（必須是數字哈），那么很顯然，這個幾億長的大數組就能通過下標和元素值（0和1）來構建一個記憶系統。
Redis是基于內存的非關系型K-V數據庫，既然它是基于內存的，如果Redis服務器掛了，數據就會丟失。為了避免數據丟失了，Redis提供了持久化，即把數據保存到磁盤。
Redis提供了RDB和AOF兩種持久化機制，它持久化文件加載流程如下：
RDB，就是把內存數據以快照的形式保存到磁盤上。
什么是快照?可以這樣理解，給當前時刻的數據，拍一張照片，然后保存下來。
RDB持久化，是指在指定的時間間隔內，執行指定次數的寫操作，將內存中的數據集快照寫入磁盤中，它是Redis默認的持久化方式。執行完操作后，在指定目錄下會生成一個dump.rdb文件，Redis 重啟的時候，通過加載dump.rdb文件來恢復數據。RDB觸發機制主要有以下幾種：
RDB 的優點
適合大規模的數據恢復場景，如備份，全量復制等
RDB缺點
沒辦法做到實時持久化/秒級持久化。
新老版本存在RDB格式兼容問題
AOF（append only file） 持久化，采用日志的形式來記錄每個寫操作，追加到文件中，重啟時再重新執行AOF文件中的命令來恢復數據。它主要解決數據持久化的實時性問題。默認是不開啟的。
AOF的工作流程如下：
AOF的優點
數據的一致性和完整性更高
AOF的缺點
AOF記錄的內容越多，文件越大，數據恢復變慢。
我們在項目中使用Redis，肯定不會是單點部署Redis服務的。因為，單點部署一旦宕機，就不可用了。為了實現高可用，通常的做法是，將數據庫復制多個副本以部署在不同的服務器上，其中一臺掛了也可以繼續提供服務。 Redis 實現高可用有三種部署模式：主從模式，哨兵模式，集群模式。
主從模式中，Redis部署了多臺機器，有主節點，負責讀寫操作，有從節點，只負責讀操作。從節點的數據來自主節點，實現原理就是主從復制機制
主從復制包括全量復制，增量復制兩種。一般當slave第一次啟動連接master，或者認為是第一次連接，就采用全量復制，全量復制流程如下：
1.slave發送sync命令到master。
2.master接收到SYNC命令后，執行bgsave命令，生成RDB全量文件。
3.master使用緩沖區，記錄RDB快照生成期間的所有寫命令。
4.master執行完bgsave后，向所有slave發送RDB快照文件。
5.slave收到RDB快照文件后，載入、解析收到的快照。
6.master使用緩沖區，記錄RDB同步期間生成的所有寫的命令。
7.master快照發送完畢后，開始向slave發送緩沖區中的寫命令;
8.salve接受命令請求，并執行來自master緩沖區的寫命令
redis2.8版本之后，已經使用psync來替代sync，因為sync命令非常消耗系統資源，psync的效率更高。
slave與master全量同步之后，master上的數據，如果再次發生更新，就會觸發增量復制。
當master節點發生數據增減時，就會觸發replicationFeedSalves()函數，接下來在 Master節點上調用的每一個命令會使用replicationFeedSlaves()來同步到Slave節點。執行此函數之前呢，master節點會判斷用戶執行的命令是否有數據更新，如果有數據更新的話，并且slave節點不為空，就會執行此函數。這個函數作用就是：把用戶執行的命令發送到所有的slave節點，讓slave節點執行。流程如下：
主從模式中，一旦主節點由于故障不能提供服務，需要人工將從節點晉升為主節點，同時還要通知應用方更新主節點地址。顯然，多數業務場景都不能接受這種故障處理方式。Redis從2.8開始正式提供了Redis Sentinel（哨兵）架構來解決這個問題。
哨兵模式，由一個或多個Sentinel實例組成的Sentinel系統，它可以監視所有的Redis主節點和從節點，并在被監視的主節點進入下線狀態時，自動將下線主服務器屬下的某個從節點升級為新的主節點。但是呢，一個哨兵進程對Redis節點進行監控，就可能會出現問題（單點問題），因此，可以使用多個哨兵來進行監控Redis節點，并且各個哨兵之間還會進行監控。
簡單來說，哨兵模式就三個作用：
發送命令，等待Redis服務器（包括主服務器和從服務器）返回監控其運行狀態；
哨兵監測到主節點宕機，會自動將從節點切換成主節點，然后通過發布訂閱模式通知其他的從節點，修改配置文件，讓它們切換主機；
哨兵之間還會相互監控，從而達到高可用。
故障切換的過程是怎樣的呢
假設主服務器宕機，哨兵1先檢測到這個結果，系統并不會馬上進行 failover 過程，僅僅是哨兵1主觀的認為主服務器不可用，這個現象成為主觀下線。當后面的哨兵也檢測到主服務器不可用，并且數量達到一定值時，那么哨兵之間就會進行一次投票，投票的結果由一個哨兵發起，進行 failover 操作。切換成功后，就會通過發布訂閱模式，讓各個哨兵把自己監控的從服務器實現切換主機，這個過程稱為客觀下線。這樣對于客戶端而言，一切都是透明的。
哨兵的工作模式如下：
每個Sentinel以每秒鐘一次的頻率向它所知的Master，Slave以及其他Sentinel實例發送一個 PING命令。
如果一個實例（instance）距離最后一次有效回復 PING 命令的時間超過 down-after-milliseconds 選項所指定的值， 則這個實例會被 Sentinel標記為主觀下線。
如果一個Master被標記為主觀下線，則正在監視這個Master的所有 Sentinel 要以每秒一次的頻率確認Master的確進入了主觀下線狀態。
當有足夠數量的 Sentinel（大于等于配置文件指定的值）在指定的時間范圍內確認Master的確進入了主觀下線狀態， 則Master會被標記為客觀下線。
在一般情況下， 每個 Sentinel 會以每10秒一次的頻率向它已知的所有Master，Slave發送 INFO 命令。
當Master被 Sentinel 標記為客觀下線時，Sentinel 向下線的 Master 的所有 Slave 發送 INFO 命令的頻率會從 10 秒一次改為每秒一次
若沒有足夠數量的 Sentinel同意Master已經下線， Master的客觀下線狀態就會被移除；若Master 重新向 Sentinel 的 PING 命令返回有效回復， Master 的主觀下線狀態就會被移除。
哨兵模式基于主從模式，實現讀寫分離，它還可以自動切換，系統可用性更高。但是它每個節點存儲的數據是一樣的，浪費內存，并且不好在線擴容。 因此，Cluster集群應運而生，它在Redis3.0加入的，實現了Redis的分布式存儲。對數據進行分片，也就是說每臺Redis節點上存儲不同的內容，來解決在線擴容的問題。并且，它也提供復制和故障轉移的功能。
一個Redis集群由多個節點組成，各個節點之間是怎么通信的呢？通過Gossip協議！
Redis Cluster集群通過Gossip協議進行通信，節點之前不斷交換信息，交換的信息內容包括節點出現故障、新節點加入、主從節點變更信息、slot信息等等。常用的Gossip消息分為4種，分別是：ping、pong、meet、fail。
meet消息：通知新節點加入。消息發送者通知接收者加入到當前集群，meet消息通信正常完成后，接收節點會加入到集群中并進行周期性的ping、pong消息交換。
ping消息：集群內交換最頻繁的消息，集群內每個節點每秒向多個其他節點發送ping消息，用于檢測節點是否在線和交換彼此狀態信息。
pong消息：當接收到ping、meet消息時，作為響應消息回復給發送方確認消息正常通信。pong消息內部封裝了自身狀態數據。節點也可以向集群內廣播自身的pong消息來通知整個集群對自身狀態進行更新。
fail消息：當節點判定集群內另一個節點下線時，會向集群內廣播一個fail消息，其他節點接收到fail消息之后把對應節點更新為下線狀態。
特別的，每個節點是通過集群總線(cluster bus) 與其他的節點進行通信的。通訊時，使用特殊的端口號，即對外服務端口號加10000。例如如果某個node的端口號是6379，那么它與其它nodes通信的端口號是 16379。nodes 之間的通信采用特殊的二進制協議。
既然是分布式存儲，Cluster集群使用的分布式算法是一致性Hash嘛？并不是，而是Hash Slot插槽算法。
插槽算法把整個數據庫被分為16384個slot（槽），每個進入Redis的鍵值對，根據key進行散列，分配到這16384插槽中的一個。使用的哈希映射也比較簡單，用CRC16算法計算出一個16 位的值，再對16384取模。數據庫中的每個鍵都屬于這16384個槽的其中一個，集群中的每個節點都可以處理這16384個槽。
集群中的每個節點負責一部分的hash槽，比如當前集群有A、B、C個節點，每個節點上的哈希槽數 =16384/3，那么就有：
節點A負責0~5460號哈希槽
節點B負責5461~10922號哈希槽
節點C負責10923~16383號哈希槽
Redis Cluster集群中，需要確保16384個槽對應的node都正常工作，如果某個node出現故障，它負責的slot也會失效，整個集群將不能工作。
因此為了保證高可用，Cluster集群引入了主從復制，一個主節點對應一個或者多個從節點。當其它主節點 ping 一個主節點 A 時，如果半數以上的主節點與 A 通信超時，那么認為主節點 A 宕機了。如果主節點宕機時，就會啟用從節點。
在Redis的每一個節點上，都有兩個玩意，一個是插槽（slot），它的取值范圍是016383。另外一個是cluster，可以理解為一個集群管理的插件。當我們存取的key到達時，Redis 會根據CRC16算法得出一個16 bit的值，然后把結果對16384取模。醬紫每個key都會對應一個編號在 016383 之間的哈希槽，通過這個值，去找到對應的插槽所對應的節點，然后直接自動跳轉到這個對應的節點上進行存取操作。
雖然數據是分開存儲在不同節點上的，但是對客戶端來說，整個集群Cluster，被看做一個整體。客戶端端連接任意一個node，看起來跟操作單實例的Redis一樣。當客戶端操作的key沒有被分配到正確的node節點時，Redis會返回轉向指令，最后指向正確的node，這就有點像瀏覽器頁面的302 重定向跳轉。
Redis集群實現了高可用，當集群內節點出現故障時，通過故障轉移，以保證集群正常對外提供服務。
redis集群通過ping/pong消息，實現故障發現。這個環境包括主觀下線和客觀下線。
主觀下線： 某個節點認為另一個節點不可用，即下線狀態，這個狀態并不是最終的故障判定，只能代表一個節點的意見，可能存在誤判情況。
客觀下線： 指標記一個節點真正的下線，集群內多個節點都認為該節點不可用，從而達成共識的結果。如果是持有槽的主節點故障，需要為該節點進行故障轉移。
假如節點A標記節點B為主觀下線，一段時間后，節點A通過消息把節點B的狀態發到其它節點，當節點C接受到消息并解析出消息體時，如果發現節點B的pfail狀態時，會觸發客觀下線流程；
當下線為主節點時，此時Redis Cluster集群為統計持有槽的主節點投票，看投票數是否達到一半，當下線報告統計數大于一半時，被標記為客觀下線狀態。
流程如下：
故障恢復：故障發現后，如果下線節點的是主節點，則需要在它的從節點中選一個替換它，以保證集群的高可用。流程如下：
資格檢查：檢查從節點是否具備替換故障主節點的條件。
準備選舉時間：資格檢查通過后，更新觸發故障選舉時間。
發起選舉：到了故障選舉時間，進行選舉。
選舉投票：只有持有槽的主節點才有票，從節點收集到足夠的選票（大于一半），觸發替換主節點操作
分布式鎖，是控制分布式系統不同進程共同訪問共享資源的一種鎖的實現。秒殺下單、搶紅包等等業務場景，都需要用到分布式鎖，我們項目中經常使用Redis作為分布式鎖。
選了Redis分布式鎖的幾種實現方法，大家來討論下，看有沒有啥問題哈。
命令setnx + expire分開寫
setnx + value值是過期時間
set的擴展命令（set ex px nx）
set ex px nx + 校驗唯一隨機值,再刪除
if（jedis.setnx(key,lock_value) == 1）{ //加鎖
expire（key，100）; //設置過期時間
try {
do something //業務請求
}catch(){
}
finally {
jedis.del(key); //釋放鎖
}
}如果執行完setnx加鎖，正要執行expire設置過期時間時，進程crash掉或者要重啟維護了，那這個鎖就“長生不老”了，別的線程永遠獲取不到鎖啦，所以分布式鎖不能這么實現。
long expires = System.currentTimeMillis() + expireTime; //系統時間+設置的過期時間
String expiresStr = String.valueOf(expires);
// 如果當前鎖不存在，返回加鎖成功
if (jedis.setnx(key, expiresStr) == 1) {
return true;
}
// 如果鎖已經存在，獲取鎖的過期時間
String currentValueStr = jedis.get(key);
// 如果獲取到的過期時間，小于系統當前時間，表示已經過期
if (currentValueStr != null && Long.parseLong(currentValueStr) < System.currentTimeMillis()) {
// 鎖已過期，獲取上一個鎖的過期時間，并設置現在鎖的過期時間（不了解redis的getSet命令的小伙伴，可以去官網看下哈）
String oldValueStr = jedis.getSet(key_resource_id, expiresStr);
if (oldValueStr != null && oldValueStr.equals(currentValueStr)) {
// 考慮多線程并發的情況，只有一個線程的設置值和當前值相同，它才可以加鎖
return true;
}
}
//其他情況，均返回加鎖失敗
return false;
}筆者看過有開發小伙伴是這么實現分布式鎖的，但是這種方案也有這些缺點：
過期時間是客戶端自己生成的，分布式環境下，每個客戶端的時間必須同步。
沒有保存持有者的唯一標識，可能被別的客戶端釋放/解鎖。
鎖過期的時候，并發多個客戶端同時請求過來，都執行了jedis.getSet()，最終只能有一個客戶端加鎖成功，但是該客戶端鎖的過期時間，可能被別的客戶端覆蓋。
if（jedis.set(key, lock_value, "NX", "EX", 100s) == 1）{ //加鎖
try {
do something //業務處理
}catch(){
}
finally {
jedis.del(key); //釋放鎖
}
}這個方案可能存在這樣的問題：
鎖過期釋放了，業務還沒執行完。
鎖被別的線程誤刪。
if（jedis.set(key, uni_request_id, "NX", "EX", 100s) == 1）{ //加鎖
try {
do something //業務處理
}catch(){
}
finally {
//判斷是不是當前線程加的鎖,是才釋放
if (uni_request_id.equals(jedis.get(key))) {
jedis.del(key); //釋放鎖
}
}
}在這里，判斷當前線程加的鎖和釋放鎖是不是一個原子操作。如果調用jedis.del()釋放鎖的時候，可能這把鎖已經不屬于當前客戶端，會解除他人加的鎖。
一般也是用lua腳本代替。lua腳本如下：
if redis.call('get',KEYS[1]) == ARGV[1] then
return redis.call('del',KEYS[1])
else
return 0
end;這種方式比較不錯了，一般情況下，已經可以使用這種實現方式。但是存在鎖過期釋放了，業務還沒執行完的問題（實際上，估算個業務處理的時間，一般沒啥問題了）。
分布式鎖可能存在鎖過期釋放，業務沒執行完的問題。有些小伙伴認為，稍微把鎖過期時間設置長一些就可以啦。其實我們設想一下，是否可以給獲得鎖的線程，開啟一個定時守護線程，每隔一段時間檢查鎖是否還存在，存在則對鎖的過期時間延長，防止鎖過期提前釋放。
當前開源框架Redisson就解決了這個分布式鎖問題。我們一起來看下Redisson底層原理是怎樣的吧：
只要線程一加鎖成功，就會啟動一個watch dog看門狗，它是一個后臺線程，會每隔10秒檢查一下，如果線程1還持有鎖，那么就會不斷的延長鎖key的生存時間。因此，Redisson就是使用Redisson解決了鎖過期釋放，業務沒執行完問題。
Redis一般都是集群部署的，假設數據在主從同步過程，主節點掛了，Redis分布式鎖可能會有哪些問題呢？一起來看些這個流程圖：
如果線程一在Redis的master節點上拿到了鎖，但是加鎖的key還沒同步到slave節點。恰好這時，master節點發生故障，一個slave節點就會升級為master節點。線程二就可以獲取同個key的鎖啦，但線程一也已經拿到鎖了，鎖的安全性就沒了。
為了解決這個問題，Redis作者 antirez提出一種高級的分布式鎖算法：Redlock。Redlock核心思想是這樣的：
搞多個Redis master部署，以保證它們不會同時宕掉。并且這些master節點是完全相互獨立的，相互之間不存在數據同步。同時，需要確保在這多個master實例上，是與在Redis單實例，使用相同方法來獲取和釋放鎖。
我們假設當前有5個Redis master節點，在5臺服務器上面運行這些Redis實例。
RedLock的實現步驟:如下
1.獲取當前時間，以毫秒為單位。
2.按順序向5個master節點請求加鎖。客戶端設置網絡連接和響應超時時間，并且超時時間要小于鎖的失效時間。（假設鎖自動失效時間為10秒，則超時時間一般在5-50毫秒之間,我們就假設超時時間是50ms吧）。如果超時，跳過該master節點，盡快去嘗試下一個master節點。
3.客戶端使用當前時間減去開始獲取鎖時間（即步驟1記錄的時間），得到獲取鎖使用的時間。當且僅當超過一半（N/2+1，這里是5/2+1=3個節點）的Redis master節點都獲得鎖，并且使用的時間小于鎖失效時間時，鎖才算獲取成功。（如上圖，10s> 30ms+40ms+50ms+4m0s+50ms）
如果取到了鎖，key的真正有效時間就變啦，需要減去獲取鎖所使用的時間。
如果獲取鎖失敗（沒有在至少N/2+1個master實例取到鎖，有或者獲取鎖時間已經超過了有效時間），客戶端要在所有的master節點上解鎖（即便有些master節點根本就沒有加鎖成功，也需要解鎖，以防止有些漏網之魚）。
簡化下步驟就是：
按順序向5個master節點請求加鎖
根據設置的超時時間來判斷，是不是要跳過該master節點。
如果大于等于三個節點加鎖成功，并且使用的時間小于鎖的有效期，即可認定加鎖成功啦。
如果獲取鎖失敗，解鎖！
跳躍表是有序集合zset的底層實現之一
跳躍表支持平均O（logN）,最壞 O（N）復雜度的節點查找，還可以通過順序性操作批量處理節點。
跳躍表實現由zskiplist和zskiplistNode兩個結構組成，其中zskiplist用于保存跳躍表信息（如表頭節點、表尾節點、長度），而zskiplistNode則用于表示跳躍表節點。
跳躍表就是在鏈表的基礎上，增加多級索引提升查找效率。
緩存延時雙刪
刪除緩存重試機制
讀取biglog異步刪除緩存
什么是延時雙刪呢？流程圖如下：
先刪除緩存
再更新數據庫
休眠一會（比如1秒），再次刪除緩存。
這個休眠一會，一般多久呢？都是1秒？
這個休眠時間 = 讀業務邏輯數據的耗時 + 幾百毫秒。為了確保讀請求結束，寫請求可以刪除讀請求可能帶來的緩存臟數據。
這種方案還算可以，只有休眠那一會（比如就那1秒），可能有臟數據，一般業務也會接受的。但是如果第二次刪除緩存失敗呢？緩存和數據庫的數據還是可能不一致，對吧？給Key設置一個自然的expire過期時間，讓它自動過期怎樣？那業務要接受過期時間內，數據的不一致咯？還是有其他更佳方案呢？
因為延時雙刪可能會存在第二步的刪除緩存失敗，導致的數據不一致問題。可以使用這個方案優化：刪除失敗就多刪除幾次呀,保證刪除緩存成功就可以了呀~ 所以可以引入刪除緩存重試機制
寫請求更新數據庫
緩存因為某些原因，刪除失敗
把刪除失敗的key放到消息隊列
消費消息隊列的消息，獲取要刪除的key
重試刪除緩存操作
重試刪除緩存機制還可以吧，就是會造成好多業務代碼入侵。其實，還可以這樣優化：通過數據庫的binlog來異步淘汰key。
以mysql為例吧
可以使用阿里的canal將binlog日志采集發送到MQ隊列里面
然后通過ACK機制確認處理這條更新消息，刪除緩存，保證數據緩存一致性
Redis6.0之前，Redis在處理客戶端的請求時，包括讀socket、解析、執行、寫socket等都由一個順序串行的主線程處理，這就是所謂的“單線程”。
Redis6.0之前為什么一直不使用多線程？使用Redis時，幾乎不存在CPU成為瓶頸的情況， Redis主要受限于內存和網絡。例如在一個普通的Linux系統上，Redis通過使用pipelining每秒可以處理100萬個請求，所以如果應用程序主要使用O(N)或O(log(N))的命令，它幾乎不會占用太多CPU。
redis使用多線程并非是完全摒棄單線程，redis還是使用單線程模型來處理客戶端的請求，只是使用多線程來處理數據的讀寫和協議解析，執行命令還是使用單線程。
這樣做的目的是因為redis的性能瓶頸在于網絡IO而非CPU，使用多線程能提升IO讀寫的效率，從而整體提高redis的性能。
Redis通過MULTI、EXEC、WATCH等一組命令集合，來實現事務機制。事務支持一次執行多個命令，一個事務中所有命令都會被序列化。在事務執行過程，會按照順序串行化執行隊列中的命令，其他客戶端提交的命令請求不會插入到事務執行命令序列中。
簡言之，Redis事務就是順序性、一次性、排他性的執行一個隊列中的一系列命令。
Redis執行事務的流程如下：
開始事務（MULTI）
命令入隊
執行事務（EXEC）、撤銷事務（DISCARD ）
| 命令 | 描述 |
|---|---|
| EXEC | 執行所有事務塊內的命令 |
| DISCARD | 取消事務，放棄執行事務塊內的所有命令 |
| MULTI | 標記一個事務塊的開始 |
| UNWATCH | 取消 WATCH 命令對所有 key 的監視。 |
| WATCH | 監視key ，如果在事務執行之前，該key 被其他命令所改動，那么事務將被打斷。 |
Redis 作為一個K-V的內存數據庫，它使用用一張全局的哈希來保存所有的鍵值對。這張哈希表，有多個哈希桶組成，哈希桶中的entry元素保存了key和value指針，其中*key指向了實際的鍵，*value指向了實際的值。
哈希表查找速率很快的，有點類似于Java中的HashMap，它讓我們在O(1) 的時間復雜度快速找到鍵值對。首先通過key計算哈希值，找到對應的哈希桶位置，然后定位到entry，在entry找到對應的數據。
什么是哈希沖突？
哈希沖突： 通過不同的key，計算出一樣的哈希值，導致落在同一個哈希桶中。
Redis為了解決哈希沖突，采用了鏈式哈希。鏈式哈希是指同一個哈希桶中，多個元素用一個鏈表來保存，它們之間依次用指針連接。
有些讀者可能還會有疑問：哈希沖突鏈上的元素只能通過指針逐一查找再操作。當往哈希表插入數據很多，沖突也會越多，沖突鏈表就會越長，那查詢效率就會降低了。
為了保持高效，Redis 會對哈希表做rehash操作，也就是增加哈希桶，減少沖突。為了rehash更高效，Redis還默認使用了兩個全局哈希表，一個用于當前使用，稱為主哈希表，一個用于擴容，稱為備用哈希表。
可以的，Redis提供兩個指令生成RDB，分別是save和bgsave。
如果是save指令，會阻塞，因為是主線程執行的。
如果是bgsave指令，是fork一個子進程來寫入RDB文件的，快照持久化完全交給子進程來處理，父進程則可以繼續處理客戶端的請求。
RESP，英文全稱是Redis Serialization Protocol,它是專門為redis設計的一套序列化協議. 這個協議其實在redis的1.2版本時就已經出現了,但是到了redis2.0才最終成為redis通訊協議的標準。
RESP主要有實現簡單、解析速度快、可讀性好等優點。
應對緩存穿透問題，我們可以使用布隆過濾器。布隆過濾器是什么呢？
布隆過濾器是一種占用空間很小的數據結構，它由一個很長的二進制向量和一組Hash映射函數組成，它用于檢索一個元素是否在一個集合中，空間效率和查詢時間都比一般的算法要好的多，缺點是有一定的誤識別率和刪除困難。
布隆過濾器原理是？假設我們有個集合A，A中有n個元素。利用k個哈希散列函數，將A中的每個元素映射到一個長度為a位的數組B中的不同位置上，這些位置上的二進制數均設置為1。如果待檢查的元素，經過這k個哈希散列函數的映射后，發現其k個位置上的二進制數全部為1，這個元素很可能屬于集合A，反之，一定不屬于集合A。
來看個簡單例子吧，假設集合A有3個元素，分別為{d1,d2,d3}。有1個哈希函數，為Hash2。現在將A的每個元素映射到長度為16位數組B。
我們現在把d1映射過來，假設Hash2（d1）= 2，我們就把數組B中，下標為2的格子改成1，如下：
我們現在把d2也映射過來，假設Hash2（d2）= 5，我們把數組B中，下標為5的格子也改成1，如下：
接著我們把d3也映射過來，假設Hash2（d3）也等于 2，它也是把下標為2的格子標1：
因此，我們要確認一個元素dn是否在集合A里，我們只要算出Hash2（dn）得到的索引下標，只要是0，那就表示這個元素不在集合A，如果索引下標是1呢？那該元素可能是A中的某一個元素。因為你看，d1和d3得到的下標值，都可能是1，還可能是其他別的數映射的，布隆過濾器是存在這個缺點的：會存在hash碰撞導致的假陽性，判斷存在誤差。
如何減少這種誤差呢？
搞多幾個哈希函數映射，降低哈希碰撞的概率
同時增加B數組的bit長度，可以增大hash函數生成的數據的范圍，也可以降低哈希碰撞的概率
我們又增加一個Hash3哈希映射函數，假設Hash3（d1）=6,Hash3（d3）=8,它倆不就不沖突了嘛，如下：
即使存在誤差，我們可以發現，布隆過濾器并沒有存放完整的數據，它只是運用一系列哈希映射函數計算出位置，然后填充二進制向量。如果數量很大的話，布隆過濾器通過極少的錯誤率，換取了存儲空間的極大節省，還是挺劃算的。
目前布隆過濾器已經有相應實現的開源類庫啦，如Google的Guava類庫，Twitter的 Algebird 類庫，信手拈來即可，或者基于Redis自帶的Bitmaps自行實現設計也是可以的。
看完上述內容，你們掌握什么是Redis以及其作用的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
