一文搞懂redis

Redis概述

介绍

• redis是一个开源的key-value存储系统
• 和Memcached类似，它支持的value类型相对更多，包括String(字符串)、List(链表)、Hash(哈希)、Set(无需不重复集合)、ZSet(sorted set有一定顺序的集合)
• 与memecached一样，redis数据都缓存在内存中
• 区别是redis会周期性的把更新的数据写入到磁盘或者把修改操作追加到记录文件
• 并且再次基础上实现了master-slaver（主从同步）

应用场景

• 配合关系型数据库做告诉缓存，减少数据库IO

• 分布式架构，做session共享

• 多样的数据结构存储持久化数据

相关技术

• redis是单线程 + 多路IO复用的技术
• 与memcache三点不同：支持多种数据类型，支持持久化，单线程+ 多路IO复用
• 多路IO复用是一种同步IO模型，实现一个线程可以处理多个IO请求。也就是在redis单线程的基础上，实现了单线程redis同时处理多个IO请求。多路指的值多个网络连接，复用是指的是复用一个redis线程。其实这里也不是同时处理，只是处理请求的耗时特别短，所以时间拉长看的话，就是一个线程处理了多个IO请求。比如说redis实现了1s可以对11万次。

redis的数据类型

String(字符串)

• 概述
  • String是最基本的数据类型，可以理解为和memcached一样，一个key对应一个value。
  • String类型是二进制安全的。意味着redis的String类型可以包含任何数据。比如jpg图片和序列化对象。
  • String是redis最基本的数据类型，一个字符串的value最大可以是512M。
• 数据结构
  • String的数据结构是动态字符串， 是可以修改的字符串，内部结构类似Java的ArrayList，采用预分配冗余空间的方式减少内存的频繁分配。

List(列表)

• 概述
  • 单键多值，redis的list列表是最简单的字符串列表，按照插入顺序排序。可以添加一个元素在列表的头部或者尾部。
  • 它的底层其实是一个双向链表，对两端的操作性能很高，通过索引下标操作中间节点的性能较差。
• 数据结构
  • List的数据结构为快速链表，也就是quickList。
  • 首先在链表元素较少的情况下使用一段连续的内存存储，这个结构是ziplist,也就是压缩列表。它将所有的元素紧挨着一起存储，分配的是一整块连续的内存。
  • 当数据量较多的时候才会改为quicklist，也就是快速链表。因为普通的链表需要的附加指针空间太大，会比较浪费空间。
  • redis将链表和ziplist结合起来组成了quicklist。也就是将多个ziplist使用双向指针串起来使用。这样既满足了快速的插入删除性能，又不会浪费太大的空间。

Set（无须不重复集合）

• 概述
  • redis的set集合对外提供的功能和list类似，是一个列表的功能，特殊之处是set可以自动排重，当你需要存储一个列表数据，又不希望有重复数据的时候，set集合是一个很好的选择。并且set集合提供了判断某个成员是否在set集合内的重要接口，这也是list所不能提供的。
  • redis的set是String类型的无序集合。它底层是一个value为null的哈希表，所以添加、查找、删除的时间复杂度都是o(1)。
  • 一个算法，随着数据的增加，如果时间复杂度是o(1),查找数据的时间不变。
• 数据结构
  • set的数据结构是dict字典，字典是用哈希表实现的。
  • Java中的HashSet内部也是会用HashMap实现的，只不过所有的value都指向同一个对象。redis的set也是一样的，它的内部也是hash结构，所有的数据都指向同一个内部值。（意思是HashSet所有的key都有一个默认的value，你是HashSet是不允许key重复的，所以只允许有一个为null的key）

Hash(哈希)

• 概述
  • redis的hash是一个键值对集合（类似Java中的Map<String, Object>）。
  • redis的hash是一个String类型的key和value的映射表，hash特别适合存储对象。
• 数据结构
  • Hash对应的数据结构是两种，一种是ziplist(压缩列表),hashtable(哈希表)。当key-value长度较短且个数较少的时候，使用ziplist，否则使用hashtable。

Zset(Sorted set)

• 概述
  • redis的zset集合和set集合非常的相似，是一个没有重复元素的字符串集合。
  • 不同之处是zset每个成员都关联了一个score（评分），这个score(评分)是被用来按照从最低到最高排序的标准，集合中的成员是唯一的，但是score是可以重复的。
  • 因为元素是有序的，所以也可以很快根据score或者position来获取一个范围的元素。
  • 访问一个有序集合也是非常快的，因此你能用有序集合作为一个没有重复成员的智能列表。
• 数据结构
  • zset(sorted set)是redis提供的一个非常特别的数据结构，一方面他等价于Java的Map<String, double>，可以给每一个成员赋值一个权重score，另一方面它有类似treeSet,内部元素会按照score权重进行排序，可得到每个成员的名次，还可以通过score的范围获取元素列表。
  • zset使用了两个数据结构：
    • hash，hash的作用就是关联value和权重score，保障元素value的唯一性，可以通过value找到对应的score值。
    • 跳跃表，跳跃表的目的在于给元素value排序，根据score的范围获取元素列表。

Bitmaps

• 概述

  • Redis提供了Bitmaps这个“数据类型”可以实现对位的操作：

    • Bitmaps本身不是一种数据类型， 实际上它就是字符串（key-value） ， 但是它可以对字符串的位进行操作。

    • Bitmaps单独提供了一套命令， 所以在Redis中使用Bitmaps和使用字符串的方法不太相同。 可以把Bitmaps想象成一个以位为单位的数组， 数组的每个单元只能存储0和1， 数组的下标在Bitmaps中叫做偏移量。

• Bitmaps与set对比

  • 假设网站有1亿用户， 每天独立访问的用户有5千万， 如果每天用集合类型和Bitmaps分别存储活跃用户可以得到表：

  set和Bitmaps存储一天活跃用户对比
  数据类型	每个用户id占用空间	需要存储的用户量	全部内存量
  集合	64位	50000000	64位*50000000 = 400MB
  Bitmaps	1位	100000000	1位*100000000 = 12.5MB

  很明显， 这种情况下使用Bitmaps能节省很多的内存空间， 尤其是随着时间推移节省的内存还是非常可观的。

  set和Bitmaps存储独立用户空间对比
  数据类型	一天	一个月	一年
  集合	400MB	12GB	144GB
  Bitmaps	12.5MB	375MB	4.5GB

  但Bitmaps并不是万金油， 假如该网站每天的独立访问用户很少， 例如只有10万（大量的僵尸用户） ， 那么两者的对比如下表所示， 很显然， 这时候使用Bitmaps就不太合适了， 因为基本上大部分位都是0。

  set和Bitmaps存储一天活跃用户对比（用户比较少）
  数据类型	每个userid占用空间	需要存储的用户量	全部内存量
  集合	64位	100000	64位*100000 = 800KB
  Bitmaps	1位	100000000	1位*100000000 = 12.5MB

  HyperLogLog

  在工作当中，我们经常会遇到与统计相关的功能需求，比如统计网站PV（PageView页面访问量），可以使用Redis的incr、incrby轻松实现。但像UV（UniqueVisitor独立访客）、独立IP数、搜索记录数等需要去重和计数的问题如何解决？这种求集合中不重复元素个数的问题称为基数问题。

  解决基数问题有很多种方案：

  1.数据存储在MySQL表中，使用distinct count计算不重复个数。

  2.使用Redis提供的hash、set、bitmaps等数据结构来处理。

  以上的方案结果精确，但随着数据不断增加，导致占用空间越来越大，对于非常大的数据集是不切实际的。能否能够降低一定的精度来平衡存储空间？Redis推出了HyperLogLog。

  • Redis HyperLogLog 是用来做基数统计的算法，HyperLogLog 的优点是：在输入元素的数量或者体积非常非常大时，计算基数所需的空间总是固定的、并且是很小的。

  • 在 Redis 里面，每个 HyperLogLog 键只需要花费 12 KB 内存，就可以计算接近 2^64 个不同元素的基数。这和计算基数时，元素越多耗费内存就越多的集合形成鲜明对比。

  • 但是，因为 HyperLogLog 只会根据输入元素来计算基数，而不会储存输入元素本身，所以 HyperLogLog 不能像集合那样，返回输入的各个元素。

  Geospatial

  Redis 3.2 中增加了对GEO类型的支持。GEO，Geographic，地理信息的缩写。该类型，就是元素的2维坐标，在地图上就是经纬度。redis基于该类型，提供了经纬度设置，查询，范围查询，距离查询，经纬度Hash等常见操作。

Redis的发布和订阅

什么是发布和订阅

• Redis 发布订阅 (pub/sub) 是一种消息通信模式：发送者 (pub) 发送消息，订阅者 (sub) 接收消息。
• Redis 客户端可以订阅任意数量的频道。

Redis事务、锁机制秒杀

Redis事务定义

• Redis事务是一个单独的隔离操作：事务中的所有命令都会序列化、按顺序地执行。事务在执行的过程中，不会被其他客户端发送来的命令请求所打断。
• Redis事务的主要作用就是串联多个命令防止别的命令插队。

Multi、Exec、discard

Redis事务中有Multi、Exec和discard三个指令，在Redis中，从输入Multi命令开始，输入的命令都会依次进入命令队列中，但不会执行，直到输入Exec后，Redis会将之前的命令队列中的命令依次执行。而组队的过程中可以通过discard来放弃组队。

为什么要做成事务

想想一个场景：有很多人有你的账户，同时去参加双十一抢购。

事务冲突的问题

• 例子

  • 一个请求想给金额减8000；

  • 一个请求想给金额减5000；

  • 一个请求想给金额减1000。

    最终我们可以发现，总共金额是10000，如果请求全部执行，那最后的金额变为-4000，很明显不合理。

悲观锁

悲观锁(Pessimistic Lock)，顾名思义，就是很悲观，每次去拿数据的时候都认为别人会修改，所以每次在拿数据的时候都会上锁，这样别人想拿这个数据就会block直到它拿到锁。传统的关系型数据库里边就用到了很多这种锁机制，比如行锁，表锁等，读锁，写锁等，都是在做操作之前先上锁。

乐观锁

乐观锁(Optimistic Lock)，顾名思义，就是很乐观，每次去拿数据的时候都认为别人不会修改，所以不会上锁，但是在更新的时候会判断一下在此期间别人有没有去更新这个数据，可以使用版本号等机制。乐观锁适用于多读的应用类型，这样可以提高吞吐量。Redis就是利用这种check-and-set机制实现事务的。

• WATCH key [key …]
  • 在执行multi之前，先执行watch key1 [key2]，可以监视一个(或多个) key ，如果在事务执行之前这个(或这些) key被其他命令所改动，那么事务将被打断。
• unwatch
  • 取消 WATCH 命令对所有 key 的监视。如果在执行 WATCH 命令之后，EXEC 命令或DISCARD 命令先被执行了的话，那么就不需要再执行UNWATCH 了。

Redis事务三特性

• 单独的隔离操作 ：事务中的所有命令都会序列化、按顺序地执行。事务在执行的过程中，不会被其他客户端发送来的命令请求所打断。

• 没有隔离级别的概念 ：队列中的命令没有提交之前都不会实际被执行，因为事务提交前任何指令都不会被实际执行。

• 不保证原子性 ：事务中如果有一条命令执行失败，其后的命令仍然会被执行，没有回滚 。

redis事务案例

/**
  * redis事务
  */
@Test
public void test6() {
    //返回值o是由SessionCallback内部方法execute方法返回
    Object o = redisTemplate.execute(new SessionCallback<Object>() {
        @Override
        public  Object execute(RedisOperations redisOperations) throws DataAccessException {
            redisOperations.multi();
            //1、设置key
            redisOperations.opsForValue().set("vKey", "hi redis.");
            //2、获取key
            redisOperations.opsForValue().get("vKey");
            //3、删除key
            redisOperations.delete("vKey");
            final List<Object> result = redisOperations.exec();
            //返回vKey的值
            return result.get(1).toString();
        }
    });
    //输出"hi redis."
    System.out.println(o.toString());
}

/**
redis乐观锁使用
*/
@Test
public void test() {
    Object o = redisTemplate.execute(new SessionCallback<Object>() {
        int qua = 0;
        /**
             * Executes all the given operations inside the same session.
             *
             * @param operations Redis operations
             * @return return value
             */
        @Override
        public Object execute(RedisOperations operations) throws DataAccessException {
            try {
                operations.opsForValue().set("quality", 20);
                operations.watch("quality");
                operations.multi();
                operations.opsForValue().increment("quality", -30);
                operations.exec();//执行事务
            } catch (Exception e) {
                operations.unwatch();//解锁
            } finally {
                qua = (int)operations.opsForValue().get("quality");
                if (qua < 0) {
                    operations.opsForValue().increment("quality", 30);//还原库存
                }
                qua = (int)operations.opsForValue().get("quality");
            }
            return qua;
        }
    });
    System.out.println((Integer) o);
}

//通常我们并不使用这种方式加锁，我们常使用分布式锁解决此问题

连接超时，通过连接池解决

节省每次连接redis服务带来的消耗，把连接好的实例反复利用。

• 连接池参数：

  • MaxTotal：控制一个pool可分配多少个jedis实例，通过pool.getResource()来获取；如果赋值为-1，则表示不限制；如果pool已经分配了MaxTotal个jedis实例，则此时pool的状态为exhausted。

  • maxIdle：控制一个pool最多有多少个状态为idle(空闲)的jedis实例；

  • MaxWaitMillis：表示当borrow一个jedis实例时，最大的等待毫秒数，如果超过等待时间，则直接抛JedisConnectionException；

  • testOnBorrow：获得一个jedis实例的时候是否检查连接可用性（ping()）；如果为true，则得到的jedis实例均是可用的。

• 解决库存遗留问题

  • 将复杂的或者多步的redis操作，写为一个脚本，一次提交给redis执行，减少反复连接redis的次数，提升性能。
  • LUA脚本是类似redis事务，有一定的原子性，不会被其他命令插队，可以完成一些redis事务性的操作。
  • 但是注意redis的lua脚本功能，只有在Redis 2.6以上的版本才可以使用。
  • 利用lua脚本淘汰用户，解决超卖问题，redis 2.6版本以后，通过lua脚本解决争抢问题，实际上是redis 利用其单线程的特性，用任务队列的方式解决多任务并发问题。

Redis持久化之RDB

Redis 提供了2个不同形式的持久化方式：

• RDB（Redis DataBase）
• AOF（Append Of File）

RDB

• 简介

  • 在指定的时间间隔内将内存中的数据集快照写入磁盘， 也就是行话讲的Snapshot快照，它恢复时是将快照文件直接读到内存里。

• 备份是如何执行的

  • Redis会单独创建（fork）一个子进程来进行持久化，首先会将数据写入到一个临时文件中，待持久化过程都结束了，再用这个临时文件替换上次持久化好的文件。整个过程中，主进程是不进行任何IO操作的，这就确保了极高的性能。如果需要进行大规模数据的恢复，且对于数据恢复的完整性不是非常敏感，那RDB方式要比AOF方式更加的高效。RDB的缺点是最后一次持久化后的数据可能丢失。

• Fork

  • Fork的作用是复制一个与当前进程一样的进程。新进程的所有数据（变量、环境变量、程序计数器等） 数值都和原进程一致，但是是一个全新的进程，并作为原进程的子进程。
  • 在Linux程序中，fork()会产生一个和父进程完全相同的子进程，但子进程在此后多会exec系统调用，出于效率考虑，Linux中引入了“写时复制技术”。
  • 一般情况父进程和子进程会共用同一段物理内存，只有进程空间的各段的内容要发生变化时，才会将父进程的内容复制一份给子进程。

• dump.rdb文件

  • 在redis.conf中配置文件名称，默认为dump.rdb。
  • rdb文件的保存路径，也可以修改。默认为Redis启动时命令行所在的目录下 “dir ./”

• 如何触发RDB快照；保持策略

  • 配置文件中默认的快照配置

• 命令save VS bgsave

  • save ：save时只管保存，其它不管，全部阻塞。手动保存，不建议。
  • bgsave：Redis会在后台异步进行快照操作， 快照同时还可以响应客户端请求。
  • 可以通过lastsave 命令获取最后一次成功执行快照的时间。

• flushall命令

  • 执行flushall命令，也会产生dump.rdb文件，但里面是空的，无意义。

• 优势

  • 适合大规模的数据恢复
  • 对数据完整性和一致性要求不高更适合使用
  • 节省磁盘空间
  • 恢复速度快

• 劣势

  • Fork的时候，内存中的数据被克隆了一份，大致2倍的膨胀性需要考虑。
  • 虽然Redis在fork时使用了写时拷贝技术，但是如果数据庞大时还是比较消耗性能。
  • 在备份周期在一定间隔时间做一次备份，所以如果Redis意外down掉的话，就会丢失最后一次快照后的所有修改。

• 如何停止

  • 动态停止RDB：redis-cli config set save “”#save后给空值，表示禁用保存策略。

Redis持久化之AOF

AOF（Append Only File）

以日志的形式来记录每个写操作（增量保存），将Redis执行过的所有写指令记录下来(读操作不记录)， 只许追加文件但不可以改写文件，redis启动之初会读取该文件重新构建数据，换言之，redis 重启的话就根据日志文件的内容将写指令从前到后执行一次以完成数据的恢复工作。

• AOF持久化流程

  • 客户端的请求写命令会被append追加到AOF缓冲区内；
  • AOF缓冲区根据AOF持久化策略[always,everysec,no]将操作sync同步到磁盘的AOF文件中；
  • AOF文件大小超过重写策略或手动重写时，会对AOF文件rewrite重写，压缩AOF文件容量；
  • Redis服务重启时，会重新load加载AOF文件中的写操作达到数据恢复的目的。

• AOF默认不开启

  • 可以在redis.conf中配置文件名称默认为 appendonly.aof文件中开启，AOF文件的保存路径，同RDB的路径一致。

• AOF和RDB同时开启，redis听谁的？

  • AOF和RDB同时开启，系统默认取AOF的数据（数据不会存在丢失）。这里的意思是redis重启的时候，优先加载AOF文件，因为通常情况下AOF比RDB的数据完整性更好。

• AOF启动、修复、恢复

  • AOF的备份机制和性能虽然和RDB不同，但是备份和恢复的操作同RDB一样，都是拷贝备份文件，需要恢复时再拷贝到Redis工作目录下，启动系统即加载。
  • 正常恢复
    • 修改默认的appendonly no，改为yes。
    • 将有数据的aof文件复制一份保存到对应目录(查看目录：config get dir)。
    • 恢复：重启redis然后重新加载。
  • 异常恢复
    • 修改默认的appendonly no，改为yes。
    • 如遇到AOF文件损坏，通过/usr/local/bin/redis-check-aof–fix appendonly.aof进行恢复。
    • 备份被写坏的AOF文件。
    • 恢复：重启redis，然后重新加载。

• AOF同步频率设置

  • appendfsync always：始终同步，每次Redis的写入都会立刻记入日志；性能较差但数据完整性比较好。
  • appendfsync everysec：每秒同步，每秒记入日志一次，如果宕机，本秒的数据可能丢失。
  • appendfsync no：redis不主动进行同步，把同步时机交给操作系统。

Rewrite压缩

• Rewrite压缩是什么

  • AOF采用文件追加方式，文件会越来越大为避免出现此种情况，新增了重写机制，当AOF文件的大小超过所设定的阈值时，Redis就会启动AOF文件的内容压缩，只保留可以恢复数据的最小指令集，可以使用命令bgrewriteaof。

• 重写原理，如何实现重写

  • AOF文件持续增长而过大时，会fork出一条新进程来将文件重写(也是先写临时文件最后再rename)，redis4.0版本后的重写，是指把rdb 的快照，以二进制的形式附在新的aof头部，作为已有的历史数据，替换掉原来的流水账操作。

• no-appendfsync-on-rewrite：

  • 如果 no-appendfsync-on-rewrite=yes ，不写入aof文件只写入缓存，用户请求不会阻塞，但是在这段时间如果宕机会丢失这段时间的缓存数据。（降低数据安全性，提高性能）
  • 如果 no-appendfsync-on-rewrite=no，还是会把数据往磁盘里刷，但是遇到重写操作，可能会发生阻塞。（数据安全，但是性能降低）

触发机制，何时重写

Redis会记录上次重写时的AOF大小，默认配置是当AOF文件大小是上次rewrite后大小的一倍且文件大于64M时触发。

重写虽然可以节约大量磁盘空间，减少恢复时间。但是每次重写还是有一定的负担的，因此设定Redis要满足一定条件才会进行重写。

• auto-aof-rewrite-percentage：设置重写的基准值，文件达到100%时开始重写（文件是原来重写后文件的2倍时触发）。
• auto-aof-rewrite-min-size：设置重写的基准值，最小文件64MB。达到这个值开始重写。
• 系统载入时或者上次重写完毕时，Redis会记录此时AOF大小，设为base_size
• 如果Redis的AOF当前大小>= base_size +base_size*100% (默认)且当前大小>=64mb(默认)的情况下，Redis会对AOF进行重写。
• 例如：文件达到70MB开始重写，降到50MB，下次什么时候开始重写？100MB

重写流程

• bgrewriteaof触发重写，判断是否当前有bgsave或bgrewriteaof在运行，如果有，则等待该命令结束后再继续执行；
• 主进程fork出子进程执行重写操作，保证主进程不会阻塞；
• 子进程遍历redis内存中数据到临时文件，客户端的写请求同时写入aof_buf缓冲区和aof_rewrite_buf重写缓冲区，保证原AOF文件完整以及新AOF文件生成期间的新的数据修改动作不会丢失；
• 子进程写完新的AOF文件后，向主进程发信号，父进程更新统计信息。主进程把aof_rewrite_buf中的数据写入到新的AOF文件；
• 使用新的AOF文件覆盖旧的AOF文件，完成AOF重写。

优势

• 备份机制更稳健，丢失数据概率更低。
• 可读的日志文本，通过操作AOF稳健，可以处理误操作。

劣势

• 比起RDB占用更多的磁盘空间。
• 恢复备份速度要慢。
• 每次读写都同步的话，有一定的性能压力。
• 存在个别Bug，造成恢复不能。

总结(Which one)

用哪个好

• 官方推荐两个都启用：

  • 如果对数据不敏感，可以选单独用RDB。
  • 不建议单独用 AOF，因为可能会出现Bug。
  • 如果只是做纯内存缓存，可以都不用。

• 官网建议

  • RDB持久化方式能够在指定的时间间隔能对你的数据进行快照存储。

  • AOF持久化方式记录每次对服务器写的操作，当服务器重启的时候会重新执行这些命令来恢复原始的数据，AOF命令以redis协议追加保存每次写的操作到文件末尾。

  • Redis还能对AOF文件进行后台重写，使得AOF文件的体积不至于过大。

  • 只做缓存：如果你只希望你的数据在服务器运行的时候存在，你也可以不使用任何持久化方式。

  • 同时开启两种持久化方式：在这种情况下，当redis重启的时候会优先载入AOF文件来恢复原始的数据，因为在通常情况下AOF文件保存的数据集要比RDB文件保存的数据集要完整。

  • RDB的数据不实时，同时使用两者时服务器重启也只会找AOF文件。那要不要只使用AOF呢？

  • 建议不要，因为RDB更适合用于备份数据库(AOF在不断变化不好备份)，快速重启，而且不会有AOF可能潜在的bug，留着作为一个万一的手段。

  • 性能建议：

    • 因为RDB文件只用作后备用途，建议只在Slave上持久化RDB文件，而且只要15分钟备份一次就够了，只保留save 9001这条规则。
    • 如果使用AOF，好处是在最恶劣情况下也只会丢失不超过两秒数据，启动脚本较简单，只load自己的AOF文件就可以了。
      aof代价：一是带来了持续的IO，二是AOF rewrite的最后，将rewrite过程中产生的新数据写到新文件造成的阻塞几乎是不可避免的。
    • 只要硬盘许可，应该尽量减少AOF rewrite的频率，AOF重写的基础大小默认值64M太小了，可以设到5G以上。默认超过原大小100%大小时重写可以改到适当的数值。

Redis主从复制

主机数据更新后根据配置和策略， 自动同步到备机的master/slaver机制，Master以写为主，Slave以读为主，主从复制节点间数据是全量的。

作用：

• 读写分离，性能扩展

• 容灾快速恢复

复制原理

• Slave启动成功连接到master后会发送一个sync命令；

• Master接到命令启动后台的存盘进程，同时收集所有接收到的用于修改数据集命令，在后台进程执行完毕之后，master将传送整个数据文件到slave，以完成一次完全同步。

• 全量复制：slave服务器在接收到数据库文件数据后，将其存盘并加载到内存中。

• 增量复制：Master继续将新的所有收集到的修改命令依次传给slave，完成同步。

• 但是只要是重新连接master，一次完全同步（全量复制)将被自动执行。

哨兵模式(sentinel)

反客为主：当一个master宕机后，后面的slave可以立刻升为master，其后面的slave不用做任何修改。用 slaveof no one 指令将从机变为主机。而哨兵模式是反客为主的自动版，能够后台监控主机是否故障，如果故障了根据投票数自动将从库转换为主库。

当主机挂掉，从机选举产生新的主机

• 哪个从机会被选举为主机呢？根据优先级别：slave-priority 。
• 原主机重启后会变为从机。

复制延时

由于所有的写操作都是先在Master上操作，然后同步更新到Slave上，所以从Master同步到Slave机器有一定的延迟，当系统很繁忙的时

候，延迟问题会更加严重，Slave机器数量的增加也会使这个问题更加严重。

故障恢复

• 优先级：在redis.conf中默认 slave-priority 100，值越小优先级越高。

• 偏移量：指获得原主机数据最全的概率。

• runid：每个redis实例启动后都会随机生成一个40位的runid。

Redis集群（cluster模式）

Redis 集群（包括很多小集群）实现了对Redis的水平扩容，即启动N个redis节点，将整个数据库分布存储在这N个节点中，每个节点存储总数据的1/N，即一个小集群存储1/N的数据，每个小集群里面维护好自己的1/N的数据。

Redis 集群通过分区（partition）来提供一定程度的可用性（availability）： 即使集群中有一部分节点失效或者无法进行通讯， 集群也可以继续处理命令请求。

该模式的redis集群特点是：分治、分片。

问题

• 容量不够，redis如何进行扩容？

• 并发写操作， redis如何分摊？

• 另外，主从模式，薪火相传模式，主机宕机，导致ip地址发生变化，应用程序中配置需要修改对应的主机地址、端口等信息。

• 之前通过代理主机来解决，但是redis3.0中提供了解决方案。就是无中心化集群配置。

集群连接

普通方式登录：可能直接进入读主机，存储数据时，会出现MOVED重定向操作，所以，应该以集群方式登录。

集群登录：redis-cli -c -p 6379 采用集群策略连接，设置数据会自动切换到相应的写主机.

redis cluster 如何分配这六个节点

• 一个集群至少要有三个主节点。
• 选项 –cluster-replicas 1 ：表示我们希望为集群中的每个主节点创建一个从节点。
• 分配原则尽量保证每个主数据库运行在不同的IP地址，每个从库和主库不在一个IP地址上。

什么是slots

一个 Redis 集群包含 16384 个插槽（hash slot），数据库中的每个键都属于这 16384 个插槽的其中一个。集群使用公式 CRC16(key) % 16384 来计算键 key 属于哪个槽， 其中 CRC16(key) 语句用于计算键 key 的 CRC16 校验和 。

集群中的每个节点负责处理一部分插槽。 举个例子， 如果一个集群可以有主节点， 其中：

• 节点 A 负责处理 0 号至 5460 号插槽。
• 节点 B 负责处理 5461 号至 10922 号插槽。
• 节点 C 负责处理 10923 号至 16383 号插槽。

在集群中录入值

在redis-cli每次录入、查询键值，redis都会计算出该key应该送往的插槽，如果不是该客户端对应服务器的插槽，redis会报错，并告知应前往的redis实例地址和端口。

redis-cli客户端提供了 –c 参数实现自动重定向。如 redis-cli -c –p 6379 登入后，再录入、查询键值对可以自动重定向。不在一个slot下的键值，是不能使用mget,mset等多键操作。

故障恢复

• 如果主节点下线？从节点能否自动升为主节点？注意：15秒超时

• 主节点恢复后，主从关系会如何？主节点回来变成从机。

如果所有某一段插槽的主从节点都宕掉，redis服务是否还能继续

• 如果某一段插槽的主从都挂掉，而cluster-require-full-coverage 为yes ，那么整个集群都挂掉。

• 如果某一段插槽的主从都挂掉，而cluster-require-full-coverage 为no ，那么，该插槽数据全都不能使用，也无法存储。

Redis 集群优点

• 实现扩容

• 分摊压力

• 无中心配置相对简单

Redis 集群不足

• 多键操作是不被支持的。

• 多键的Redis事务是不被支持的，lua脚本不被支持。

• 由于集群方案出现较晚，很多公司已经采用了其他的集群方案，而代理或者客户端分片的方案想要迁移至redis cluster，需要整体迁移而不是逐步过渡，复杂度较大。

Redis应用问题解决

缓存穿透

• 问题描述

  • key对应的数据在数据源并不存在，每次针对此key的请求从缓存获取不到，请求都会压到数据源（数据库），从而可能压垮数据源。比如用一个不存在的用户id获取用户信息，不论缓存还是数据库都没有，若黑客利用此漏洞进行攻击可能压垮数据库。

• 缓存穿透发生的条件：

  • 应用服务器压力变大

  • redis命中率降低

  • 一直查询数据库，使得数据库压力太大而压垮

    其实redis在这个过程中一直平稳运行，崩溃的是我们的数据库（如MySQL）。

    缓存穿透发生的原因：黑客或者其他非正常用户频繁进行很多非正常的url访问，使得redis查询不到数据库。

• 解决方案

  • 对空值缓存：如果一个查询返回的数据为空（不管是数据是否不存在），我们仍然把这个空结果（null）进行缓存，设置空结果的过期时间会很短，最长不超过五分钟。
  • 设置可访问的名单（白名单）：使用bitmaps类型定义一个可以访问的名单，名单id作为bitmaps的偏移量，每次访问和bitmap里面的id进行比较，如果访问id不在bitmaps里面，进行拦截，不允许访问。
  • 采用布隆过滤器：布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量(位图)和一系列随机映射函数（哈希函数）。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。
  • 进行实时监控：当发现Redis的命中率开始急速降低，需要排查访问对象和访问的数据，和运维人员配合，可以设置黑名单限制服务。

缓存击穿

• 问题描述

• key对应的数据存在，但在redis中过期，此时若有大量并发请求过来，这些请求发现缓存过期一般都会从后端数据库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后端数据库压垮。

• 缓存击穿的现象：

  • 数据库访问压力瞬时增加，数据库崩溃
  • redis里面没有出现大量key过期
  • redis正常运行

  缓存击穿发生的原因：redis某个key过期了，大量访问使用这个key（热门key）。

• 解决方案

  key可能会在某些时间点被超高并发地访问，是一种非常“热点”的数据。

  • 预先设置热门数据：在redis高峰访问之前，把一些热门数据提前存入到redis里面，加大这些热门数据key的时长。
  • 实时调整：现场监控哪些数据热门，实时调整key的过期时长。
  • 使用锁：
    • 就是在缓存失效的时候（判断拿出来的值为空），不是立即去load db。
    • 先使用缓存工具的某些带成功操作返回值的操作（比如Redis的SETNX）去set一个mutex key。
    • 当操作返回成功时，再进行load db的操作，并回设缓存，最后删除mutex key；
    • 当操作返回失败，证明有线程在load db，当前线程睡眠一段时间再重试整个get缓存的方法。

缓存雪崩

• 问题描述
  • key对应的数据存在，但在redis中过期，此时若有大量并发请求过来，这些请求发现缓存过期一般都会从后端数据库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后端数据库压垮。
  • 缓存雪崩与缓存击穿的区别在于这里针对很多key缓存，前者则是某一个key正常访问。
• 解决方案
  • 构建多级缓存架构：nginx缓存 + redis缓存 +其他缓存（ehcache等）。
  • 使用锁或队列：用加锁或者队列的方式来保证不会有大量的线程对数据库一次性进行读写，从而避免失效时大量的并发请求落到底层存储系统上，该方法不适用高并发情况。
  • 设置过期标志更新缓存：记录缓存数据是否过期（设置提前量），如果过期会触发通知另外的线程在后台去更新实际key的缓存。
  • 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。

分布式锁

• 问题描述

  • 随着业务发展的需要，原单体单机部署的系统被演化成分布式集群系统后，由于分布式系统多线程的特点以及分布在不同机器上，这将使原单机部署情况下的并发控制锁策略失效，单纯的Java API并不能提供分布式锁的能力。为了解决这个问题就需要一种跨JVM的互斥机制来控制共享资源的访问，这就是分布式锁要解决的问题！

• 分布式锁主流的实现方案：

  • 基于数据库实现分布式锁
  • 基于缓存（Redis等）
  • 基于Zookeeper

• 根据实现方式，分布式锁还可以分为类CAS自旋式分布式锁以及event事件类型分布式锁：

  • 类CAS自旋式分布式锁：询问的方式，类似java并发编程中的线程获询问的方式尝试加锁，如mysql、redis。
  • 另外一类是event事件通知进程后续锁的变化，轮询向外的过程，如zookeeper、etcd。

• 每一种分布式锁解决方案都有各自的优缺点：

  • 性能：redis最高
  • 可靠性：zookeeper最高

• 解决方案：使用redis实现分布式锁

  • setnx：通过该命令尝试获得锁，没有获得锁的线程会不断等待尝试。
  • set key ex 3000nx：设置过期时间，自动释放锁，解决当某一个业务异常而导致锁无法释放的问题。但是当业务运行超过过期时间时，开辟监控线程增加该业务的运行时间，直到运行结束，释放锁。
  • uuid：设置uuid，释放前获取这个值，判断是否自己的锁，防止误删锁，造成没锁的情况。

RedLock

Redlock是一种算法，Redlock也就是 Redis Distributed Lock，可用实现多节点redis的分布式锁。RedLock官方推荐，Redisson完成了对Redlock算法封装。

• 此种方式具有以下特性：

  • 互斥访问：即永远只有一个 client 能拿到锁。
  • 避免死锁：最终 client 都可能拿到锁，不会出现死锁的情况，即使锁定资源的服务崩溃或者分区，仍然能释放锁。
  • 容错性：只要大部分 Redis 节点存活（一半以上），就可以正常提供服务

redis分布式锁实现

private int score = 100;
boolean b = false;

@Autowired
RedissonClient redissonClient;

@Test
public void test() {
    for (int i = 0; i < 3; i++) {
        new Thread(new Runnable() {
            @Override
            public void run() {
                redisLock();
            }
        }).start();
    }
}

private void redisLock() {
    // 问题代码
    //        while (true) {
    //            if (score > 0) {
    //                System.out.println(score);
    //                score -= 1;
    //            }
    //        }
    
    // 分布式锁解决库存问题
    RLock redLock = redissonClient.getLock("RED_LOCK_KEY");
    System.out.println("redLock=" + redLock);
    try {
        // 尝试加锁，最多等待500ms，上锁以后10s自动解锁
        b = redLock.tryLock(5000, 10000, TimeUnit.MILLISECONDS);
        System.out.println("b=" + b);
        while (true) {
            if (b) {
                //获取锁成功
                if (score > 0) {
                    System.out.println(score);
                    score -= 1;
                }
            } else {
                break;
            }
        }
    } catch (InterruptedException e) {
        e.printStackTrace();
    } finally {
        if (b) {
            redLock.unlock();
        }
    }
}

redis缓存与数据库双写一致性问题

其实从理论上来讲，给缓存设置过期时间才是保证最终一致性的最终解决方案。
所有的写操作我们以数据库为准，对于缓存操作我们尽最大努力即可。

redis的数据过期清除策略和内存淘汰策略

• 数据过期策略：定期删除 + 惰性删除

定期删除：redis默认每隔100s就随机抽取一些设置了过期时间的数据的key，检查其是否过期，如果过期，就删除。
至于为什么是随机抽取，是因为加入redis存储了几十万了key，如果每隔100s就遍历所有的key，是很消耗性能的。

为什么不用定时删除呢？定时删除时用一个定时器监视key,过期则自动删除。虽然内存得到及时释放，
但是很消耗性能。

惰性删除：定期删除可能导致很多过期的key没有删除。这时候就需要惰性删除，
惰性删除时当获取某个key的时候，redis会检查这个key是否过期，如果过期了，
就会被删除。

• 定期删除和惰性删除存在的问题：
  • 如果一个过期的key定期删除没有删除，然后也没有再次请求这个key，也就是惰性删除也没生效，这时候这个key就会一直留在内存中，如果内存中堆积了大量的这样的key，就会导致内存消耗殆尽，这时候就用到了内存淘汰策略。

redis的内存淘汰策略

noevicition:不进行淘汰数据。一旦缓存被写满，再有写的请求进来，redis就不在提供写的服务，直接返回报错。
volatile-ttl:在设置了过期时间的键值对中，移除即将过期的键值对
volatile-random:在设置了过期时间的键值对中，随机一处某个key
volatile-lru:在设置了过期时间的键值对中，移除最近很少使用的键值对
volatile-lfu:在设置了过期时间的键值对中，移除最近最不频繁使用的键值对
allkeys-random：在所有键值对中，随机移除某个key
allkeys-lru：在所有的键值对中，移除最近最少使用的键值对。
allkeys-lfu:在所有的键值对中移除最近最少使用的键值对

• 通常情况下默认使用alkeys-lru策略，这样可以充分利用LRU这一经典缓存算法的优势，把最近长访问的数据留在缓存中，提升应用范文性能。
• 如果你的业务中有明显的冷热分区，建议使用allkeys-lru策略
• 如果没有明显得冷热分区，建议使用allkeys-random策略，随机淘汰数据就行
• 对于没有设置过期时间的键值对，volatile开头的策略和noevicition是一样的效果。