redis知识框架总结思维导图模板_ProcessOn思维导图、流程图

redis核心数据结构

五种数据结构

字符串string

基本使用

注意：存储对象主要是通过key值的设计，对象名：id:字段名

应用场景

计数器

Web集群的session共享

分布式系统全局序列号（redis批量生成序列号提升性能）

哈希hash

基本使用

注意：插入的时候，除了key,value，中间多了域field(字段)

应用场景

存储多个属性描述的对象：电商购物车

与string对比

区别

hash的结构是，key下面，还有一层key-value键值对，即域；hashkey对应的value存的是真的一个对象结构，而String，分开存取的对象的key-value结构，只不过通过对key的命名的处理，来集中成一个对象。

优点

同类数据归类整合储存，方便数据管理

相比string操作消耗内存与cpu更小

相比string储存更节省空间

缺点

过期功能不能使用在field上，只能用在key上

Redis集群架构 下不适合大规模使：表名做key,可能会导致整个user表都存放在一个redis服务器上

列表list

基本使用

左右两边压入和弹出元素

应用场景

按照时间顺序，发放消息推送：微博消息和公众号消息

注意和消息队列的区别

redis模式。push模式，消息队列，pull模式

大V如何操作

对于粉丝较多的情况，使用消息队列，使用pull模式，然后每个用户上线之后，自己根据topic去拉取对应的消息，然后再放到自己的redis的list结构的key中去，但是注意，这个，拉到本地，还要根据时间进行一个排序处理，而redis不需要排序

集合set

基本使用

这里重点关注set随机选元素操作和运算操作：交集、并集、差集

应用场景

微信小程序

微信微博点赞、收藏、标签（只有好友才显示）

微信微博关注模型：共同关注，可能认识的人

实现电商商品的筛选，一些符合特有配置的手机

有序集合zset

基本使用

对key-value数据增加了数值字段，可以用于计数和排序筛选

应用场景

微博热度排行

源码底层结构

redis的底层结构

RedisDB

dict

dictht(数组)

dictEntry（链表结点）

*key(存储的key值):sds

len

free

buf[]

*val(存储的value):redisObject

type(value的数据类型)

String

list

hash

set

zset

encoding(实际编码类型)

raw

embstr

quicklist

hashtable

ziplist

inset

skiplist

*ptr(具体的value值，如：sds)

next(下一个dictEntry)

dictht

图展示：

五种数据结构底层编码结构

数据结构和编码结构的对应关系：

int:存储 8 个字节的长整型

embstr, 代表 embstr 格式的 SDS,存储小于 44 个字节的字符串

raw，存储大于 44 个字节的字符串（3.2 版本之前是 39 字节）

ziplist，压缩链表，省去头尾节点

quicklist,快速链表，头尾结点+压缩链表

intset,整数集合：一个有序的，存储整型数据的结构

hashTable:就是hasht结构

skiplist：跳表

redis的持久化

RDB快照

Redis 将内存数据库快照保存在名字为 dump.rdb 的二进制文件中

方式：同步：save;异步：bgsave

AOF方式

将修改的每一条指令记录进文件appendonly.aof中(先写入os cache，每隔一段时间fsync到磁盘) 比如执行命令“set zhuge 666”，aof文件里会记录如下数据

策略：

always：每次

everysec：每秒 fsync 一次

混合持久化

对比

RDB速度快安全性低，AOF速度慢安全性高

AOF在重写时，不再是单纯将内存数据转换为RESP命令写入AOF文件，而是将重写这一刻之前的内存做RDB快照处理，并且将RDB快照内容和增量的AOF修改内存数据的命令存在一起，都写入新的AOF文件，新的文件一开始不叫appendonly.aof，等到重写完新的AOF文件才会进行改名，覆盖原有的AOF文件，完成新旧两个AOF文件的替换

策略：

redis集群

主从架构

搭建：自身配置

主从复制

工作原理：master的bgSave生成rdb文件，生成缓存发给slave

流程图：

数据部分复制（重连之后上传）

工作原理：slave记录了offset并发送给master，master根据offset返回该标记位后面的数据，如果没有了，就进行全量数据复制

流程图:

高可用架构

Redis哨兵高可用架构

搭建：搭建一个哨兵集群，来监控redis集群，如果master挂掉，就主动更换从节点

架构：

哨兵leader选举流程

Redis自身的高可用集群

搭建：大家多个主从集群，然后每一个主节点分担16384个槽位

新增结点：

新增主从结点

分片工作

分多少槽位给指定redis实例

从哪些结点选出槽位给redis（一般为all）

删除结点

删除从节点

分片工作

移动多少槽位

移动目标redis结点

移动初始redis结点——主结点

删除主结点

架构：

原理

槽位定位算法：key值经过哈希计算，在对16384进行取模，计算槽位

Redis的通信机制

集中式

gossip：meet,ping,pong,fail

Redis选举原理

选举过程：从salve发现master挂掉之后，就会向外界广播，其他主结点只能回应一个从结点的响应，这样最先获取到半数以上响应的从结点就会当选新的主结点

解决集群脑裂：

设置写数据最少同步成功slave数据量

Redis集群为什么至少需要三个master节点，并且推荐节点数为奇数？

子主题

redis实战问题解决

大厂生产级Redis高并发分布式锁实战

问题：在高并发秒杀场景下，可能出现货物超卖的情况

解决：

1、单机上一个synchronized锁

在高并发下的集群服务中，synchronized就不能发挥正常锁排队功能

2、使用redis分布式锁

业务逻辑中抛异常，没并发删除锁，就会出现死锁

3、使用redis分布式锁+过期时间+clientId上锁

下面删除锁，不是原子性的，有可能在在刚执行玩if判断之后，锁10s自动过期，就会出现删除其他锁的问题

4、使用redisson分布式锁结构

redisson,一个架构，底层使用锁续命，只要主线程还在执行业务逻辑，就会每隔一段时间，进行锁续命，完美解决上诉问题

Redisson分布式锁原理

原理：主线程设置了30秒（看门狗，默认30s）的一个分布式锁，然后，每隔10秒会为自己进行一次续命逻辑，其他线程，会间歇性的尝试加锁。

流程图：

核心源码：采用方法嵌套调用的方法去实现锁续命，scheduleExpirationRenewal就是一个定时任务，去所为锁进行续命，且是到1/3过期时间，就续命一次

Redisson底层的redis业务逻辑都是通过lua脚本执行的，原理就是redis是单线程操作的，所以就是可以采用lua脚本保证原子性，所以可以使用lua脚本实现事务功能

分布式锁的主从失效问题

上面基本上解决了高分发实战下面的分布式锁的问题，但是假如面对主从结构中，主结点挂掉的话，假如此时key还没有缓存到从结点，这个时候，就又会超卖，发生并发问题。

解决

zookeeper

采取RedLock(红锁)解决，但是实际上也解决不了

原理：一般实现奇数结点（半数机制），然后客户端至少收到半数以上的结点设置成功，才算key设置成功

问题：但是不推荐使用，因为也没有百分之百解决，因为线上为了保持高可用，每一个redis后面也要拖一个从结点，这样，假如一个结点挂了一个之后，还是有该问题，除非你不使用从节点，或者搞多几个结点，会更加可靠，但是结点过多之后，性能就会下降。 还有一个问题，1s中我们会使用持久话，那假如我们没有从结点，到那时挂掉时，丢了1秒数据，假如刚好丢失锁key，也会出现加锁的问题，发生超卖。

缓存击穿（数据库还没有穿）

问题：因为失效机制，譬如我们批量上架商品，会批量的取消，这样就会出现大量的商品直接穿透到数据库，会出现服务卡顿，抖动

解决：我们在维护一个过期时间时候，就可以在一个基准的时间上，加一个随机时间

缓存穿透（数据库查询也没有数据，穿透了数据库）

问题

不小心删除商品按钮，后端的数据和缓存都删掉，那每次商品访问，都会访问到redis和数据库，但是因为没有该数据，就会一直访问数据库，压力就会比较大。

还有一种情况，黑客攻击，根据规则，一直访问服务，因为数据库没有该商品，没有缓存，就一直访问该商品的数据库。

解决

我们可以对黑客的请求，放一个空缓存（不建议为null,返回一个空字符串）并设置一个短期（几分钟）的过期时间，这样就不会穿透到数据库因为为null,我们会默认为没有建立缓存，会继续访问数据库，所以，我们要缓存一个空对象即可，然后和前端约定，空对象没有意义

布隆过滤器

某个值存在时，这个值可能不存在；当它说不存在时，那就肯定不存在。

缓存雪崩

问题

缓存雪崩指的是缓存层支撑不住或宕掉后， 流量会像奔逃的野牛一样， 打向后端存储层。

例子：新浪微博，一个热点事件（一个大V发微博），突然超高并发

解决

保证缓存层服务高可用性，比如使用Redis Sentinel或Redis Cluster。

依赖隔离组件为后端限流熔断并降级。比如使用Sentinel或Hystrix限流降级组件。

防止大量缓存在同一时间点失效

进行缓存预热

多级缓存

原理：JVM缓存如guava，可以实现百万级别并发

代码示例：

解决:面对web的集群，我们的内存缓存不是集群怎么办

可以使用MQ,大家都监控在一个channel，然后缓存更新之后，都在自己onMessage方法中，获取更新的缓存（这里不必要绝对一致了，不然架构太复杂了，容忍短时间不一致问题）

大厂解决：热点监控系统

会有一个单独的热点更新系统，去维护热点中的热点事件，只有在读的时候，获取map信息，但是维护map,在一个系统中会单独做，比如可以通过AOP对redis服务做一个拦截，然后每次拦截之后就会向热点更新系统中做一个请求，然后对这些请求进行分布式的大数据实时计算，这样就可以解耦，让业务代码更加的简单明了

针对冷门商品突然并发被访问：双重检测锁（DCL）

大v带货，导致没有缓存的冷门商品突然并发被访问,打挂数据库

问题：突发热点缓存导致后台压力特别大的问题：

解决：

双重检测锁（DCL）可以解决该问题，只有一个访问，能够重建缓存，然后其他请求卡在锁上面，然后拿到锁之后，就会直接拿到缓存

代码示例：

优化

分析：不能使用读写锁，也不适合分段锁（已经是按照商品上锁了），我们可以加一个过期失效时间，超过1s直接失效

代码示例：这里有问题，假如发声百分之1的可能，锁的缓存，没有在1s内执行完，就会执行过去，发生并发bug

缓存与数据库双写不一致问题

问题

查库和更新缓存之间，被其他线程更改数据库，就会导致数据库和缓存内容不一致

解决

本质上，就是查询数据库和更新缓存不是原子性的，很难避免，在高并发下 所以，就要把查询数据库和更新缓存保证原子性，可以加一把分布式锁

代码示例：

优化

原理：读多写少，可以使用读写锁优化，注意，这里的读写，主要针对数据库的读写！！！而不是写缓存！！！

过程展示：

代码优化：上分布式读写锁

Redis的开发规范和性能优化

键值设计

key名设计

可读性和可管理性

简洁性

不要包含特殊字符

value设计

【强制】：拒绝bigkey(防止网卡流量、慢查询)

定义：一般来说，string类型控制在10KB以内，hash、list、set、zset元素个数不要超过5000。，否则就是bigKey

危害

导致redis阻塞

网络拥塞

过期删除

产生

社交类：粉丝列表，如果某些明星或者大v不精心设计下，必是bigkey

统计类：例如按天存储某项功能或者网站的用户集合，除非没几个人用，否则必是bigkey。

缓存类：将数据从数据库load出来序列化放到Redis里，这个方式非常常用，但有两个地方需要注意，第一，是不是有必要把所有字段都缓存；第二，有没有相关关联的数据，有的同学为了图方便把相关数据都存一个key下，产生bigkey

优化

拆

选择适合的数据类型。

控制key的生命周期，设置key的过期时间

命令的使用

【推荐】 O(N)命令关注N的数量

例如hgetall、lrange、smembers、zrange、sinter等并非不能使用，但是需要明确N的值。有遍历的需求可以使用hscan、sscan、zscan代替。

【推荐】：禁用命令

禁止线上使用keys、flushall、flushdb等，通过redis的rename机制禁掉命令，或者使用scan的方式渐进式处理。

【推荐】合理使用select

redis的多数据库较弱，使用数字进行区分，很多客户端支持较差，同时多业务用多数据库实际还是单线程处理，会有干扰。

【推荐】使用批量操作提高效率

原生命令：例如mget、mset。 非原生命令：可以使用pipeline提高效率。

【建议】Redis事务功能较弱，不建议过多使用，可以用lua替代

客户端使用

连接池配置

maxTotal：最大连接数

根据需求合理设置

maxIdle实际上才是业务需要的最大连接数

不要过小，建议连接池的最佳性能是maxTotal = maxIdle

minIdle（最小空闲连接数）

Redis对于过期键有三种清除策略

被动删除：当读/写一个已经过期的key时，会触发惰性删除策略，直接删除掉这个过期key

主动删除：由于惰性删除策略无法保证冷数据被及时删掉，所以Redis会定期(默认每100ms)主动淘汰一批已过期的key，这里的一批只是部分过期key，所以可能会出现部分key已经过期但还没有被清理掉的情况，导致内存并没有被释放

当前已用内存超过maxmemory限定时，触发主动清理策略

清除算法

LRU 算法（Least Recently Used，最近最少使用）

淘汰很久没被访问过的数据，以最近一次访问时间作为参考。

LFU 算法（Least Frequently Used，最不经常使用）

淘汰最近一段时间被访问次数最少的数据，以次数作为参考。

选择

当存在热点数据时，LRU的效率很好，但偶发性的、周期性的批量操作会导致LRU命中率急剧下降，缓存污染情况比较严重。这时使用LFU可能更好点。

redis6.0新特性

多线程处理网络IO，但是还是单线程处理业务逻辑