redis集群

为什么需要 Redis 集群？

在现代应用中，数据量和并发量日益增长，单个 Redis Master 节点常常会遇到性能瓶颈。当数据量过大，单个 Master 副本集难以承担时，我们就需要一种能够水平扩展的方案。这便是 Redis 集群（Redis Cluster）的用武之地。

reids哨兵

在Redis的主从复制架构中，虽然实现了读写分离和数据备份，但仍然存在一个致命的弱点：当Master节点宕机时，系统会失去写能力，且无法自动恢复，需要人工介入进行故障转移。为了解决这个问题，Redis引入了Sentinel（哨兵）模式。

Redis 高可用基石：主从复制

随着业务量的增长，单台Redis实例很快会面临性能瓶颈和单点故障的风险。如何扩展Redis的读写能力？如何保证服务的高可用？答案就是主从复制 (Master-Slave Replication) 。

Redis 事务机制

‍

在数据库领域，“事务”（Transaction）是一个可靠的词，它通常与ACID（原子性、一致性、隔离性、持久性）四大特性紧密绑定，是保证数据绝对可靠的基石。然而，当我们谈论Redis的事务时，会发现它是一个非常“另类”的存在。

Redis的IO多路复用解析

从根源出发，为何需要 I/O 多路复用？

引言：并发连接的挑战

在构建网络服务时，我们面临的第一个，也是最核心的挑战之一，就是如何同时处理大量的客户端连接。试想一下，一个热门的社交应用、一个繁忙的电商网站，或者像 Redis 这样的高性能缓存，它们在每一秒都需要应对成千上万的并发请求。

Redis的ZSet数据结构

ZSet的两种“面孔”：紧凑与高效

与Hash类型相似，一个ZSet对象也会根据存储数据的大小和数量，在两种编码方式之间进行选择。

Redis的Hash数据结构

在Redis的五大经典数据类型中，Hash因其直观的field-value​结构而备受青睐。然而，为了在性能和内存之间寻求极致的平衡，一个看似简单的Hash对象，其底层实现却暗藏玄机。Redis会根据存储数据的大小和数量，动态地为其选择不同的编码方式——在早期版本中是ziplist​（压缩列表）和hashtable​，而在Redis 7中，主角则换成了listpack（紧凑列表）。

Redis的String数据结构

在与 Redis 交互时，SET mykey "hello" 似乎是一个简单的字符串赋值操作。然而，为了将性能和内存效率推向极致，Redis 在这看似简单的操作背后，构建了一套精密而复杂的数据结构体系。本文将揭示其三种关键的物理编码——int、embstr 和 raw，并着重探讨 Redis 字符串的SDS。

Redis经典五大类型

从SET命令到​​redisObject​​的KV存储

当我们使用Redis时，一个简单的 SET mykey "hello" 命令就能瞬间完成。我们知道Redis是一个高性能的Key-Value数据库，但你是否曾深入思考过：这个简单的键值对，在Redis内部究竟是如何被组织和存储的？为什么它的Value可以是字符串、列表、哈希等多种复杂结构，却依然能保持O(1)的查询复杂度？

缓存淘汰策略

常见面试题

在深入技术细节之前，我们先来看几个高频的面试问题，这些问题也是我们在生产环境中必须面对的：

• 生产上你们的Redis内存设置多少？
• 如果内存满了你怎么办？
• Redis的过期删除和内存淘汰策略有哪些？
• LRU和LFU算法的区别是什么？

Redis内存配置与监控

在讨论如何“节流”之前，我们先要学会如何“开源”——即如何为Redis配置和监控内存。

Redlock算法和底层源码分析

‍

在分布式系统中，确保数据在并发访问下的一致性是一个永恒的挑战。分布式锁，作为实现互斥（Mutual Exclusion）的关键工具，是每个后端工程师都必须掌握的核心技能。Redis因其高性能和丰富的原子命令，成为了实现分布式锁的首选。然而，一个看似简单的SETNX，在复杂的分布式环境下却隐藏着诸多陷阱。

redis分布式锁

Redis远不止缓存

在深入分布式锁之前，让我们先快速浏览一下 Redis 在现代应用架构中扮演的多样化角色：

• 数据共享与会话管理 (Data Sharing & Session Management) ：在分布式 Web 服务中，用户的 Session 信息需要被多个服务实例共享。Redis 作为内存数据库，提供了高速的读写能力，是实现分布式 Session 共享的理想选择。
• 计数器与排行榜 (Counters & Leaderboards) ：利用 Redis 的原子性操作 INCR、DECR，可以轻松实现高并发场景下的计数功能，如文章阅读量、点赞数等。而其 ZSET (有序集合) 数据结构，则能完美地应用于构建实时排行榜，如热搜榜、积分榜等。
• 消息队列 (Message Queue) ：通过 LPUSH/RPOP (List) 或 Streams 数据类型，可以实现一个轻量级的消息队列，用于服务间的异步通信和任务解耦。
• 社交与推荐 (Social & Recommendations) ：SET (集合) 数据结构可以方便地处理用户关注、共同好友等关系。利用其交集、并集、差集运算，可以快速构建简单的推荐模型，如“可能认识的人”。
• 地理空间服务 (Geospatial) ：Redis 的 GEO 数据类型支持存储地理位置信息，并能进行距离计算、范围查找等操作，可用于实现“附近的人”或“附近的餐厅”等功能。
• 位统计 (Bitmaps) ：通过位操作，可以高效地记录海量用户的状态信息，如用户签到、打卡等。这种方式极大地节省了内存空间。
• 全局ID生成 (Global ID Generation) ：利用 INCR 命令的原子性，可以生成全局唯一的序列号，作为分布式系统中的唯一标识符。

而今天要深入探讨的，是 Redis 在分布式协调方面的核心应用——分布式锁。

缓存三兄弟

在现代应用架构中，Redis 缓存是提升系统性能、抵御高并发流量的“第一道防线”。然而，这道防线并非坚不可摧。在实际应用中，我们常常会遇到缓存预热、雪崩、穿透、击穿以及数据不一致等挑战。

布隆与布谷鸟过滤器

在海量数据处理中，我们经常面临一个看似简单却极具挑战性的问题：如何快速、准确地判断一个元素是否存在于一个庞大的集合中？

大厂的真实面试题：问题的提出

让我们从一个经典的面试场景开始：

bitmap实现签到统计

在当今的互联网应用中，日活统计、用户签到、连续打卡等是极为常见的运营需求。如何为海量用户高效地记录和统计这些“是/否”状态？传统关系型数据库（如 MySQL）COUNT(*) 的方式在小体量下尚可应对，但面对亿级用户时，每天产生海量记录，将导致存储空间爆炸和查询性能急剧下降。

从抖音、淘宝面试题看Redis

亿级流量下的数据挑战：

在当今这个数据爆炸的时代，像抖音、淘宝、微博这样的平台，每天都要处理数以亿计的用户请求和数据。如何高效地收集、清洗、统计并展现这些海量数据，是衡量一个系统架构是否优秀的关键。这不仅是技术挑战，更是各大厂面试中频繁考察的核心能力。

Redis与MySQL的双写一致性

‍

在现代应用架构中，缓存（如 Redis）与数据库（如 MySQL）的组合是提升性能的利器。我们最常用的模式是 Cache-Aside Pattern（旁路缓存） ：

1. 读请求：先读 Redis，命中则返回；未命中则读 MySQL，将结果写入 Redis 后再返回。
2. 写请求：更新数据时，需要同时维护数据库和缓存中的状态。

MoreKey 与 BigKey

在 Redis 的使用过程中，海量键（MoreKey）和过大键（BigKey）是两种常见但容易被忽视的性能杀手。它们会给 Redis 的稳定性、响应延迟和运维带来巨大挑战。本文将深入探讨这两类问题的成因、危害，并提供一套完整的发现、处理和规避方案。

未命名

读完本文，你将能轻松解答三个常见的 Redis 面试题：

1. Redis 究竟是单线程还是多线程？
2. 你了解 I/O 多路复用吗？
3. Redis 为什么如此快？

在探讨这些问题之前，我们先得出一个核心结论：Redis 在 4.0 版本之前，其核心网络模型是单线程的，但引入了部分多线程功能，如异步删除。从 Redis 6.0 开始，则正式引入了多线程 I/O，以进一步提升性能。

redis单线程vs多线程

看完本文，将可以回答三个非常常见的redis面试题

1. redis到底是单线程还是多线程？
2. IO多路复用听说过吗？
3. redis为什么快？

‍

‍

redis4.0之前部分支持多线程，异步删除，redis6.之后支持多线程io

ThreadPoolExecutor

为什么我们需要线程池？

我们通常这样创建一个线程来执行任务：

• 继承Thread

public class ThreadPoolExecutorDemo {

    public static void main(String[] args) {
        MyThread myThread = new MyThread();
        myThread.start();

        System.out.println("主线程结束");
    }

    static class MyThread extends Thread{

        @Override
        public void run() {
            System.out.println("this is MyThread");
        }
    }
}

• 实现Runnable

public class ThreadPoolExecutorDemo {

    public static void main(String[] args) {

        //1. 使用匿名内部类的写法
        Thread t0 = new Thread(new Runnable() {
            @Override
            public void run() {
                System.out.println("子线程t0");
            }
        });
        t0.start();

        //2. 使用lambda表达式的写法
        Thread t1 = new Thread(()->{
            System.out.println("这是子线程t1");
        });
        t1.start();

        System.out.println("主线程结束");
    }


}

• 实现Callable

public class ThreadPoolExecutorDemo {

    public static void main(String[] args) {

        //把Callable对象传给FutureTask
        FutureTask<String> futureTask = new FutureTask(new Callable() {
            @Override
            public Object call() throws Exception {
                return "子线程futuretask";
            }
        });

        Thread t3 = new Thread(futureTask);
        t3.start();

        //这里是个阻塞方法，会等待子线程返回result后，主线程才会继续执行
        try {
            String result = futureTask.get();
            System.out.println(result);
        } catch (Exception e) {
            e.printStackTrace();
        }

        System.out.println("主线程结束");
    }


}

‍

jvm

jvm

jvm的结构

程序计数器

当前线程所执行的字节码的行号指示器，记录下一条即将要执行的字节码指令的地址。 当执行引擎正在执行 bipush 10 时，程序计数器会自动保存下一条字节码指令 istore_1的地址。 因为真正的字节码指令存在元空间，通过这个地址就可以找到对应的字节码指令。

MySql

Sql基础

SQL数据库和NoSql的区别

SQL数据库 是关系型数据库，存储结构化数据于二维表 中，数据间通过预定义关系连接。NoSQL是 非关系型数据库，存储非结构化或半结构化数据，模型灵活多样（如文档、键值对），数据间关系弱 。