Redis相关概念以及缓存预热、缓存雪崩、缓存击穿、缓存穿透解决方案

单线程的Redis为什么这么块

1. 纯内存操作
2. 单线程操作，避免了频繁的上下文切换
3. 采用了非阻塞I/O多路复用机制

Redis的数据类型，以及每种数据类型的使用场景

1. String
2. hash
3. list
4. set
5. sorted set:比set多了一个权重参数score，集合中的元素能够按score进行排列。可以做排行榜应用，取TOP N操作。

Redis删除策略

1. 定时删除

   • 创建一个定时器，当key设置过期时间，且过期时间到达时，由定时器任务立即执行对键的删除操作
   • 优点：节约内存，到时就删除，快速释放掉不必要的内存占用
   • 缺点：CPU压力很大，无论CPU此时负载多高，均占用CPU，会影响redis服务器响应时间和指令吞吐量
   • 总结：用处理器性能换取存储空间

2. 惰性删除

   • 数据到达过期时间，不做处理，等下次访问该数据
     • 如果未过期，返回数据
     • 发现已过期，删除，返回不存在
   • 优点：节约CPU性能，发现必须删除的时候才删除
   • 缺点：内存压力大，出现长期占用内存的数据
   • 总结：用存储空间换取处理器性能

3. 定期删除

   • 
   • 周期性轮询redis库中时效性数据，采用随机抽取的策略，通过过期数据占比的方式删除

4. 删除策略对比
   

逐出算法

1. 新数据进入检测

当新数据进入redis时，如果内存不足怎么办？

• Redis使用内存存储数据，在执行每一个命令前，会调用freeMemoryIfNeeded()检测内存是否充足。如果内存不满足新加入数据的最低存储要求，redis要临时删除一些数据为当前指令清理存储空间。清理数据的策略称为逐出算法。
• 注意：逐出数据的过程不是100%能够清理出足够的可使用的内存空间，如果不成功则反复执行。当对所有数据尝试完毕后，如果不能达到内存清理的要求，将出现错误信息。

2. 影响数据逐出的相关配置

• 最大可使用内存

maxmenory
占用物理内存的比例，默认为0，表示不限制。生产环境中根据需求设定，通常设置在50%以上。

• 每次选取待删除数据的个数

maxmemory-samples
选取数据时并不会全库扫描，导致严重的性能消耗，降低读写性能。因此采用随机获取数据的方式作为待检测删除数据。

• 删除策略

maxmemory-policy
达到最大内存后，对被挑选出来的数据进行删除的策略。

3. 删除策略

1. volatile-lru：从已设置过期时间的数据集（server.db[i].expires）中挑选最近最少使用的数据淘汰
2. volatile-lfu：从已设置过期时间的数据集挑选使用频率最低的数据淘汰。
3. volatile-ttl ：从已设置过期时间的数据集（server.db[i].expires）中挑选将要过期的数据淘汰
4. volatile-random：从已设置过期时间的数据集（server.db[i].expires）中任意选择数据淘汰
5. allkeys-lru：从数据集（server.db[i].dict）中挑选最近最少使用的数据淘汰
6. allkeys-lfu：从数据集中挑选使用频率最低的数据淘汰。
7. allkeys-random：从数据集（server.db[i].dict）中任意选择数据淘汰
8. no-enviction（驱逐）：禁止驱逐数据，新写入操作会报错

Redis为什么是单线程的

因为Redis是基于内存的操作，CPU不是Redis的瓶颈，Redis的瓶颈最有可能是机器内存的大小或者网络带宽。既然单线程容易实现，而且CPU不会成为瓶颈，那就顺理成章地采用单线程的方案了。Redis利用队列技术将并发访问变成串行访问。

缓存预热

缓存预热就是系统启动前，提前将相关的缓存数据直接加载到缓存系统，这样可以避免在用户请求的时候，先查询数据库，然后再将数据缓存的问题。用户直接查询事先被预热的缓存数据。

缓存雪崩

在一个较短的时间内，缓存中较多的key集中过期，所有原本应该访问缓存的请求都去查询数据库了，而对数据库CPU和内存造成巨大压力，严重的会造成数据库宕机。从而形成一系列连锁反应，造成整个系统崩溃。
解决办法

1. 构建多级缓存架构
2. 数据有限策略调正，也就是把缓存失效时间分散开

缓存击穿

Redis中某个key过期，该key访问量巨大。多个数据请求读取Redis缓存均为命中，发起了大量对数据库同一个数据的访问，导致对数据库服务器造成压力。
解决办法

1. 监测热点数据，设置热点数据永不过期。
2. 加互斥锁

缓存穿透

缓存穿透是指用户查询数据，在数据库没有，自然在缓存中也不会有。这样就导致用户查询的时候，在缓存中找不到，每次都要去数据库再查询一遍，然后返回空。
解决办法

1. 缓存null：对查询结果为null的数据进行缓存
2. 布隆过滤器：将所有可能存在的数据哈希到一个足够大的bitmap中，一个一定不存在的数据会被这个bitmap拦截掉，从而避免了对底层存储系统的查询压力。