Redis面试题 （2023最新版）

一、Redis为什么快？

1、纯内存访问

相比查询数据库（访问磁盘）要快很多

2、单线程，避免上下文切换

内部执行命令为单线程，避免上下文切换带来的CPU开销

3、渐进式ReHash、缓存时间戳

（1）渐进式ReHash：

Redis使用全局哈希表来保存所有键值对，

哈希表相当于一个数组，数组的每个元素称为一个哈系桶，每个哈系桶中保存了键值对的数据。

数据增加到一定阈值，数组扩容会导致数据发生移动，此时访问会发生阻塞

渐进式ReHash：把一次性大量拷贝（数组移动）的开销，分摊到多次处理请求的过程中。

Redis默认使用两种全局哈希表，开始插入数据时默认使用哈希表1，此时哈希表2并没有被分配空间。随着数据逐步增多，开始执行ReHash。

1. 给哈希表2分配更大的空间，
2. 将哈希表1中的数据重新映射并拷贝到哈希表2中
3. 释放哈希表1的空间

（2）缓存时间戳：

业务中需要用到时间戳时，一般会使用System.currentTimeMillis()或者New Date()等方式获取系统的毫秒时间戳，每一次获取都是一次系统调用（需要调用操作系统中对应的函数，涉及上下文切换），相对比较耗时。

作为单线程的Redis承受不起，因此它由一个定时任务，每毫秒更新一次缓存，获取时间都是从缓存中直接拿。

二、Redis合适的应用场景

常用基本数据类型（5种）

名称	英文名	作用域
字符串	String	缓存、计数器、分布式Session
哈希	Hash	存放对象
列表	list	消息队列、文章列表
集合	set	标签、随机数、社交图谱
有序集合	ZSET	排行榜
Bitmaps	Bitmaps	布隆过滤器
HyperLogLog	HyperLogLog	UV

1、字符串（String）

命令的时间复杂度：

字符串这些命令中除了del、mset、mget支持多个键的批量操作，时间复杂度和键的个数相关，为O(n)，getrange的字符串长度相关，也是O(n)，其余的命令基本上都是O(1)的时间复杂度，在速度上还是非常快的。

（1）缓存

具有支撑高并发的特性，能起到加速读写的作用，降低后端压力

（2）计数器

实现快速计数、查询缓存的功能，同时数据可以异步落地到其他数据源

（3）分布式会话（共享Session）

问题：如果一个分布式Web服务将用户的Session信息保存在各自服务器中，出于负载均衡的考虑，分布式服务会将用户的访问均衡到不同服务器上，用户刷新一次访问，可能会发现需要重新登录。

解决方案：使用Redis将用户的Session进行集中管理，这种情况下只要保证Redis是高可用和扩展性的，每次用户更新或查询登录信息都直接从Redis集中获取。

2、哈希（Hash）

适用于存放对象，相较于String类型存储对象时效率开发效率更高。

3、列表（list）

用来存储多个有序字符串

（1）消息队列

lpush+brpop命令组合即可实现阻塞队列，生产环境客户端使用lpush从列表左侧插入元素，多个消费者客户端使用brpop命令阻塞式的”抢“列表尾部的元素，多个客户端保证了消费的负载均衡和高可用性。

（2）文章列表

每个用户有属于自己的文章列表，现需要分页展示文章列表。此时可以考虑使用列表，有序，且支持按照索引范围获取元素。

还可实现其他数据结构

4、集合（set）

（1）标签（tag）

例如一个用户可能对娱乐、体育感兴趣，另一个用户可能对历史、新闻感兴趣，这些兴趣点就是标签。通过这些数据可以得到喜欢同一个标签的人，这些数据对于用户体验以及增强用户粘度比较重要。

（2）随机数（抽奖活动）

（3）社交图谱

5、有序集合（ZSET）

（1）排行榜

多维度：时间、浏览量、获赞数等等。

Redis高级数据结构

6、Bitmaps

可以实现对位的操作，单独提供了一套命令，可以想象成以位为单位的数组，数组下标叫做偏移量。

（1）布隆过滤器

7、HyperLogLog

（1）UV

统计每个网页每天的UC数据，HyperLogLog提供不精确的去重计数方案，误差0.81%

三、Redis为什么6.0之前不支持多线程

1、Redis的瓶颈不是CPU，受制于内存、网络

存储于内存，快速读写网络开销大

2、提高Redis性能，Pipeline（命令批量）

每秒100万个请求包装进Pipeline

3、单线程，内部维护成本相对较低，不需要管理多线程安全

命令执行顺序不确定性，读写并发问题

4、多线程（线程切换、加锁/解锁、导致死锁问题）

5、惰性Rehash（渐进式）减少阻塞

一般的公司，单线程Redis就够了。

四、Redis为什么6.0之后引入多线程

1、小数据包。数据-》内存 响应时间 100ns 8w-10wQPS（极限）

2、针对大的公司，需要更大的QPS，IO的多线程（内部执行命令还是单线程）

3、为什么不采用分布式架构—很大的缺点。

服务器数量多，维护成本高。Redis命令 不适用 需要数据分区，无法解决热点数据读写的问题。

数据倾斜、重新分配、扩容、缩容，更加复杂。

本质：多线程任务 分摊到Redis 同步IO中，读写负载。

五、Redis有哪些高级功能

（1）慢查询

快速定位系统中的慢操作，监测发生时间、耗时、命令的详细信息。

（2）Pipeline

（3）watch命令：

确保事务中的key有没有被其他客户端修改过，才执行事务，否则不执行（类似于乐观锁）。

（4）Redis+Lua语言实现限流

（5）分布式锁

首先需要Redis有互斥的能力，可以使用SETNX命令，（即如果key不存在，才会设置它的值，否则什么也不做。两个客户端进程可以执行这个命令，达到互斥，就可以实现一个分布式锁。

锁的过期时间不好计算

解决方案：分布式锁加入看门狗

加锁时，先设置一个过期时间，然后开启**“守护线程”**，定时检测这个锁的失效时间，如果快要过期了，操作共享资源还未完成，则自动对锁进行续期，重新设置过期时间。

（6）高并发高可用

主从复制:

提供了复制功能，实现了相同数据的多个Redis副本。每个主节点可以对应多个从节点，复制的数据流只能由主节点复制到从节点。

（7）哨兵：Redis Sentinel

背景：主从复制模式下，主节点故障，需要人工将从节点晋升为主节点。

2,8版本开始提供哨兵架构解决此问题。

主从复制的问题

• 需要手动晋升子节点，同时需要修改应用方的节点地址。
• 主节点的写能力收到单机限制
• 主节点的存储能力收到单机的限制

六、为什么需要使用Redis

1、高性能

Mysql（磁盘）毫秒级

Redis（内存）微秒级

更新策略：项目启动时全量同步：热点数据

2、高并发

Mysql 并发量：1000/s

Redis 并发量：100000/s

集群架构

七、Redis的事务

回滚机制上，Redis只能对基本语法错误进行判断。运行时错误无法回滚。

八、Redis的过期策略以及内存淘汰机制

1、内存淘汰机制

• 定期删除（定时扫描策略）

  设置了过期时间的key放入独立字典，Redis默认会每秒进行十次过期扫描，不会遍历Key，而是采用简单的贪心策略。

  1. 从过期字典中随机20个key；
  2. 删除其中已经过期的；
  3. 如果过期比例超过1/4，则重复真个步骤；

  一定要注意过期时间，如果大批量key过期（雪崩），需要给过期时间设置一个时间范围，不能全部同一时间过期

• 惰性删除

  客户端访问key的时候，redis对key的过期时间进行检查，如果过期就立即删除，不会返回任何东西。

总结：定期删除是集中处理，惰性删除是零散处理。

2、过期策略

• 从库的过期策略

  没有过期扫描，被动执行。

  主库key到期时，在AOF文件里增加一条del指令，同步到所有从库。

3、缓存淘汰算法

当Redis内存超出物理内存限制时，内存数据开始和磁盘产生频繁的交换，此时性能会急剧下降。

通过maxmemory参数设置最大使用内存。

当内存超出时，Redis提供了集中策略来决定如何腾出新空间：

• Noeviction：默认情况下不淘汰。超出maxmemory时只可读、删不准写。

• volatile-lru：尝试设置了过期时间的key，最少使用的key先淘汰，没有设置过期时间的key不会被淘汰。

• volatile-ttl：key的剩余寿命ttl的值，ttl越小越优先被淘汰。

• volatile-random：淘汰过期集合中随机的key。

• allkeys-lru：淘汰的key对象是全体的key集合。

• allkeys-random：淘汰的key对象是全体的key集合中随机的key。

• LRU算法：附加一个链表，按照一定顺序排列。空间满时，会踢掉链表尾部的元素。当链表中的某个元素被访问时，它会移动到链表的表头。链表元素排列顺序相当于元素最近被访问的时间顺序。

• 近似LRU算法：Redis使用的此算法，使用LRU的原因是该链表需要消耗大量额外内存。

  在现有的数据结构上使用随机采样法来淘汰元素。给每个key增加一个额外的小字段（24bit），最后一次访问的时间戳。

  随机采样5（maxmemory–sample）个key，淘汰最旧的，重复该操作至内存低于maxmemory。

九、什么是缓存穿透？如何避免？

布隆过滤器的应用：

十、什么是缓存雪崩？如何避免？

原因：

1、Redis失效、宕机（故障）

• 搭建Redis集群，主从架构
• RDB持久化、IOF持久化
• 加入缓存组件：EHCache，搭建多级缓存（容易高并发的数据存入）
• 加入限流组件：hystrix，超过一定流量后，增加请求限制（保护数据处理层）

2、Redis大量key的ttl过期

• ttl（过期时间）岔开，增加随机值，避免同一时间全部失效。

十一、Redis如何设计分布式锁

1、概念

• 锁：同一时间只允许一个线程或者一个应用程序进入执行
• 分布式锁：必须要求Redis有【互斥】能力，可以使用SETNX命令：即key不存在了才会设置它的值，否则什么也不做。

2、问题

• 如何避免死锁

  场景：程序处理业务逻辑异常，或者进程挂了，无法释放锁

  避免方案：给锁设置租期（过期时间）

• 锁的过期时间不好评估这么办？

  加入看门狗：开启守护线程，定期检测锁的失效时间，如果快要过期了，业务还没执行完，则续期。

十二、什么是bigkey？会有什么影响？

1、概念：

key对应的value所占内存空间较大

例如一个字符串类型的value最大存到512M，一个列表类型的value最大可以存储2的32次方-1个元素。

2、字符串类型：

体现在单个value值特别大，一般认为超过10kb就是bigkey，和具体OPS相关（不同系统不同并发）。

3、非字符串类型：

哈希、列表、集合、有序集合，体现在元素个数过多。

4、危害：

• 内存空间不均匀

• 超时堵塞：单线程操作bigkey比较耗时

• 网络拥塞：每次获取bigkey产生的网络流量较大

  例如：一个bigkey为1MB，每秒访问为1000，则每秒产生1000MB的流量，普通千兆网（按照字节算是128MB/s）的服务器是灭顶之灾，而且服务器通常会采用单机多实例的方式来部署，可能会对其他实例造成影响。

5、解决方案：value拆分

十三、Redis如何解决key冲突

1、业务隔离

2、key的设计

业务模块+系统名称+关键（id），针对用户可以加入（userid）

3、分布式锁

场景：多个客户端并发写key

客户端拿到锁，才能进行操作，避免多个客户端竞争该key

4、时间戳

key拼接时间戳，根据时间戳保证多个客户端的业务执行顺序

十四、怎么提高换成命中率

1、提前加载

2、增加缓存的存储空间，增加缓存的数据

3、调整缓存的存储类型

例：对象通过Hash存储，而不用String。

根据业务做适当调整。

4、调整缓存的存储类型

• 定时任务更新
• MySQL通过检测binlog，将消息推送到Redis，更新缓存
• 通过Mq，业务更新修改数据时，通过MQ发送消息，消费更新缓存

十五、Redis持久化方式有哪些方式？有什么区别？

1、持久化：

将数据写往磁盘，可以有效避免因进程退出造成的数据丢失，下次重启时利用之前持久化的文件恢复数据。

2、RDB（Redis DataBse）：

当前数据生成快照（内存中的数据在某一时刻的状态记录）保存到硬盘的过程。

缺点：两次快照有时间间隔。

3、AOF：

已独立日志的方式记录每次写命令，重启时重新执行AOF文件中的命令恢复数据。

缺点：性能较差。

4、生产环境中一般采用混合两者的方式

如果执行bgrewriteaof命令，将内存中已有的数据以二进制格式存放在AOF文件中（模拟RDB），后续命令亦然采用AOF追加方式。

十六、为什么Redis需要把所有数据放到内存中？

1、内存访问与磁盘访问的差距：

• 几乎是10倍以上，如果不是顺序读取而是随机读取效率会相差更大
• 同时还有CPU上下文切换的开销

2、Redis通过异步，持久化将数据写入磁盘

3、随着技术的发展，硬件上来说内存也越来越便宜了

4、默认情况下，哪怕Redis内存不够了，也不会发生宕机，而是只可读不能写（Noeviction策略）

5、通过内存淘汰策略，确保整体服务正常运行

十七、如何保证缓存与数据库双写一致性？

1、新增数据类

新增数据时，数据会直接写入数据库，不用对缓存做任何操作；此时缓存没有新增数据，而数据库中是最新值。

2、更新缓存类

（1）先更新缓存，在更新DB（一般不考虑）

原因：缓存更新成功，更新数据库时出现异常，会导致数据源与缓存数据完全不一致，而且很难察觉，因为缓存中的数据一直都存在。

（2）先更新DB，在更新缓存（一般不考虑）

原因：数据库更新成功了，缓存更新失败了，同样会导致数据源与缓存数据完全不一致，也很难察觉。

3、删除缓存

（3）先删除缓存，后更新DB

问题：

两个请求：A（更新）和B（查询）

A -> 删除缓存中的数据 -> 更新数据库

B -> 查询缓存为空 -> 查询数据库 -> 补录到缓存

A -> 还未更新成功/事务还未提交，B -> 查询到的其实是数据库旧值

解决方案：

• 先淘汰缓存
• 再写数据库
• 休眠1秒，再次淘汰缓存

这个休眠的时间需要评估项目的读数据业务逻辑的耗时，确保请求结束时，写请求可以删除读请求造成的缓存脏数据。

（4）先更新DB，后删除缓存

查询：先读缓存 -> 缓存没有就读数据库 -> 取出数据放入缓存 -> 同时返回响应。

更新：先更新数据库 -> 删除缓存

4、如何选择

一般线上更多偏向于删除缓存类操作（容易避免问题）

原因：

• 删除缓存比在DB中要快，所以一般先更新DB，后删除缓存
• 问题只会出现在查询比删除慢的情况，出现率相对最少
• 同时延迟双删可以有效避免缓存不一致情况。

伪代码实现延迟双删：

redis.deykey(X)
db.update(X)
Thread.sleep(N)
redis.delKey(X)

十八、Redis集群方案

1、分布式解决方案 ：Redis Cluster

3.0版本推出

场景：单机内存、并发、流量等瓶颈

方案：

（1）客户端分区：

优点：分区逻辑可控

缺点：需要处理数据路由、高可用、故障转移等问题

（2）代理方案：

优点：简化客户端分布式逻辑，升级维护便利

缺点：加重架构部署复杂度和性能损耗

2、虚拟槽分区（0~16383）

主节点数量基本不可能超过1000个，节点连接需要不断发送ping/pong命令，消耗网络带宽

3、集群功能限制

（1）key批量操作支持有限：mset、mget仅支持相同slot值的key。

（2）key事务操作支持有限：仅支持在同一节点上的事务操作。

（3）key作为数据分区的最小颗粒度，不允许大的键值对（hash、list）映射在不同节点。

（4）不支持多数据库空间。单机为0-15（16个），集群模式仅能使用db0。

（5）复制结构仅支持一层，节点只能复制到主节点，不支持嵌套树状复制结构。

4、搭建集群

方式:

（1）Redis协议手工搭建。

（2）5.0之前有ruby语言脚本搭建。

（3）5.0之后搭建功能合并至redis–cli。

节点数至少奇数点个，官方推荐三主三从。

十九、Redis集群方案什么情况下会导致整个集群不可用？

A、B、C三个节点集群，B节点失败（主故障，且没有替代方案）整个集群都是不可用的。

集群不可用判定：

保护措施：默认情况下当16384个槽点任何一个没有指派到节点时，整个集群不可用。

主节点下线->故障发现->自动完成转移期间，整个集群为不可用状态。

可用通过设置cluster–require–full–coverage配置为no：主节点故障时，不影响其他主节点的可用性。

二十、Redis集群会有写操作丢失吗？为什么？

Redis无法保证数据的强一致性

一般只能向主节点写入数据，再异步同步到子节点

此时如果响应给客户端后还未异步同步成功时，主节点宕机了，子节点升至主节点，此时就会出现写入操作丢失。

二十一、Redis常见性能问题和解决方案

1、持久化 性能问题

早期仅支持全量复制->部分复制（一台机器性能开销过大）

因此开始配置主从 ：主节点不再做持久化而是交给从节点来做

2、数据比较重要，开启AOF。策略最好配置每秒同步。

3、主从复制 流畅，建议同一个局域网内操作，负责网络开销过大

4、尽量避免主库压力过大，增加从库

5、主从复制 尽量不要使用网状结构、线性结构

二十二、热点数据和冷数据

1、热数据

访问频次较高，考虑使用缓存Redis

地图信息

点赞数、收藏数、分享数（不断变化）同步Redis

数据更新之前至少读取2次才能放缓存

2、冷数据

访问频次少

不需要放缓存

二十三、什么情况下可能会导致Redis阻塞

1、客户端阻塞

命令执行时间过长： keys* Hgetall smembers 时间复杂度O(N)

2、BIGkey删除

需要释放大量占用内存 zset（100万的元素 删除大概需要2s）

3、清空库

flushdb flushall 涉及删除所有键值对

4、AOF日志同步写，记录AOF日志

大量写的操作

1一个同步写磁盘操作大概耗时1~2ms

5、从库 加载RDB文件

RDB文件过大

6、Redis尽量部署在独立的服务器中

二十四、线上Redis响应慢处理思路

• 1、紧急处理方案，扩容

• 2、生产环境查看Redis内存使用率，分析一定时间段内key数量变化

  分析是否是大量数据未设置过期时间，或者是因为新版本迭代引起

• 3、清除bigkey，优化生成bigkey的代码块，调整未设置过期时间的代码块

• 4、根据业务场景调整淘汰策略