1 基础问题

1.1 有用过Redis吗？介绍下【Redis是什么？

Redis是一个C语言编写开源工具，其可以作为NoSQL数据库、缓存和消息中间件，其底层主要是基于内存管理数据，有比较出色的性能，所以Redis一般被用于高速读写的应用场景。

1.2 Redis支持哪些存储数据类型？

Redis共支持8中数据类型，基础数据类型包括：String、LIst、Set、SortSet、Hash；特殊数据类型包括：位图（bitmap），超日志（hyperLogLog），地图索引（Geo）

1.3 Redis Set 和 SortSet区别是什么？

1. Set和SortSet都是集合，都是存储不重复的元素。在SortSet中，每个元素都有一个对应的分数，SortSet会对存储的元素进行分数排序。
2. 使用场景不同，Set主要是对元素快速去重，SortSet则是需要元素排序的场景，例如排行榜等

1.4 SortSet 怎么实现有序的？

Sort底层采用的数据结构是哈希表+跳表，跳表本身就是一个有序列表，所以SortSet是有序的。

跳表数据结构：

1.5 Redis为什么那么快？

Redis之所以这么快，主要取决于以下因素：

• Redis数据模型是基于内存管理的
• Redis数据结构简单
• Redis 采用单线程来处理主要的响应命令，避免了多线程的上下文切换和锁竞争的开销。虽然单线程可能听起来会限制性能，但在Redis的场景中，由于CPU并不是Redis的主要性能瓶颈，且单线程可以避免多线程带来的复杂性和开销，因此Redis的单线程模型反而能够提高其性能。
• IO多路复用，对于一些耗时操作采用多线程管理，但是底层数据处理采用的是单线程。

1.6 Redis为什么要设计为单线程？

首先，Redis的单线程只是针对命令响应处理，对于一些网络操作，则是多线程。对于命令的处理，之所以采用单线程，主要有以下原因：

• 简化数据处理操作，避免线程上下文切换带来的CPU额外消耗
• 避免锁竞争，保证数据安全和连续性
• Redis主要性能瓶颈在于网络IO，而不是CPU

1.7 Redis 6.x以后，为什么要把 Redis 改为多线程模式？

并没有全部改为多线程模式，而是只将IO操作改为多线程。因为Redis是基于内存操作的，在实际应用中，性能瓶颈不在于CPU，而是在于IO访问。

1.8 Redis数据淘汰机制有哪些？【Redis内存淘汰策略有哪些？】

Redis的数据只有达到配置内存上限，才会使用内存淘汰

Redis总共提供了九种淘汰策略，分别是：

• noeviction：默认策略，内存写满后，拒绝写操作
• volatile-random：从设置过过期时间的数据中，随机挑选已经过期的数据进行淘汰
• allkeys-random：随机淘汰数据
• volatile-lru(Least Recently used)：从设置过过期时间的数据中，淘汰最少使用的数据
• allkeys-lru(Least Recently used)：淘汰最少使用数据
• volatile-ttl(Time to live)：从设置过过期时间的数据中，淘汰即将过期的数据
• allkeys-ttl(Time to live)：淘汰即将过期的数据【随机挑选数据，然后从这批数据中挑选过期时间最短的数据淘汰】
• volatile-lfu(Least-Frequently-used)：从设置过期时间的数据中，淘汰最不经常使用的数据
• allkeys-lfu(Least-Frequently-used)：淘汰最不经常使用的数据

1.9 LFU算法和LRU算法的区别是什么？

两者的区别就在于其基本思想，如下：

• LFU算法基于“最近不常使用原则”，即认为使用次数最少的数据在未来被访问的可能性也较小。因此，当缓存空间不足时，LFU算法会选择淘汰使用次数最少的数据。
• LRU算法基于“最近不使用原则”，即认为最近被访问的数据更有可能在将来再次被访问，而较长时间未被访问的数据则在未来被访问的可能性较小。因此，当缓存空间不足时，LRU算法会选择淘汰最近最少使用的数据。

1.10 Redis怎么给key设置过期时间？

给key设置过期时间，可以使用EXPIRE、PEXPIRE、EXPIREAT和PEXPIREAT命令来给key设置过期时间。也可以通过一些命令，在插入数据时，直接设置key过期时间，例如setex命令。

expire：expire mykey timeout，时间单位为妙
pexpire: pexpire mykey timeout，时间单位为毫秒
expireat：expireat mykey timestamp，timestamp是unix时间戳，表示在这个timestamp时间戳key过期，单位是按秒计算
pexpireat：pexpireat mykey timestamp，和expireat类似，但单位是毫秒

1.11 Redis怎么查看key的剩余存活时间

可以通过TTL和PTTL命令查看key的剩余生存时间（TTL，Time To Live）。如果key不存在或没有设置过期时间，TTL将返回-2，如果key存在但没有设置过期时间，则返回-1。PTTL命令的行为与TTL类似，但返回的是毫秒级的剩余生存时间。

1.12 Redis怎么持久化数据？

Redis的持久化数据主要通过两种方式实现：RDB（Redis Database Backup file）和AOF（Append Only File）。这两种方式各有特点，可以根据实际需求选择使用或结合使用。

• RDB持久化：
  • 概念：RDB是基于内存快照来实现数据持久化的，底层会开一个守护线程，会周期性的将内存数据写入到磁盘中，生成一个二进制dump.rdb文件。反持久化的时候，只需要同步dump.rdb文件即可。
  • 触发方式：两种触发方式，一种是手动命令触发，例如使用save命令；第二种事自动触发，在Redis配置文件中，可以配置持久化的触发方式和触发周期。
• AOF持久化：
  • 概念：AOF是基于记录Redis命令来持久化的，底层会将所有的更新命令操作会以app的方式添加到一个文件的末尾。反持久化的时候，会读取AOF文件，执行里面的命令。

1.13 AOF有几种写入模式？

三种写入模式，分别是：

• always：每条命令都会同步实时写入到AOF文件中，安全性最高，性能最差
• no：写入交由操作系统控制，安全性最差，性能最高
• everysec：每秒写入一次，安全性和性能是前两种的折中

1.14 AOF和RDB的区别是什么？

AOF和RDB都是Redis持久化手段，两者区别主要在于实现方式、性能、安全性方面，如下：

1. 实现方式：AOF是通过记录命令来实现持久化，RDB则是通过内存快照来实现持久化。
2. 性能方面：在持久化过程中，AOF比RDB性能更快，反持久化过程中，RDB则比AOF更快。性能消耗方面，RDB一般采用的是子进程来同步内存快照，性能消耗较AOF较小。
3. 安全性方面：AOF比RDB安全性更好。

1.15 save命令和bgsave命令有什么区别？

save和bgsave命令，都是Redis的持久化命令，两者主要在性能和执行方式上有所区别。

• save会阻塞主进程，拒绝接受网络IO操作【客户端访问操作】，会等主进程对内存信息备份完后，才会接受释放主进程。一般情况下，save命令主要是用来做Redis调试，多在测试环境中使用。
• bgsave不会阻塞主进程，会根据主进程fork一个子进程，主进程继续响应IO操作，不会阻塞，所有的备份操作都交给子进程。子进程备份完成后，会通知主进程销毁。一般情况下，bgsave命令主要在生产环境中使用。

1.16 AOF的优缺点是什么？【为什么使用AOF？】RDB的优缺点是什么？【为什么使用RDB？】

1.17 Redis怎么做消息队列？

Redis可以通过List数据结构实现消息队列，发布者给List尾部添加元素，订阅者可以从头部获取元素。这种方式虽然简单，但是缺点也很明显，一个消息只能被一个消费者消费。
此外，Redis提供了**发布/订阅**机制，允许消息发布者将消息发送到消息通道中，然后再分配给其他消费者订阅使用。不过这种模式有个缺点是，不支持消息持久化，消费者一旦断联，很可能引起发送期间，消息丢失。
其实Redis并不适合做消息队列，可以用其他的MQ工具代替，例如rocketMQ，kafka等。

1.18 Redis事务

1.18.1 什么是Redis事务？

Redis事务指——将多个命令加入到一个队列中，这些命令是有序的，事务执行开始后，会将这些命令一个一个执行，直到执行完毕。与传统的RDB事务不同，Redis事务缺乏_原子性和隔离性_，即Redis在事务执行过程中，如果某个命令执行失败，事务的执行结果并不会回滚；**隔离性**则是在事务执行过程中，其他事务仍然可以对元素进行读写操作。

1.18.2 Redis事务怎么使用？

Redis相关的命令包含五个，分别是：multi、exec、discard、watch和unwatch。其中multi开启事务，exec执行事务，discard放弃事务执行，watch监控元素，unwatch取消监控。

watch用于监视一个或多个键，如果在事务执行之前这些键被其他命令所改动，那么事务将被打断。当不再需要监视任何键时，可以使用unwatch命令取消监视。

1.18.3 Redis事务有什么特点和缺点？

特点与缺点也是相互的，其特点如下：

1. 批量操作，支持多个命令打包成一个事务，一起操作
2. 无回滚，事务命令中某一条执行失败，并不会回滚其他事务已经执行的操作
3. 事务之间无隔离，事务正在操作的元素，也可以被其他事务操作

缺点也很明显，如下：

1. 不保证原子性
2. 事务执行过程中，会阻断IO网络操作
3. 持久化过程中，如果系统崩盘，可能会导致事务持久化信息丢失

1.18.4 怎么解决Redis事务的缺点？

对于Redis的事务缺点，主要集中在**不保证原子性和_网络IO阻塞_问题上。
对于不保证原子性**，可以采用如下方法解决：

• 可以通过分布式锁的思想，将事务的封装和操作集中在服务端，事务在执行之间先获取分布式锁，如果获取成功，则继续执行，失败则拒绝处理。

对于_网络IO阻塞_问题，可以采用如下方法解决：

• 网络阻塞的问题，一般是事务执行耗时比较长引起的，也就是大事务。可以将大事务拆分成多个小事务执行，从而避免IO阻塞。如果事务无法拆分，可以从硬件方面解决，例如采用主备库等策略，将读写隔离，一个机器被阻塞，其他机器仍然可以继续工作。

1.19 发布Redis命令时，Redis是怎么处理的？

Redis底层采用了多线程进行了网络IO服用，所有的线程接到命令后，会将命令发布到事件池中。Redis底层会开一个单线程来处理这些命令，等命令处理完成后，会将处理结果反馈给IO线程。

2 生产问题

2.1 Redis慢查询怎么解决？

Redis慢查询要先分析其原因，确定问题节点，只有找到问题节点才能解决慢查询问题。一般情况下，可以查看API接口链路，找到Redis的访问节点，也就是那个机器变慢了。

1. 排查问题节点：
   1. 排查网络问题，是不是网络延迟，网络抖动等问题引起的慢查询。可以用redis-cli -h ip --intrinsic-latency 60查询实例60秒内，每秒访问响应时间。如果的确平均响应时间超过了慢查询阈值，那么可以确定该Redis节点的确变慢了。
   2. 查看Redis的slowLog慢操作日志，找出最近的操作命令。通过这个日志，可以确定那个时间点，执行了什么样的命令比较耗时。
2. 慢查原因分析和解决：
   1. 硬件相关问题：
      1. 网络IO问题：假如Redis的节点超过网络IO链接上限，可能会导致查询变慢。比如Redis单个实例QPS等于2W，结果某个时刻QPS等于10W，这个时候查询就会变慢。解决这个问题的方法也很简单，横向扩容机器，提升Redis整体负载。
      2. 内存不足：Redis有内存扩展机制，在直接内存不够的情况下，会使用交换内存，也可以说叫虚拟内存。虚拟实际就是磁盘，对于磁盘的访问肯定比直接内存慢。解决该问题的办法也很简单，增加直接内存大小，或者调整存储上限和回收策略，避免使用虚拟内存。
      3. 缓存雪崩和缓存穿透：这两个问题虽然不常见，但是也可以导致查询缓慢。表象是查询缓存Redis变慢了，实际是查询了数据库导致。解决这种问题很简单，尽量让数据保持活性，换句话来说，就是尽量使用缓存。雪崩可以用设置过期时间来解决，穿透可以用布隆过滤器等解决。
      4. 持久化策略不当：如果采用RDB来持久化Redis数据，RDB有两种方式，一种是save，直接用主进程来备份Redis数据，这个过程中，主进程是阻塞的。第二种是bgsave，会fork一个子进程，来备份数据，但是子进程会占用CPU资源，也会导致数据变慢。如果采用AOF来持久化，AOF存在刷盘和rewrite行为，这些行为也会导致Redis查询变慢。解决持久化问题的话，就是配置合理的Redis持久化策略，尽量避免持久化对Redis查询影响。例如采用RDB持久化可以放到Slave机器上，AOF持久化放到master上，AOF刷盘策略配置为everysec等。
   2. 程序相关问题：
      1. Redis大Key：大Key会增加网络IO传输时长，导致Redis访问变慢。解决套路也是解决大key思路，比如大key拆小key等。
      2. Redis事务：用Redis事务也会导致查询慢问题，Redis事务是一个命令包裹，如果事务里面命令过多，也会导致慢查询。不过这个一般不存在，没人会在事务中查询数据，忽略。
      3. 使用了函数：Redis的查询基本上时间复杂度都是O(1)，但是对于一些复杂函数操作，例如Sort、Sum等，就会增加时间复杂度，导致慢查询问题。解决思路就是，避免使用复杂函数，操作交给服务端来执行。

慢查询还是比较蛋疼的问题，需要分析逼逼一大堆，但是实际场景中，基本上都是硬件问题，配置这些，都有专门配套的模板使用。

2.2 Redis大key问题怎么解决？

这个问题比较常见，查Bigkey的方式也很简单，利用Scan命令，加上 --bigkeys参数即可。一般Scan命令会阻塞Redis，所以建议在从库上执行。如果没有从库，建议直接查看RDB文件，反解该文件信息。如果采用的不是RDB持久，那就重新拉个机器，再去Scan。

解决Redis bigkey问题，可以从两个方向入手，第一个方向是bigkey产生之前加以预防，第二个方向是解决已经产生的bigkey。
预防主要从以下几个方面考虑：

1. 合理拆分数据，避免过多的数据都集中在一个key中。例如，将hash结构中，可以将hash key先拆分，然后再将value放入到合适不同的hash key中。【很简单的例子，hash的结构是，key - entry<key, value>，将entry<key, value>中的key按一定规则拆分，然后拼接为 key_xx - entry<key, value>即可】
2. 给key设置过期时间，避免数据累积导致bigkey产生。例如，set结构中，如果不设置过期时间，set中数据会不停累积，累积时间长了会产生bigkey
3. 限定元素数量：在set、SortSet和hash这种类似集合的数据结构中，一般bigkey就是因为元素数量太多引起的。限定集合中的元素数量，可以解决bigkey问题。
4. 监控和告警：监控Redis内存使用情况，有bigkey产生的话，就及时处理。

解决已经产生的bigkey：

1. 拆分：bigkey拆分生多个minorKey管理。例如Redis存储的是全国各地的省城市信息，可以按省拆分成多个key，这样bigkey会变成minorKey。
2. 合理的数据结构：对于hash结构，有些人会用hash存储一些Boolean值，对于这些可以用bitmap(位图)来代替，压缩数据空间，从而解决bigkey问题。
3. 使用异步删除，定期清理bigkey。【unlike代替del命令，可以异步删除bigkey】
4. 压缩数据：对于String字符串数据，可以在放入Redis之前进行压缩，这样就可以解决bigkey问题。

2.3 Redis作为缓存，常用的缓存模式有哪些？【常见的三种缓存读写策略了解吗？】

数据访问流程

Redis作为缓存，常用的缓存模式主要有三种，分别是：

• Cache-Aside-Pattern（旁路缓存模式）：
  • 写：先更新数据库，再更新缓存
  • 读：先读取缓存，读取不到从数据库读，然后将读取的信息更新到缓存
  • 优点：降低数据负载，易于扩展，提高服务性能
  • 缺点：存在数据一致性问题，因为缓存一般是同步数据库的binLog日志，同步存在时差。
• Read/Write-Through-Pattern（读写穿透模式）：
  • 写：先查缓存是否有该key信息，如果有，先更新缓存，再更新数据库；如果没有，直接更新数据库。
  • 读：先读取缓存，读取不到从数据库读，然后将读取的信息更新到缓存
  • 优点：查询性能最优
  • 缺点：容易丢失数据，因为写的模式，如果缓存写成功了，数据库写失败了，就会丢失数据了
• Write-Behind-Pattern（异步缓存模式）
  • 写：先更新缓存，将更新信息写入页，然后异步将页信息更新到数据库
  • 读：先读取缓存，读取不到从数据库读，然后将读取的信息更新到缓存
  • 优点：写入性能最优
  • 缺点：容易丢失数据，比Read/Write-Through-Pattern更严重，因为Read/Write-Through-Pattern也是同步更新缓存和数据库的，即使数据库断联，一般可以急时发现。但是此模式，是按页批量写入数据库的，如果数据库挂了，不一定能即使发现，会造成数据丢失。

相比较而言，Cache-Aside-Pattern更适合数据安全性要求较高的场景，一般是业务开发时会用。Write-Behind-Pattern则是对读写响应速率比较高的场景，一般都是中间件在用。Read/Write-Through-Pattern是前面两种场景的折中权衡。

2.4 Redis缓存击穿问题怎么解决？

Redis缓存击穿指——大量请求访问缓存，但缓存上不存在该数据，所以就导致所有的请求最终访问到了数据库。根据这个问题的根因，解决办法一般有如下几种：

• 缓存全部数据，并且不设置过期时间，例如缓存全国省-城市信息
• 提前预热，对热点数据提前先放入到缓存中，避免访问时造成击穿问题，例如带货直播、电商秒杀
• 避免多请求打入数据库，设置分布式锁，在访问同一个数据时，先获取锁，如果获取不到就等待，或者直接失败。【锁一般表示有请求读DB了，读完DB会将数据重新写入到缓存的，下次就快了】

一般我是建议，根据数据量，使用场景来判断怎么解决。

2.5 Redis缓存雪崩问题怎么解决？

Redis缓存雪崩——大量请求访问缓存，但由于缓存中大量数据过期时间已经到达，导致数据删除。所以请求最终会访问到数据库，给数据库造成压力。解决办法也很简单：

• 不设置过期时间，这种就属于常驻数据，例如缓存全国省-城市信息
• 设置随机过期时间，例如缓存写入数据时，在基础的时间范围上，加一个随机时长，避免数据同一时间大量过期
• 合理设置过期时间，例如带货直播场景中，该商品肯定是在直播期是热点数据，可以将该商品缓存时间设置为大于等于带货直播时长。

2.6 Redis缓存穿透问题怎么解决？

Redis缓存穿透——大量请求访问缓存，缓存中没有该数据，数据库中也没有该数据，就导致访问了一个空数据。这种一般是恶意攻击居多，很少发生这种情况，不过如果发生了，根据根因，解决办法有如下几种：

• 设置分布式锁，降低DB和缓存访问水位，不过一般设置在缓存和DB之间
• 限流，识别访问的IP信息，直接拉黑，避免该IP多次访问
• 布隆过滤器，可以利用布隆过滤器判断访问的Key是否在缓存中，DB中也有布隆过滤器索引，如果布隆过滤器判断不存在，就直接fast-fail

2.7 Redis查询阻塞的遇到过吗？怎么解决？

Redis查询阻塞一般指网络IO阻塞，具体的原因有很多种，常见的有两种：

1. Redis负载不足，例如一个Redis实例机器只能处理1000QPS，但是此刻QPS达到了1000以上，比如2000，那么此刻Redis查询就是被阻塞。针对这种情况，解决办法也很简单，要么扩容机器，要么IO限流。
2. Redis在持久化的时候，会短暂的阻塞，比如RDB模式下，如果在fork主进程中，就会陷入阻塞。这种解决办法的话，就是配置合理的持久化参数，所有的持久化操作尽量在Slave机器上执行。

至于其他原因，基本上不是什么大问题

2.8 怎么提升Redis查询性能？

这个问题问的很泛，提升Redis查询性能有很多种手段，这个还是建议在回答的时候，仔细和面试官确定场景

提升Redis查询性能，可以从很多方面入手，但常见的两种手段如下：

• 硬件方面：
  • 提升机器性能，即提升机器硬件，这样可以从物理层面直接提升Redis查询性能。
  • 采用分布式部署，Redis集群可以分摊查询压力，在高并发场景中，可以很好的提升性能。
  • 采用master-Slave模式，分摊查询压力，可以提升查询性能。
• 软件方面：
  • 合理的设计数据结构，对于一些二象性（0或1，yes或no）数据，可以采用位图bitmap方式存储，提升查询性能。
  • 合理设置持久化策略，避免持久化长期阻塞Redis

2.9 Redis主备库数据怎么同步？

偏移量+写日志，先复制主库全部数据，然后记录一个偏移量。等待主库进行写操作时，监听主库的写日志，将写日志信息同步给从库，从而让从库同步更新数据。

2.10 Redis主备数据延迟会导致什么问题？

主备数据延迟主要值得是master同步Slave数据信息延迟，一般情况下采用master-Slave结构的服务器，主要是解决服务负载问题的。主备数据延迟一般会导致如下几个问题：

• 数据不一致，这是表象现象，master和Slave的数据会发生不一致现象。
• 降低系统可用性，由于主要是读取Slave数据，Slave数据可能不一致，或者缺失，导致查询时需要去数据库查询，或者直接失败（fast-fail）。这会降低系统可用性，影响系统整体性能，或者说影响业务。
• 备份数据丢失，如果是Slave上备份数据，可能会丢失数据。

怎么解决数据延迟？

• 优化网络环境：确保master和Slave之间的网络连接稳定且带宽充足，以减少网络传输延迟。
• 合理配置Redis参数：通过调整Redis的复制相关参数（如repl-backlog-size、repl-timeout等），优化复制过程的性能和稳定性。
• 增加Slave数量：通过增加Slave的数量来分担单个Slave的复制压力，同时提高系统的读取性能和可用性。但需要注意的是，增加Slave也会增加系统的复杂性和维护成本。
• 使用哨兵模式或集群模式：通过引入哨兵模式或集群模式来提高系统的高可用性和容错能力。这些模式可以自动检测和处理master的故障，并在必要时进行主从切换或数据重分布。

2.11 Redis怎么实现分布式锁？

分布式锁需要保证全局唯一，要求多个客户端同时加锁时，只有一个成功。一般实现锁的方式，主要有如下几种方式：

• String+expire：利用String和expire给k-v设置过期时间，多个客户端加锁时，直接读取k-v健即可。
• 利用一些Redis框架，比如redlock、Redisson等，加分布式锁。

3 Redis特殊数据类型

3.1 Bitmap 怎么存储数据？

位图bitmap不是Redis基本的数据类型，而是字符串数据类型的升级，主要存储的是二进制数据0和1。由于字符串最大可存储512M数据，所以位图bitmap也可以存储相同大小的数据。

3.2 Bitmap 应用场景？

位图主要是存储的一些0和1数据，对于一些数据统计，数据结果判断归档很有用。例如：用户签到、活跃统计等。

3.3 HyperLogLog 怎么存储数据？

HyperLogLog是一种用于估算非常大的集合的基数的概率算法，它不需要存储集合中的所有值，而是使用固定大小的数据结构来近似计算集合中不同元素的数量。HyperLogLog算法通过哈希函数和概率统计的方法来实现数据的概率计算。

3.4 HyperLogLog 应用场景？

主要是概率计算，数据统计等方面有用，常用的场景包括：博文数据统计、热门帖子访问量统计等

3.5 Geospatial 怎么存储数据？

Geospatial存储的是地理位置信息，地理位置可以由三个信息点组成，分别是经纬度+海拔高度，底层是由Sorted Set实现的。

3.6 Geospatial 应用场景？

Geospatial可以存储地理位置，对于一些游戏场景中很有用，可以搜索一定范围内GEO数据，即附近的人。还有其他地理图中，可以探索最近周围数据信息。