“我不会让我的梦想成为像天上的月亮一样遥不可及的遗憾，我不希望人生有太多这样的遗憾”🌹

目录

Redis五种常见的数据类型的特点以及应用场景？

谈谈你对跳表的理解？

Redis的过期删除策略是什么？

Redis的内存淘汰策略是什么？（注意与过期删除策略进行区分）

什么是缓存雪崩、缓存击穿、缓存穿透？各自的解决方案是什么？

布隆过滤器的原理是什么？缺点与优点？

参考资料：跳表 、图解redis

Redis五种常见的数据类型的特点以及应用场景？

string：

• 介绍：常见的key-value型数据类型
• 内部实现：int和SDS（简单动态字符串，可保存文本数据和二进制数据）
• 应用场景：缓存对象、常规计数、分布式锁、共享session

list：

• 介绍：有序列表，按照插入顺序排序
• 内部实现：双向链表或压缩列表
• 应用场景：消息队列。使用LPUSH+RPOP实现消息保序；使用BRPOP实现消息的阻塞式读取（队列中有消息时并不会通知消费者，消费者会不断调用RPOP）；使用BRPOPLPUSH实现了消息的可靠性（消费者在读取消息时可能会发生宕机，所以在读取时先插入另一个list作为备份） 
• 缺点：无法支持多个消费者读取同一条消息

hash：

• 介绍：key-value型，但是不同于string，hash的value又分为两部分：filed和value
• 内部实现：压缩列表或哈希表
• 应用场景：缓存对象、购物车

set：

• 介绍：无序列表，不会按照插入顺序进行排序，且会对列表内重复元素进行去重
• 内部实现：哈希表或整数集合
• 应用场景：用户点赞（一个用户只能点一个赞）、共同关注（交集）、抽奖活动（一个用户只能被抽中一次）

zset：

• 介绍：有序集合，不能有重复成员
• 内部实现：压缩列表或跳表
• 应用场景：排行榜、电话或姓名排序

谈谈你对跳表的理解？

定义：跳表是一种类似于链表的数据结构，其插入、查找、删除的时间复杂度都是O（logN），实际上基于一种事件换空间的思想

特点：

• 由许多层组成
• 每一层都是一个有序的链表
• 每一个节点不仅指向同层的下一个节点，还指向下层的节点 
• 最下层的链表包含了所有的元素

Redis的过期删除策略是什么？

惰性删除和定期删除

惰性删除：

• 定义：每次从数据库中访问key，才会判断这个key有没有过期；如果过期则进行删除
• 优点：在访问时才会进行删除，所以对CPU友好
• 缺点：如果某个过期key没有被访问到，那么在被访问之前会一直占用内存

定期删除：

• 定义：每次从数据库中抽取一定数量的key进行检查，并删除过期key
• 检查频率：默认每秒十次
• 执行过程：先从数据库中抽取一定数量的key进行检查，如果过期key数量与抽取数量的比值大于四分之一，那么就继续抽取；否则就等待下一轮检查

Redis的内存淘汰策略是什么？（注意与过期删除策略进行区分）

内存淘汰策略可以分为不进行数据淘汰和进行数据淘汰两种策略

不进行数据淘汰：

• noeviction，当内存已经被占满时，redis抛出OOM异常，停止工作

进行数据淘汰：又分为在已经设置过期时间的键中进行淘汰和在所有键中进行淘汰

在设置过期时间的键中进行淘汰：

• volatile-random：在已设置过期时间的键中进行淘汰
• volatile-ttl：淘汰最早过期的键值
• volatile-lru：在已设置过期时间的键中，淘汰最近最久未使用的
• volatile-lfu：在已设置过期时间的键中，淘汰最少使用的

在所有键中进行淘汰：

• allkeys-random：在所有键中随机淘汰
• allkeys-lru：在所有键中，淘汰最近最久未使用的
• allkeys-lfu：在所有键中，淘汰最少使用的

什么是缓存雪崩、缓存击穿、缓存穿透？各自的解决方案是什么？

缓存雪崩：

• 大量数据在同一时间过期或者redis发生故障宕机，此时有大量请求到达，由于无法在redis层进行处理，于是所有的请求都会到达数据库，从而导致数据库压力骤增，严重的话可能导致数据库宕机从而产生连锁反应，导致整个系统崩溃

解决方案：

• 针对数据在同一时间过期：1、均匀设置过期时间，在设置过期时间时给过期时间添加一个随机数。2、使用双key策略，双key分为主key和备key，给主key设置过期时间，但是不给备key设置过期时间，当主key过期时，直接返回备key
• 针对redis故障宕机：1、使用服务熔断机制或请求限流，当有大量请求到达redis时，redis无法处理，可以直接返回错误，使请求不再访问数据库，redis恢复正常之后，再允许业务访问；只将少部分请求进行处理，再多的请求就直接在入口处拒绝。2、构建redis集群，当主节点故障之后，使用从节点替代

缓存击穿：

• 某个热点数据过期，此时有大量请求访问该热点数据，无法从缓存中读取，所有请求就会到达数据库，导致数据库压力骤增

解决方案：

• 互斥锁：保证同一个时间只能有一个业务更新缓存
• 不给热点数据设置过期时间，如果热点数据被淘汰，使用消息队列通知后台线程

缓存穿透：

• 用户所访问的数据既不在缓存中，也不在数据库中，大量的请求出现时，会穿过缓存层去访问数据库，导致数据库被击垮

解决方案：

• 对非法请求进行限制，在API入口处判断是否有非法参数，如果有则进行拦截
• 缓存空值或默认值，如果发现缓存穿透现象，则直接在缓存层中缓存一个空值或默认值，后续请求到达时，直接返回
• 使用布隆过滤器来快速判断数据是否存在，避免请求直接查询数据库

布隆过滤器的原理是什么？缺点与优点？

布隆过滤器由初始值都为0的位图数组和N个哈希函数组成，当写入数据库时，先在布隆过滤器中做一个标记，等查询这个数据时，先到过滤器中进行查询

执行过程：

• 先由N个哈希函数对数据做哈希计算，得到N个哈希值
• 用这个N个哈希值对位图数组的长度进行取模运算，得到N个值
• 将这N个值在位图数组中对应的的位置设置为1

因为布隆过滤器使用到了哈希函数，所以存在哈希冲突；但是，使用布隆过滤器进行查找比较高效，如果布隆过滤器说数据存在，那么数据库中可能不存在这个数据；但是如果说不存在，那么数据库中就一定不存在这个数据

 整理面经不易，觉得有帮助的小伙伴点个赞吧~感谢观看~