1. 什么是Redis
1.1. 为什么需要Redis
数据从单表演进出分库分表，MySQL从单机演进出集群。随着数据量增长、读写数据压力不断增加，MySQL实时查询在高QPS场景下无法支撑。
QPS（Query Per Second）：每秒请求数，就是说服务器在一秒的时间内处理了多少个请求
如果数据能从内存中读取，速度是很快的
于是数据分冷热，将热数据（经常被访问到的数据）存储到内存中。
1.2. Redis基本工作原理
- 数据从内存中读写
- 数据保存在硬盘上防止重启数据丢失
- 增量数据保存到AOF文件
- 全量数据保存到RDB文件
- 单线程处理所有操作命令
2. 常用数据结构及应用场景
2.1. 动态字符串SDS
Redis中保存的Key是字符串，value往往是字符串或者字符串的集合。可见字符串是Redis中最常用的一种数据结构。
不过Redis没有直接使用C语言中的字符串，因为C语言字符串存在很多问题：获取字符串长度的需要通过运算；非二进制安全；不可修改。Redis构建了一种新的字符串结构，称为简单动态字符串（Simple Dynamic String），简称SDS。
一个包含字符串“name”的sds结构如下：
SDS之所以叫做动态字符串，是因为它具备动态扩容的能力，例如一个内容为“hi”的SDS：
假如我们要给SDS追加一段字符串“Amy”，这里首先会申请新内存空间：
如果新字符串小于1M，则新空间为扩展后字符串长度的两倍+1；
如果新字符串大于1M，则新空间为扩展后字符串长度+1M+1，称为内存预分配。
优点：
- 获取字符串长度的时间复杂度为O(1)
- 支持动态扩容
- 减少内存分配次数
- 二进制安全
使用场景： 存储计数，session
2.2. List
QuickList由一个双向链表和listpack实现
Listpack结构
如果num-elements=65535则个数未知，获取元素个数需要fully scan
使用场景： 消息通知
2.3. Hash结构 Dict
Dict由三部分组成，分别是：哈希表（DictHashTable）、哈希节点（DictEntry）、字典（Dict）
图示说明：
- dict
- ht[0]：当前数据的哈希表
- ht[1]：空哈希表，rehash时使用
- rehashidx：rehash的进度（渐进式rehash槽位索引），0表示从槽位0开始rehash，-1表示rehash结束（未进行）
- dictht
- table：指向entry的指针
- size：哈希表大小
- sizemark：哈希表大小的掩码，总等于size-1
- dictEntry
- key：键
- val：值
- next：下一个Entry的指针
- rehash：rehash操作是将ht[0]中的数据全部迁移到ht[1]中。数据量小的场景下直接将数据从ht[0]拷贝到ht[1]速度是较快的。数据量大的场景，例如存有上百万的KV时，迁移过程将会明显阻塞用户请求。
- 渐进式rehash：为避免出现这种情况，使用了rehash方案。基本原理就是，每次用户访问时都会迁移少量数据。将整个迁移过程，平摊到所有的访问用不请求过程中。ht[0]槽位不够用时，需要扩容。每次用户请求到达扩容一部分key，扩容后的数据迁往ht[1]。扩容完毕后，ht[0]指向ht[1],ht[1]改为NULL
使用场景： 计数（例：一个用户有多项计数需求，如浏览量、粉丝数等，可以通过hash结构存储）
2.4. zset结构 zskiplist
SkipList（跳表）首先是链表，但与传统链表相比有几点差异：
- 元素按照升序排列
- 存储节点可能包含多个指针，指针跨度不同。
typedef struct zskiplist {
// 头尾节点指针
struct zskiplistNode *header, *tail;
// 节点数量
unsigned long length;
// 最大的索引层级，默认是1
int level;
} zskiplist;
typedef struct zskiplistNode {
sds ele; // 节点存储的值
double score;// 节点分数，排序、查找用
struct zskiplistNode *backward; // 前一个节点指针
struct zskiplistLevel {
struct zskiplistNode *forward; // 下一个节点指针
unsigned long span; // 索引跨度
} level[]; // 多级索引数组
} zskiplistNode;
2.5. 限流
要求1秒内放行的请求为N，超过N则禁止访问。对这个key调用incr，超过限制N则禁止访问。
图：1秒内放行的请求为1，超过1的禁止访问
2.6. 分布式锁
并发场景，要求一次只能有一个协程执行。执行完成后，其它等待中的协程才能执行。
可以使用redis的setnx实现，利用了两个特性
- redis是单线程执行命令
- setnx只有未设置过才能执行成功
3. 使用注意事项
3.1. 大Key
3.1.1. 定义
| 数据类型 | 大Key标准 |
|---|---|
| String类型 | value的字节数大于10KB即为大key |
| Hash/Set/Zset/Iist等复杂数据结构类型 | 元素个数大于5000个或总value字节数大于10MB即为大key |
3.1.2. 危害
- 读取成本高
- 容易导致慢查询（过期、删除）
- 主从复制异常，服务阻塞，无法正常响应请求
- 业务侧使用大key表现：请求Redis超时报错
3.1.3. 消除方法
- 拆分：将大key拆分成小key（如：一个String拆分成多个String）
- 压缩：将value压缩后写入Redis，读取时解压后再使用。压缩算法可以是gzip、snappy、lz4等。通常情况下，一个压缩算法压缩率高，则解压耗时就长。需要对实际数据进行测试后，选择一个合适的算法。如果存储的是JSON字符串，可以考虑使用MessagePack进行序列化。
- 集合类结构hash、list、set
- 拆分：可以用hash取余、位掩码的方式决定放在哪个key中
- 区分冷热：如榜单列表场景使用zest，只缓存前10页数据，后续数据走db
3.2. 热key
3.2.1. 定义
用户访问一个Key的QPS特别高，导致Server实例出现CPU负载突增或者不均的情况。热key没有明确的访问标准，QPS超过500就有可能被识别为热key。
3.2.2. 消除方法
- 设置Localcache：在访问Redis前，在业务服务侧设置Localcache，降低访问Redis的QPS。LocalCache中缓存过期或未命中，则从Redis中将数据更新到LocalCache。Java的Guava、Golang的Bigcache就是这类LocalCache
- 拆分：将key:value这一个热Key复制写入多份，例如key1:value，key2:value，访问时访问多个key，但value是同一个，以此将qps分散到不同实例上，降低复载。但代价是更新时需要更新多个key，存在数据短暂不一致的风险。
- 使用Redis代理的热key承载能力：字节跳动的Redis访问代理就具备热key承载能力。本质上是结合了“热key发现”、“LocalCache”两个功能
3.3. 慢查询场景
容易导致redis慢查询的操作
- 批量操作一次性传入过多的key/value，如mset/hmset/sadd/zadd等O(n)操作。建议单批次不要超过100，超过100之后性能下降明显。
- zset大部分命令都是O(log(n))，当大小超过5k以上时，简单的zadd/zrem也可能导致慢查询
- 操作的单个value过大，超过10kb。也就是避免使用大key
- 对大key的delete/expire操作也可能导致慢查询，Redis4.0之前不支持异步删除unlink，大key删除会阻塞redis
3.4. 缓存穿透
热点数据查询绕过缓存直接查询数据库
3.4.1. 危害
- 查询一个一定不存在的数据：通常不会缓存不存在的数据，这类查询请求都会直接打到db，如果有系统bug或人为攻击，容易导致db响应慢甚至宕机。
- 缓存过期时：在高并发场景下，一个热key如果过期，会有大量请求同时击穿至db，容易影响db性能和稳定。同一时间有大量key集中过期时，也会导致大量请求落到db上，导致查询变慢，甚至出现db无法响应新的查询。
3.4.2. 如何减少
- 缓存空值
如一个不存在的userID。这个id在缓存和数据库中都不存在。则可以缓存一个空值，下次再查缓存直接反空值。
- 布隆过滤器
通过bloom filter算法来存储合法Key，得益于该算法超高的压缩率，只需占用极小的空间就能存储大量key值。
3.5. 缓存雪崩
大量缓存同时过期
3.5.1. 如何避免
- 缓存空值
将缓存失效时间分散开，比如在原有的失效时间基础上增加一个随机值，例如不同Key过期时间，可以设置为10分1秒过期，10分23秒过期，10分8秒过期。单位秒部分就是随机时间，这样过期时间就分散了。
对于热点数据，过期时间尽量设置得长一些，冷门的数据可以相对设置过期时间短一些。
- 使用缓存集群，避免单机宕机造成的缓存雪崩。
