一、Redis 是什么

1、为什么需要Redis

• 数据从单表，演进出了分库分表
• MySQL从单机演进出了集群
  • 数据量增长
  • 读写数据压力的不断增加

• 数据分冷热
  • 热数据：经常被访问到的数据
• 将热数据存储到内存中

2、Redis的基本工作原理

1、数据从内存中读写

2、数据保存到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 RDB 文件

3、单线程处理所有操作命令

二、Redis 应用案例

1、Redis的实际应用场景

连续签到

掘金每日连续签到

每户每日有一次签到的机会，如果断签，连续签到计数将归 0。

连续签到的定义：每天必须在 23:59:59 之前签到

• Key：cc_uid_1165894833417101
• value：252
• expireAt：后天的 0 点

消息通知

用 List 作为消息队列

例如当文章更新时，将更新后的文章推送到 ES，用户就能搜索到最新的文章数据

计数

一个用户有多项计数需求，可通过 Hash 结构存储

排行榜

积分变化时，排名要实时变更

结合 dict 后，可实现通过 key 操作跳表的功能

限流

要求一秒内放行的请求为 N，超过 N 则禁止访问

key：comment_frep_limit_1671356046

对这个 Key 调用 incr，超过限制 N 则禁止访问

1671356046 是当前时间戳

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，其他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

2、Redis常用数据结构

String数据结构

数据结构 — sds

• 可以存储数字、字符串、二进制数据
• 通常和 expire 配合使用
• 场景：存储计数、Session

List数据结构QuickList

QuickList 由一个双向链表和 listpack 实现

Listpack数据结构

Hash数据结构dict

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户请求过程中。

Zset数据结构zskiplist

查找数字 7 的路径，head、3、3、7

结合 dict 后，可实现通过 key 操作跳表的功能

三、Redis 使用注意事项

1、大Key、热Key

大 Key

大 Key 的定义：

数据类型	大Key标准
String类型	value 的字节数大于 10 KB 即为大 Key
Hash/Set/Zset/list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 10 MB 即为大 Key

大 Key 的危害：

• 读取成本高
• 容易导致慢查询（过期、删除）
• 主从复制异常，服务阻塞无法响应正常请求

业务侧使用大 Key 的表现：

• 请求 Redis 超时报错

消除大 key 的办法：

1、拆分：将大 Key 拆分为小 key。例如一个 String 拆分成多个 String

2、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

3、集合类结构 hash、list、set、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 zset，只缓存前 10 页数据，后续数据走 db

热 Key

热 Key 的定义：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 没有明确的标准，QPS 超过 500 就有可能被识别为热 Key

解决热 Key 的方法：

1、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

2、拆分

将 key:value 这一个热 Key 复制写入多份，例如 key1:value,key2:value，访问的时候访问多个 key，但 value 是同一个，以此将 qps 分散到不同实例上，降低负载。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

3、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

2、慢查询场景

容易导致 redis 慢查询的操作：

1. 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。
2. 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
3. 操作的单个 value 过大，超过 10 KB。也即，避免使用大 Key
4. 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、缓存穿透、缓存雪崩

缓存穿透：热点数据查询绕过缓存，直接查询数据库

缓存雪崩：大量缓存同时过期

缓存穿透的危害：

1. 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，那么容易导致 db 响应慢甚至宕机
2. 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

如何减少缓存穿透：

1. 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。
2. 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

如何避免缓存雪崩：

1. 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。
2. 使用缓存集群，避免单机宕机造成的缓存雪崩。