redis准备
作为缓存中间件在项目中的普遍性，以及在面试中占据的高比重。
-
redis 使用场景 缓存、分布式锁、计数器、保存token、消息队列以及延迟队列实现等
-
其他面试问题 集群相关内容、redis实现的事务以及性能优势等
缓存相关面试题
缓存穿透、击穿、雪崩以及解决方案
双写一致问题
redis持久化问题
数据过期策略
数据淘汰策略
分布式锁也是面试常见内容
涉及redis实现的分布式锁及底层实现原理
setnx redission
消息队列、延迟队列
何种数据类型
缓存穿透概念：
根据文章id查询详情的需求； request --> redis（未查询到） ---> DB -->response (db中查询到，写入到redis)
常出现在有人故意攻击，故意使用些不存在的id伪造请求服务
数据库并发并不高，当请求到一定量时就会击垮数据库，导致宕机。
解决方案：
方案一：直接缓存null
缺点：缓存的压力变大，数据造成不一致
方案二：使用Bloom Filter
特性：查询快、可能出现假阳性（一个不在集合中元素时，可能出现错误地报告），无假阴性（如果布隆过滤器报告某个元素不存在时，那么可以确定该元素确实不存在）
缺点：存在误判率
实现方案：redisson、 guava
redisson 具体有布隆过滤器实现：
- 基础布隆过滤器
RBloomFilter：不支持删除，适用不需要删除元素的场景 - 计数器型布隆过滤器
RCountingBloomFilter：支持删除，使用计数器来跟踪每个位置被置为1的次数 - 布谷鸟布隆过滤器
RProbabilisticSet：支持删除，使用指纹来替代全量数据，通过布谷鸟机制解决哈希冲突。适用于需要删除操作且希望有较低空间开销的场景
guava 具体有布隆过滤器实现：
- 标准布隆过滤器：使用固定的位数组，不支持删除操作，适合不需要删除元素的场景、可以设置插入元素的数量和可接受的最大误报率
- 自定义哈希函数：需要特定哈希逻辑的场景
- 使用不同的数据类型：适用不同的数据类型的成员检查
