Redis高级缓存架构与分布式缓存实战
共50道题 | 难度分布:★★★★☆平均 | 20K+岗位缓存架构必考
一、多级缓存架构
Q1. 多级缓存架构的分层设计?L1/L2/L3各用什么?
难度:★★★★★
答案要点:
- L1本地缓存(Caffeine/Guava Cache):毫秒级读取,JVM进程内,容量有限(百MB)
- L2分布式缓存(Redis):亚毫秒~毫秒级,集群共享,容量大(GB~TB)
- L3数据库(MySQL/PG):毫秒~秒级,持久化存储
- 读取流程:L1→L2→L3,命中即返回
- 写入流程:先写DB→再更新/失效缓存
- 适用场景:极高并发读取(商品详情/配置信息/热点数据)
- 一致性代价:层级越多一致性越难保证
Q2. Caffeine本地缓存的核心原理?为什么比Guava Cache快?
难度:★★★★☆
答案要点:
- W-TinyLFU淘汰算法:Window + TinyLFU,兼顾频率和时效
- Window区(1%):新数据先进入窗口区,类似LRU
- TinyLFU:Count-Min Sketch统计频率,决定是否进入主缓存
- 主缓存(Main):SLRU(Protected 80% + Probation 20%)
- 读写性能:读0.3ns(GET)/写0.6ns(PUT),远超Guava Cache
- Spring Boot 3默认:
spring.cache.type=caffeine自动使用Caffeine
- 配置示例:
Caffeine.newBuilder().maximumSize(10000).expireAfterWrite(10, TimeUnit.MINUTES)
Q3. 多级缓存的一致性问题如何解决?
难度:★★★★★
答案要点:
- 问题:L1(本地缓存)更新后,其他节点的L1还是旧数据
- 方案一:短TTL(推荐)——本地缓存设置短过期时间(5-30秒),自然失效
- 方案二:广播通知——Redis Pub/Sub或MQ广播失效消息,各节点清除本地缓存
- 方案三:版本号——缓存Key携带版本号,版本不匹配则失效
- 方案四:Canal监听Binlog→MQ→各节点清除本地缓存
- 实际方案:短TTL+Redis Pub/Sub双保险
- Spring Cache:
@Cacheable/@CacheEvict配合Caffeine+Redis二级缓存
Q4. 如何设计一个通用的多级缓存框架?
难度:★★★★★
答案要点:
- 核心接口:
MultiLevelCache extends Cache,组合L1+L2
- 读取:
get(key) → L1.get() → L2.get() → DB.get() → 回填L2+L1
- 写入:
put(key, value) → L1.put() + L2.put()
- 失效:
evict(key) → L1.evict() + L2.evict() + 广播其他节点L1失效
- 配置化:TTL(L1/L2独立)、最大容量、是否广播
- Spring集成:实现
CacheManager接口,@Cacheable注解透明使用
- 开源参考:Alibaba JetCache(支持二级缓存)
Q5. JetCache的二级缓存使用方式?
难度:★★★★☆
答案要点:
- 阿里开源的多级缓存框架
- 注解方式:
@Cached(name="user:", key="#id", expire=3600, cacheType=CacheType.BOTH)
- cacheType:REMOTE(Redis)/LOCAL(Caffeine)/BOTH(二级)
@CacheUpdate/@CacheInvalidate:更新和失效
- API方式:
Cache<String, User> cache = cacheManager.getCache(...)
- 一致性:
@CacheInvalidate同时清除L1和L2
- 序列化:支持JSON/Kryo/Java序列化
- 监控:内置缓存命中率统计
二、热点Key与大Key
Q6. 什么是热点Key?如何发现和解决?
难度:★★★★★
答案要点:
- 定义:被高频访问的单个Key(如秒杀商品、热门文章),QPS可达10万+
- 发现方式:①
redis-cli --hotkeys(Redis 4.0+) ②MONITOR命令(线上慎用) ③客户端埋点统计 ④Proxy层统计
- 有赞方案:滑动窗口+实时计算,在客户端统计每个Key的访问频率
- 解决方案:
- 本地缓存:热点Key缓存在应用内存(Caffeine)
- Key打散:
hotkey_1~hotkey_N,随机读一个
- 读写分离:从节点分担读压力
- 集群迁移:将热点Slot迁移到更强的节点
Q7. 什么是大Key?如何检测和处理?
难度:★★★★★
答案要点:
- 定义:Value过大的Key,如String>10KB、Hash>5000字段、List>5000元素、Set/Zset>5000元素
- 检测:①
redis-cli --bigkeys ②MEMORY USAGE key ③STRLEN/HLEN/LLEN/SCARD
- 危害:①网络带宽阻塞 ②阻塞单线程(DEL大Key耗时) ③集群迁移慢 ④内存不均匀
- 处理方案:
- String:压缩(GZIP/Snappy)
- Hash:拆分为多个Hash(
user:1:basic/user:1:profile)
- List/Zset:分片存储(
msg:1:part1/msg:1:part2)
- 删除:
UNLINK异步删除(Redis 4.0+),不阻塞主线程
- 预防:设置Key大小监控告警
Q8. 如何处理Redis集群的数据倾斜?
难度:★★★★☆
答案要点:
- 内存倾斜:某个节点存储的数据量远大于其他节点
- 热点倾斜:某个节点的QPS远高于其他节点
- 原因:①Key名设计不合理(hash tag) ②大Key集中在某些Slot ③热点Key
- 解决方案:
- 重新分配Slot:
redis-cli --cluster reshard
- 消除hash tag:避免
{user}:1这种导致固定路由
- 大Key拆分:分散到不同Slot
- 热点Key本地缓存或打散
- 监控:
INFO memory对比各节点内存使用
Q9. Redis的Key过期删除策略?
难度:★★★★☆
答案要点:
- 惰性删除(Lazy Free):访问Key时检查是否过期,过期则删除
- 定期删除(Periodic):每100ms随机检查一批Key,过期则删除
- Redis 4.0+异步删除:
LAZYFREE-LAZY-EVICTION yes开启后台线程异步删除
- 过期Key不会立即删除,而是等待惰性或定期删除
- 大量Key同时过期:可能导致短暂CPU飙升→设置随机过期时间避免
- 内存不足时:触发内存淘汰策略(见下题)
Q10. Redis的8种内存淘汰策略如何选择?
难度:★★★★☆
答案要点:
- noeviction:不淘汰,写入报错(默认)
- allkeys-lru:所有Key中淘汰最久未使用的(推荐)
- allkeys-lfu:所有Key中淘汰使用频率最低的(Redis 4.0+)
- allkeys-random:所有Key中随机淘汰
- volatile-lru:设置了过期时间的Key中淘汰最久未使用的
- volatile-lfu:设置了过期时间的Key中淘汰频率最低的
- volatile-random:设置了过期时间的Key中随机淘汰
- volatile-ttl:淘汰TTL最短的
- 选型建议:缓存场景用
allkeys-lfu,不允许数据丢失用noeviction
三、缓存一致性深入
Q11. Cache Aside Pattern的完整流程?
难度:★★★★★
答案要点:
- 读:先查缓存→命中返回→未命中查DB→写入缓存→返回
- 写:先更新DB→再删除缓存(不是更新缓存)
- 为什么删除而非更新缓存:①防止并发写导致缓存和DB不一致 ②懒加载更简单
- 极端情况:读请求A查DB旧值→写请求B更新DB→B删除缓存→A将旧值写入缓存→不一致
- 解决:延迟双删——更新DB→删缓存→延迟500ms→再删缓存
- 最终方案:Canal监听Binlog→异步删除缓存(强一致)
Q12. 延迟双删策略的完整实现?
难度:★★★★★
答案要点:
1. 删除缓存
2. 更新数据库
3. 休眠N毫秒(读业务逻辑耗时+几百ms)
4. 再次删除缓存
- 为什么要双删:第一次删后,并发读可能将旧值回填缓存,第二次删清除回填的旧值
- 休眠时间:读业务逻辑耗时+几百ms(保证旧值回填完成)
- 异步实现:第二次删通过MQ异步执行,不阻塞写请求
- 缺点:休眠时间难以精确控制,不够优雅
- 更好方案:Canal+MQ异步删除或设置较短TTL
Q13. 如何用Canal实现缓存与数据库的最终一致性?
难度:★★★★★
答案要点:
- Canal原理:伪装为MySQL从节点,解析Binlog获取数据变更事件
- 架构:MySQL→Canal→MQ(Kafka/RocketMQ)→消费者→删除Redis缓存
- 优势:①对业务代码无侵入 ②准实时(毫秒级延迟) ③保证最终一致性
- 消费者逻辑:解析Binlog→获取表名+主键→构造缓存Key→删除缓存
- 注意:①Canal宕机恢复后需要处理积压 ②消费者需要幂等(重复删除无害)
- 集群:Canal HA(主备),保证高可用
- 面试话术:"我们用Canal监听Binlog,通过RocketMQ异步删除缓存,保证毫秒级最终一致性"
Q14. 分布式环境下如何保证缓存的强一致性?
难度:★★★★★
答案要点:
- 强一致性代价极高,通常接受最终一致性
- 方案一:读写锁(RedissonReadWriteLock)——读加读锁,写加写锁
- 方案二:通过DB事务串行化——先写DB→在事务内删缓存→提交
- 方案三:分布式事务(Seata)——DB写+缓存删在同一事务
- 实际选择:99%场景用最终一致性(Canal+MQ),只有金融级场景才考虑强一致
- 面试回答:"绝大多数场景用最终一致性(Canal+MQ),金融场景可以用分布式事务或读写锁"
Q15. 缓存雪崩/穿透/击穿的完整解决方案?
难度:★★★★★
答案要点:
- 雪崩:大量Key同时过期或Redis宕机→所有请求打到DB
- 解决:①随机过期时间 ②Redis集群高可用 ③多级缓存 ④限流降级
- 穿透:查询不存在的数据→缓存没有→DB也没有→反复穿透
- 解决:①布隆过滤器(前置判断) ②缓存空值(null, TTL=5min) ③参数校验
- 击穿:热点Key过期→大量请求同时打到DB
- 解决:①互斥锁(SETNX)只让一个请求查DB ②逻辑过期(不设TTL,异步更新) ③热点Key永不过期
- 互斥锁实现:
SET lock:key 1 EX 10 NX→获得锁的查DB→其他等待/重试
四、Redis集群深入
Q16. Redis Cluster的Slot迁移过程?
难度:★★★★★
答案要点:
- 16384个Slot分配到不同节点
- 迁移命令:
CLUSTER SETSLOT <slot> IMPORTING <source_node> / MIGRATING <target_node>
- 迁移过程:源节点标记
MIGRATING→逐个Key迁移(MIGRATE命令)→目标标记IMPORTING
- 迁移中请求:源节点收到请求→如果Key已迁移→返回
ASK重定向→客户端访问目标
- vs
MOVED:MOVED是永久重定向(Slot已完全迁移),ASK是临时重定向(迁移中)
- 影响:迁移期间性能可能下降,建议低峰期执行
Q17. Redis Cluster的Gossip协议?
难度:★★★★☆
答案要点:
- 节点间通过Gossip协议交换集群状态信息
- 消息类型:PING/PONG(心跳+状态)、MEET(加入集群)、FAIL(标记故障)
- 每100ms随机选择一个节点发送PING(包含自身已知的其他节点信息)
- 故障检测:PFAIL(疑似故障)→超过半数主节点标记→FAIL(确定故障)
- 优势:去中心化、可扩展、最终一致
- 劣势:信息传播延迟(秒级)、带宽开销(节点多时)
Q18. Redis Sentinel的故障转移流程?
难度:★★★★☆
答案要点:
- 监控:Sentinel每秒向主从节点发送PING
- 主观下线(SDWON):单个Sentinel认为主节点不可达
- 客观下线(ODWON):超过quorum个Sentinel认为主节点下线
- 领导选举:Sentinel之间Raft选举Leader执行故障转移
- 故障转移:
- ①选择新主节点(优先级>复制偏移量>RunID最小)
- ②对选中的从节点执行
SLAVEOF NO ONE
- ③通知其他从节点复制新主节点
- ④更新客户端连接
- 客户端:通过Sentinel获取当前主节点地址,订阅切换事件
Q19. Redis的持久化方案选择策略?
难度:★★★★☆
答案要点:
- RDB:快照(二进制),恢复快,但可能丢失最近几分钟数据
- AOF:追加写入日志,数据安全(FSYNC策略),但文件大恢复慢
- AOF重写:
BGREWRITEAOF压缩AOF文件(合并命令)
- 混合持久化(Redis 4.0+):RDB格式+AOF增量→兼顾恢复速度和数据安全
- 生产建议:
aof-use-rdb-preamble yes(混合持久化) + appendfsync everysec
- 纯缓存场景:可以关闭持久化,提升性能
- 大内存注意:RDB fork子进程时Copy-On-Write可能占用双倍内存
Q20. Redis 7.0的多IO线程原理?
难度:★★★★☆
答案要点:
- Redis 6.0+:命令执行仍单线程,但网络I/O多线程(读写Socket)
- 配置:
io-threads 4+io-threads-do-reads yes
- 线程模型:主线程负责命令执行,IO线程负责读写网络数据
- 性能提升:网络密集型场景吞吐量提升约1倍
- 注意:IO线程数建议不超过CPU核心数/2
- 对比:Memcached多线程架构(锁竞争),Redis单线程+IO多线程(无锁)
五、Redis高级数据结构
Q21. Redis Stream的使用场景和原理?
难度:★★★★☆
答案要点:
- 类似Kafka的消息队列功能(Redis 5.0+)
- 消费者组(Consumer Group):类似Kafka的Consumer Group
- 命令:
XADD/XREAD/XREADGROUP/XACK/XPENDING/XRANGE
- 与List区别:Stream支持消费者组、消息确认、历史回溯
- 与Kafka区别:Stream在内存中,数据量有限;Kafka持久化到磁盘
- 适用场景:轻量级消息队列(不需要Kafka的重量级场景)
- 面试对比:Stream < List(Pub/Sub) < Redis Stream < RabbitMQ < Kafka < RocketMQ
Q22. Redis的Bitmap、HyperLogLog、GEO的使用场景?
难度:★★★★☆
答案要点:
- Bitmap:位操作,统计日活/签到(
SETBIT/GETBIT/BITCOUNT)
- 日活统计:
SETBIT login:2026-05-31 {userId} 1 → BITCOUNT login:2026-05-31
- 内存:1亿用户≈12MB
- HyperLogLog:基数估算(UV统计),误差0.81%,每个Key仅12KB
PFADD uv:page1 user1 → PFCOUNT uv:page1
- GEO:地理位置(经纬度存储+范围查询)
GEOADD city:locations 114.05 22.55 "深圳" → GEORADIUS city:locations 114 22 100 km
- 底层使用Zset(GeoHash编码)
- 面试高频:日活统计(Bitmap vs HyperLogLog vs Bloom Filter)
Q23. Redis的布隆过滤器(Bloom Filter)原理和使用场景?
难度:★★★★☆
答案要点:
- 原理:位数组+多个哈希函数,判断元素"可能存在"或"一定不存在"
- 特性:有误判率(false positive),但不会漏判(false negative)
- 参数:预计元素数量n + 误判率p → 自动计算位数组大小m和哈希函数数量k
- Redis模块:
BF.ADD/BF.EXISTS/BF.RESERVE(RedisBloom模块)
- 使用场景:①缓存穿透防御 ②邮件/用户名去重 ③推荐系统已读过滤
- Java实现:Guava BloomFilter / Redisson BloomFilter
- 面试题:布隆过滤器能否删除?不能→用Counting Bloom Filter
Q24. Redis的Pub/Sub与Stream的对比?
难度:★★★★☆
答案要点:
- Pub/Sub:发后即忘(fire-and-forget),无持久化,离线消息丢失
- Stream:持久化、消费者组、消息确认、历史回溯
- Pub/Sub优势:简单、实时性好、无额外存储开销
- Stream优势:可靠、支持消费确认、适合业务场景
- Spring Data Redis:
RedisMessageListenerContainer(Pub/Sub)或StreamMessageListenerContainer(Stream)
- 实际选择:简单通知用Pub/Sub,业务消息用Stream或外部MQ
Q25. Redis的Lua脚本高级用法?
难度:★★★★★
答案要点:
- 原子性:整个Lua脚本在Redis中原子执行(不会被其他命令打断)
- 秒杀库存扣减:
local stock = redis.call('GET', KEYS[1]); if tonumber(stock) > 0 then redis.call('DECR', KEYS[1]); return 1; end; return 0;
- 分布式锁续期:检查value匹配→延长过期时间(CAS操作)
- 限流器:滑动窗口限流(ZREMRANGEBYSCORE+ZADD+ZCARD)
- Spring Data Redis:
redisTemplate.execute(RedisScript<T>, keys, args)
- 注意:Lua脚本不宜过长(阻塞单线程),超时默认5秒(
lua-time-limit)
- 调试:
redis-cli --eval script.lua key1 key2 , arg1 arg2
六、Redis生产化
Q26. Redis的内存优化策略?
难度:★★★★☆
答案要点:
- 编码优化:Hash字段<512个且值<64字节→ziplist(紧凑存储)
- 小数据结构:使用ziplist/listpack替代标准结构
- Key命名:缩短Key名(
u:1代替user:1),大量Key时节省显著
- 共享对象池:小整数(-9999~10000)Redis内部共享,无需优化
maxmemory设置:设置为系统内存的70-80%
- 内存碎片:
activedefrag yes(Redis 4.0+自动碎片整理)
- 监控:
INFO memory中的used_memory/used_memory_rss/mem_fragmentation_ratio
Q27. Redis的慢查询如何排查和优化?
难度:★★★★☆
答案要点:
- 慢查询日志:
SLOWLOG GET 10获取最近10条慢查询
- 阈值设置:
slowlog-log-slower-than 10000(超过10ms记录)
- 常见慢操作:①KEYS * ②大Key操作(HGETALL/SMEMBERS) ③复杂Lua脚本 ④SORT
- 优化方案:
- 用SCAN替代KEYS
- 大Hash拆分
- Lua脚本精简
- Pipeline批量操作
- 监控:
LATENCY DOCTOR(Redis 2.8.13+)分析延迟原因
Q28. Redis的Pipeline和事务的区别?
难度:★★★★☆
答案要点:
- Pipeline:批量发送命令,减少网络RTT(Round Trip Time),非原子
- 事务(MULTI/EXEC):命令按顺序执行,中间不插入其他客户端命令
- Pipeline+事务:可以结合使用(
multi→多条命令→exec),原子+减少RTT
- WATCH:乐观锁,
WATCH key→MULTI→操作→EXEC(如果key被修改则失败)
- Lua vs Pipeline:Lua脚本保证原子性,Pipeline只减少RTT
- 性能对比:单条命令RTT=0.1ms,Pipeline 100条命令RTT≈0.1ms(100倍提升)
Q29. Redis的SCAN命令如何安全遍历大Key?
难度:★★★★☆
答案要点:
SCAN cursor [MATCH pattern] [COUNT count]
- 基于游标的迭代器,每次返回新游标,游标为0表示结束
- 不阻塞:每次只返回少量结果,不会长时间占用Redis
- COUNT参数:建议每次100-1000,不是精确返回数量
- 应用场景:①安全删除匹配模式的Key ②统计Key数量 ③批量处理Key
- 注意:SCAN可能返回重复Key(应用层去重)、不保证实时一致(遍历期间新Key)
- 替代KEYS:任何需要遍历Key的场景都应该用SCAN
Q30. 如何监控Redis的运行状态?
难度:★★★★☆
答案要点:
- 核心指标:①内存使用率 ②命中率(
keyspace_hits/(hits+misses)) ③QPS ④延迟 ⑤连接数
INFO命令:INFO memory/INFO stats/INFO clients/INFO replication
- Prometheus+Grafana:
redis_exporter采集指标→Prometheus存储→Grafana展示
- 告警规则:①内存使用率>80% ②命中率<90% ③延迟P99>10ms ④连接数>配置上限80%
- 慢查询监控:
SLOWLOG GET定期采集
- 大Key监控:定时扫描
redis-cli --bigkeys
- 客户端:RedisInsight(GUI)或RedisCli
七、分布式锁深入
Q31. Redisson分布式锁的完整实现原理?
难度:★★★★★
答案要点:
- 加锁:
SET lock:order:1 <uuid>:threadId NX PX 30000(Lua脚本原子操作)
- 看门狗(Watchdog):默认30秒过期,每10秒(1/3租约)自动续期
- 可重入:Hash结构存储,
HINCRBY lock:order:1 <uuid>:threadId 1
- 释放锁:
HDECRBY计数-1→计数为0→DEL key(Lua脚本原子)
- 加锁失败:订阅锁释放消息(
RedissonLock channel),等待信号重试
- 公平锁:
RedissonFairLock按请求顺序排队
- 读写锁:
RedissonReadWriteLock,写锁互斥,读锁共享
Q32. RedLock算法的争议和实际选择?
难度:★★★★★
答案要点:
- RedLock算法:向5个独立Redis实例加锁,超过3个成功→获得锁
- 争议(Martin Kleppmann):①时钟漂移可能导致两个客户端同时持有锁 ②GC暂停可能导致类似问题
- Antirez回应:通过合理的时钟同步和延迟启动解决
- 实际选择:
- 单Redis主从+Redisson(看门狗):99%场景够用
- 需要强一致性:使用ZooKeeper/Etcd分布式锁
- RedLock:一般不推荐,复杂且不一定更安全
- 面试回答:"我们用Redisson单节点锁+看门狗,对于支付等强一致场景用ZooKeeper锁"
Q33. 分布式锁的三种实现对比(Redis/ZooKeeper/DB)?
难度:★★★★★
答案要点:
- Redis(推荐):高性能(μs级),但宕机可能丢锁(主从切换)
- 适合:高并发、允许极端情况少量不一致
- ZooKeeper:强一致(ZAB协议),临时节点+Watch,性能较低(ms级)
- 适合:强一致需求(分布式任务分配、选主)
- DB(悲观锁/乐观锁):简单但性能差
SELECT ... FOR UPDATE(悲观)或版本号(乐观)
- 适合:低并发、简单场景
- 实际选择:Redis为主,ZK用于选主/协调,DB做兜底
Q34. 如何实现一个防超卖的库存扣减?
难度:★★★★★
答案要点:
local stock = tonumber(redis.call('GET', KEYS[1]))
if stock and stock > 0 then
redis.call('DECR', KEYS[1])
return 1
end
return 0
- 方案二:Redis + MQ异步下单(推荐)
- Lua扣减库存→发送MQ消息→消费者创建订单→扣减DB库存
- 方案三:DB乐观锁
UPDATE stock SET count=count-1 WHERE id=1 AND count>0
- 方案四:Redisson分布式锁+DB事务
- 最优方案:Redis Lua扣减+MQ异步+DB最终一致
Q35. 如何处理分布式锁的脑裂问题?
难度:★★★★☆
答案要点:
- 场景:网络分区导致两个节点都认为自己是主节点
- Redis主从:故障转移期间可能两个节点都接受写入→锁被两个客户端持有
- 预防:①设置合理超时时间(自动释放) ②使用RedLock(多节点) ③使用ZK(强一致)
- Redisson fencing token:每次加锁分配递增token,外部服务检查token有效性
- 实际:设置合理的锁超时时间+看门狗续期,极端情况接受少量不一致
- 面试话术:"Redis锁在极端情况可能不安全,但配合fencing token和超时机制可满足大部分业务"
八、Redis实战场景
Q36. 如何用Redis实现一个分布式限流器?
难度:★★★★★
答案要点:
- 固定窗口:
INCR计数+EXPIRE→简单但窗口边界有突刺
- 滑动窗口:Zset存储时间戳→
ZREMRANGEBYSCORE清除过期→ZCARD计数
redis.call('ZREMRANGEBYSCORE', KEYS[1], 0, ARGV[1]-window)
local count = redis.call('ZCARD', KEYS[1])
if count < limit then
redis.call('ZADD', KEYS[1], ARGV[1], ARGV[1])
redis.call('PEXPIRE', KEYS[1], window)
end
return count
- 令牌桶:
INCR+EXPIRE按速率补充令牌
- 漏桶:固定速率处理请求
- 工具:Redisson
RRateLimiter(令牌桶)
- 生产方案:Sentinel/自定义Lua+Redis
Q37. 如何用Redis实现排行榜(Leaderboard)?
难度:★★★★☆
答案要点:
- 使用Zset:
ZADD leaderboard:game 1000 "player1"
- Top 10:
ZREVRANGE leaderboard:game 0 9 WITHSCORES
- 某玩家排名:
ZREVRANK leaderboard:game "player1"
- 分数更新:
ZINCRBY leaderboard:game 50 "player1"
- 分页:
ZREVRANGE leaderboard:game (page-1)*10 page*10-1 WITHSCORES
- 并发更新:
ZINCRBY是原子的,无需加锁
- 大规模:上百万用户排行榜可分片(按分数范围)
Q38. 如何用Redis实现延迟队列?
难度:★★★★☆
答案要点:
- 方案一:Zset(推荐)
ZADD delay:queue <timestamp> <taskId>
- 轮询:
ZRANGEBYSCORE delay:queue 0 <currentTimestamp> LIMIT 0 1
- 消费:
ZREM delay:queue <taskId>
- 方案二:Redis Key过期通知(Keyspace Notification)
CONFIG SET notify-keyspace-events Ex
- 订阅
__keyevent@0__:expired,Key过期时触发回调
- 缺点:不可靠(丢消息)
- 方案三:Redis Stream + 消费者组
- 生产推荐:Zset方案或使用RocketMQ延迟消息
Q39. 如何用Redis实现分布式会话(Session)?
难度:★★★★☆
答案要点:
- Spring Session + Redis:
spring-session-data-redis
- 配置:
@EnableRedisHttpSession(maxInactiveIntervalInSeconds=1800)
- 原理:
SESSION Cookie → Redis存储Session数据 → 所有服务节点共享
- 数据结构:Hash存储Session属性(
spring:session:sessions:<id>)
- 过期:Redis Key TTL自动管理
- 优势:无状态服务节点、水平扩展、共享登录状态
- 注意:Session对象需要实现Serializable
Q40. Redis在秒杀系统中的完整使用方案?
难度:★★★★★
答案要点:
- 预热:活动开始前将库存加载到Redis(
SET stock:activity:1 1000)
- 限流:Lua脚本+令牌桶限制请求速率
- 库存扣减:Lua原子操作检查+扣减
- 去重:
SETNX记录用户已抢购(防重复)
- 异步下单:扣减成功→发送MQ消息→消费者创建订单
- 库存回滚:订单超时未支付→MQ延迟消息→回补Redis库存
- 压测:JMeter模拟10万QPS,Redis QPS可达10万+
九、缓存面试高频追问
Q41. 为什么Redis选择单线程?哪些操作会阻塞?
难度:★★★★★
答案要点:
- 选择单线程的原因:①CPU不是瓶颈(内存操作纳秒级) ②避免锁竞争 ③避免上下文切换 ④简单可靠
- 阻塞操作:①慢查询(KEYS */大Key操作) ②AOF fsync ③RDB fork(大内存时) ④内存交换(SWAP) ⑤网络拥塞
- Redis 6.0+:网络I/O多线程,但命令执行仍单线程
- Redis 7.0+:后台线程处理异步删除(UNLINK)、AOF fsync
- 面试追问:"单线程为什么快?"→纯内存操作+IO多路复用+避免锁
Q42. 如何选择Redis的序列化方式?
难度:★★★★☆
答案要点:
- JSON:可读性好,但体积大、性能差
- Protobuf:体积小、性能好,但需要schema定义
- Kryo:Java专用,速度快,但不跨语言
- JDK序列化:性能最差、体积最大(不推荐)
- Spring Data Redis默认:JdkSerializationRedisSerializer(不推荐)
- 生产推荐:Jackson2JsonRedisSerializer或GenericJackson2JsonRedisSerializer
- 缓存对象:实现Serializable或用JSON+类型信息
Q43. Redis的客户端选型:Jedis vs Lettuce vs Redisson?
难度:★★★★☆
答案要点:
- Jedis:同步阻塞,线程不安全(需要连接池),简单直接
- Lettuce:基于Netty的异步非阻塞,线程安全,Spring Boot 2+默认
- Redisson:分布式对象和服务(分布式锁/限流器/布隆过滤器等)
- 选型建议:
- 简单场景:Spring Data Redis + Lettuce
- 分布式锁/限流:Redisson
- 老项目:Jedis(不推荐新项目)
- Spring Boot集成:
spring-boot-starter-data-redis(Lettuce)+redisson-spring-boot-starter
Q44. Redis的连接池参数如何调优?
难度:★★★☆☆
答案要点:
- Lettuce连接池:基于Netty,单连接多路复用(通常1-5个连接即可)
- Jedis连接池:类似DB连接池,每请求一个连接
- 关键参数:
maxActive(最大连接数)、maxIdle(最大空闲)、minIdle(最小空闲)、maxWait(等待时间)
- Spring Boot配置:
spring.redis.lettuce.pool.max-active=20
- 集群:Lettuce自动管理拓扑感知和连接分配
- 监控:
INFO clients查看当前连接数
Q45. 如何实现Redis的灰度发布?
难度:★★★★☆
答案要点:
- 场景:Redis数据结构变更或配置变更需要灰度验证
- 方案一:双写——新旧格式同时写入,灰度读新格式
- 方案二:版本Key——
user:v2:1,灰度用户读v2
- 方案三:Proxy层——TwemProxy/Codis根据规则路由到不同Redis集群
- 注意:①数据迁移的一致性 ②回滚方案 ③灰度比例可控
- Java应用:Spring的
@Cacheable配合自定义CacheResolver实现
Q46. Redis在微服务架构中的角色?
难度:★★★★☆
答案要点:
- 缓存:服务间共享缓存(用户信息/配置/字典)
- 分布式锁:防止重复操作(订单/支付)
- 限流:API限流、接口限流
- 会话:分布式Session
- 排行榜/计数器:业务功能
- 消息:轻量级消息通知(Pub/Sub/Stream)
- 服务注册:部分场景用Redis做临时服务发现
- 注意:Redis是辅助组件,核心业务数据必须在DB
Q47. 如何评估Redis的容量需求?
难度:★★★★☆
答案要点:
- 评估维度:Key数量×单个Value大小+Redis内部开销(约20-30%额外)
- 示例:100万用户Session,每个Session 1KB→约1.3GB(含开销)
- 过期Key:考虑同时存在的Key数量(不是总写入量)
- 内存碎片:
mem_fragmentation_ratio(通常1.0-1.5)
- 预留空间:建议预留30%给新数据+后台操作
- 监控增长:
INFO keyspace定期统计Key数量增长趋势
- 压测:用
redis-benchmark模拟实际负载
Q48. Redis的内存碎片如何处理?
难度:★★★★☆
答案要点:
- 碎片率:
used_memory_rss / used_memory(>1.5表示碎片严重)
- 原因:①频繁修改/删除导致内存页碎片 ②不同大小的对象分配/释放
- 自动整理:
activedefrag yes(Redis 4.0+),后台线程自动整理
- 手动整理:
MEMORY PURGE(Jemalloc释放空闲页)
- 预防:①合理的Key过期策略 ②避免频繁修改大Value ③定期重启(主从切换)
- 监控:
INFO memory中mem_fragmentation_ratio指标
Q49. 如何设计一个Redis的高可用方案?
难度:★★★★★
答案要点:
- 单机→主从(读写分离)→哨兵(自动故障转移)→集群(分片+高可用)
- 推荐方案:Redis Cluster 6主6从
- 每个主节点配一个从节点
- 自动故障转移(从节点提升为主)
- 跨机房:主集群在A机房,从集群在B机房(异步复制)
- 备份:定时RDB快照+AOF,备份文件存储到S3/OSS
- 监控:Redis Exporter + Prometheus + Grafana
- 容量规划:单节点建议不超过10GB,集群总容量=节点数×单节点容量
- 面试回答:"我们用6主6从Cluster,单节点8GB,集群总容量48GB,每天RDB备份到OSS"
Q50. Redis的面试速查清单?
难度:★★★★★
答案要点:
- 必背5题:①数据结构(5种基础+3种扩展) ②持久化(RDB/AOF/混合) ③高可用(主从/哨兵/集群) ④缓存雪崩/穿透/击穿 ⑤分布式锁(Redisson)
- 进阶5题:①多级缓存一致性 ②热点Key/大Key ③Lua脚本 ④Pipeline/事务 ⑤内存优化
- 源码级5题:①SDS vs C字符串 ②跳表实现 ③ziplist/listpack ④IO多路复用 ⑤RDB fork COW
- 场景5题:①秒杀库存 ②排行榜 ③延迟队列 ④分布式限流 ⑤分布式会话
- 高频追问:①单线程为什么快 ②为什么用跳表不用红黑树 ③集群为什么用16384个Slot