Q71 - Redis高级实战与分布式缓存
共50道题 | 难度分布:★★★★★平均 | 20K+ Java后端岗位必考
一、Redis架构与数据结构(1-8)
Redis为什么快?
★★★★★
- 内存操作:数据存储在内存中,读写延迟约100ns。
- 单线程模型(Redis 6.0前):避免上下文切换和锁竞争。
- IO多路复用:epoll/kqueue,单线程处理大量连接。
- 高效数据结构:SDS、跳表、压缩列表、整数集合。
- 渐进式rehash:不阻塞服务的哈希表扩容。
- Redis 6.0+:命令执行单线程 + 网络IO多线程(
io-threads)。
- 面试要点:从内存、线程模型、IO模型、数据结构4个维度回答。
Redis核心数据结构底层实现?
★★★★★
- String → SDS(Simple Dynamic String):O(1)长度、二进制安全、预分配+惰性释放。
- List → QuickList(双向链表 + ZipList):小列表用ZipList压缩,大列表用链表连接。
- Hash → ZipList + HT(哈希表):元素少用ZipList,多用HT。
- Set → IntSet + HT:纯整数用IntSet,否则用HT。
- ZSet → ZipList + SkipList + HT:小集合用ZipList,大集合用跳表+哈希表。
- Stream → RadixTree + ListPack:消息流的紧凑存储。
- 面试要点:能说出每种数据类型的至少两种底层实现。
Redis 7.0新数据结构?
★★★★☆
- ListPack:替代ZipList,解决了ZipList的级联更新问题。
- Stream Consumer Group改进:支持Claim和Pending Entry List(PEL)。
- Function:替代Lua Script的更强大的脚本机制。
- Client-Side Cache:服务端协助的客户端缓存(Tracking模式)。
- Multi-Part AOF:AOF文件拆分为base + incr,更高效的AOF重写。
- 面试要点:ListPack是Redis 7.0的重要优化——解决级联更新。
Redis内存管理?
★★★★☆
- 内存淘汰策略(8种):
noeviction:不淘汰,内存满拒绝写入(默认)。
allkeys-lru:所有键中LRU淘汰。
allkeys-lfu:所有键中LFU淘汰(Redis 4.0+)。
volatile-lru:设了TTL的键中LRU淘汰。
volatile-lfu:设了TTL的键中LFU淘汰。
allkeys-random:随机淘汰。
volatile-random:TTL键中随机淘汰。
volatile-ttl:淘汰TTL最短的键。
- 推荐策略:
allkeys-lfu(热点数据保留,冷数据淘汰)。
- 内存优化:
- 使用Hash代替多个Key(节省内存)。
- 使用BitMap/Bitfield代替Boolean数组。
- 开启
lazyfree-lazy-eviction(异步淘汰)。
- 面试要点:能说出8种淘汰策略并推荐适用场景。
Redis的过期删除策略?
★★★★☆
- 惰性删除:访问Key时检查是否过期,过期则删除。
- 定期删除:每100ms随机检查一批设了TTL的Key,过期则删除。
- 两者的结合:定期删除保证过期Key不会长时间存在;惰性删除保证访问时一定准确。
- 注意:大量Key同时过期可能导致Redis短暂卡顿(定期删除集中执行)。
- 优化:给TTL加随机偏移(
expire key 3600 + random(600)),避免同时过期。
- 面试要点:Redis使用"惰性删除 + 定期删除"组合策略。
LRU vs LFU?
★★★★☆
- LRU(Least Recently Used):淘汰最近最少使用的Key。
- 实现近似LRU:随机采样N个Key,淘汰最久未访问的。
maxmemory-samples:采样数(默认5,越大越精确但越慢)。
- LFU(Least Frequently Used):淘汰访问频率最低的Key。
- 基于计数器:每个Key维护访问频率。
- 衰减机制:计数器随时间衰减,防止旧热点数据永远不被淘汰。
lfu-log-factor:计数器增长速度。
lfu-decay-time:衰减周期(默认1分钟)。
- 对比:LRU适合"最近热点"场景;LFU适合"长期热点"场景。
- 推荐:大多数场景用LFU(
allkeys-lfu)。
- 面试要点:理解LRU和LFU的实现原理和适用场景。
Redis的渐进式rehash?
★★★★☆
- 问题:哈希表扩容需要迁移所有数据,如果一次性完成会阻塞服务。
- 渐进式rehash:
- 维护两个哈希表:ht[0](旧表)和ht[1](新表)。
- 每次CRUD操作时,迁移ht[0]中的一个bucket到ht[1]。
- 查询时先查ht[0],查不到再查ht[1]。
- 新增只写ht[1]。
- 迁移完成后,ht[0]指向ht[1],释放旧表。
- 触发条件:
- 扩容:元素数 > 哈希表大小 ×
hash-max-load-factor。
- 收缩:元素数 < 哈希表大小 × 10%。
- 注意:bgsave期间不rehash(防止COW放大)。
- 面试要点:渐进式rehash是Redis不阻塞的核心设计。
Redis的内存碎片?
★★★★☆
- 内存碎片 = 操作系统分配给Redis的内存 - Redis实际使用的内存。
- 原因:频繁修改和删除导致内存页碎片化。
- 查看:
INFO memory → mem_fragmentation_ratio。
- 比值1.0-1.5:正常。
- 比值>1.5:碎片过多,需要清理。
- 比值<1.0:Redis使用了Swap(严重性能问题)。
- 清理方式:
MEMORY PURGE:手动清理碎片( jemalloc)。
activedefrag yes:自动碎片整理(Redis 4.0+)。
- 面试要点:内存碎片是Redis运维的常见问题。
二、持久化与高可用(9-18)
RDB(Redis Database)持久化?
★★★★★
- RDB是Redis的快照持久化——将内存数据保存为二进制文件。
- 触发方式:
save:同步保存(阻塞Redis,不推荐)。
bgsave:后台保存(fork子进程,推荐)。
- 自动保存:
save 900 1(900秒内有1次修改则触发)。
- bgsave原理:
1. 主进程fork子进程(利用COW机制)。
2. 子进程将内存数据写入RDB文件。
3. 主进程继续处理请求(修改通过COW保证数据一致性)。
- 优势:文件紧凑、恢复速度快、适合备份。
- 劣势:非实时(两次快照间的数据可能丢失)、fork大内存实例时可能卡顿。
- 面试要点:理解bgsave的fork + COW机制。
AOF(Append Only File)持久化?
★★★★★
- AOF是Redis的日志持久化——将每个写命令追加到文件。
- 写入策略(
appendfsync):
always:每条命令都fsync(最安全、最慢)。
everysec:每秒fsync(推荐,最多丢失1秒数据)。
no:由OS决定何时fsync(最快、最不安全)。
- AOF重写(Rewrite):
- 目的:压缩AOF文件(合并重复命令)。
BGREWRITEAOF:后台重写。
- 自动触发:
auto-aof-rewrite-percentage 100(文件大小翻倍时触发)。
- Redis 7.0 Multi-Part AOF:
- base文件 + incr文件,避免重写期间的文件操作。
- 面试要点:AOF的三种fsync策略是必考点。
RDB vs AOF选择?
★★★★★
- RDB优势:恢复快、文件小、适合备份。
- RDB劣势:数据可能丢失(两次快照间隔)。
- AOF优势:数据安全(最多丢1秒)、可读性好。
- AOF劣势:文件大、恢复慢、fsync影响性能。
- 推荐方案:
- 生产环境:RDB + AOF混合持久化(
aof-use-rdb-preamble yes)。
- 混合模式:AOF重写时先写RDB格式(紧凑),再追加AOF格式。
- 数据安全要求极高:
appendfsync always。
- 数据可以丢失几分钟:仅RDB。
- 面试要点:推荐RDB + AOF混合模式。
Redis主从复制?
★★★★★
1. 从库连接主库,发送PSYNC命令。
2. 主库执行bgsave,生成RDB文件。
3. 主库将RDB文件发送给从库。
4. 从库清空数据,加载RDB文件。
5. 主库将同步期间的写命令发送给从库。
- 增量同步:
- 主库维护
replication backlog(环形缓冲区)。
- 从库断线重连后,发送自己的offset。
- 主库从backlog中找到差异部分,发送给从库。
- 如果backlog已被覆盖 → 退化为全量同步。
- 关键参数:
repl-backlog-size:复制积压缓冲区大小(默认1MB,建议调大到64MB)。
repl-backlog-ttl:缓冲区保留时间。
- 面试要点:理解全量同步和增量同步的触发条件。
Redis Sentinel哨兵?
★★★★★
- Sentinel是Redis的高可用方案——自动故障检测和主从切换。
- 核心功能:
- 监控:持续检测主从节点是否正常。
- 通知:通知应用或其他Sentinel节点状态变化。
- 自动故障转移:主节点宕机时自动选举新主节点。
- 故障检测流程:
1. Sentinel每秒向主节点发送PING。
2. 超过down-after-milliseconds无响应 → 标记为SDOWN(主观下线)。
3. 多数Sentinel确认SDOWN → 标记为ODOWN(客观下线)。
4. Sentinel Leader执行故障转移。
1. 选举新主节点(优先级 > 复制偏移量 > RunID最小)。
2. 对其他从节点执行SLAVEOF new_master。
3. 更新Sentinel监控配置。
- 面试要点:理解SDOWN → ODOWN的转换和故障转移流程。
Redis Cluster集群?
★★★★★
- Redis Cluster是Redis的分布式方案——数据分片 + 高可用。
- 数据分片:
- 16384个Hash Slot。
- 每个主节点负责一部分Slot。
slot = CRC16(key) % 16384。
- 集群架构:
- 最小6节点(3主3从)。
- 每个主节点有至少1个从节点(故障转移)。
- 节点间通过Gossip协议通信。
- 路由:
- 客户端向任意节点发送命令。
- 如果Key不在此节点 → 返回
MOVED重定向。
- 客户端缓存路由表,后续请求直接路由到正确节点。
- 限制:
- 不支持多Key操作(除非Key在同一Slot,使用
{hash_tag})。
- 不支持
SELECT(只有一个数据库DB0)。
- 面试要点:理解Hash Slot分片和MOVED重定向。
Redis Cluster的故障转移?
★★★★☆
- 故障检测:
- 节点间PING/PONG检测。
- 超过
cluster-node-timeout无响应 → 标记为PFAIL。
- 多数主节点确认 → 标记为FAIL。
- 故障转移:
1. 从节点检测到主节点FAIL。
2. 从节点发起选举(Raft-like选举)。
3. 获得多数主节点投票 → 晋升为新主节点。
4. 广播集群配置更新。
- 选举优先级:复制偏移量最大的从节点优先。
- 面试要点:Redis Cluster的故障转移是自动的——理解选举过程。
Redis Cluster的扩缩容?
★★★★☆
1. 启动新节点。
2. CLUSTER MEET加入集群。
3. CLUSTER SETSLOT ... IMPORTING迁移Slot。
4. CLUSTER SETSLOT ... MIGRATING迁移数据。
5. 迁移过程中使用ASK重定向。
1. 先迁移该节点的所有Slot到其他节点。
2. CLUSTER FORGET移除节点。
- 工具:
redis-cli --cluster reshard自动化迁移。
- 注意:大规模迁移时注意控制速度,避免影响在线服务。
- 面试要点:理解Slot迁移的ASK重定向机制。
Redis的maxmemory配置?
★★★★☆
maxmemory:Redis最大使用内存(推荐设置为物理内存的60-70%)。
- 超出maxmemory时的行为取决于淘汰策略。
- 计算Redis内存使用:
used_memory(分配的内存)vs used_memory_rss(操作系统分配的内存)。
- OOM预防:
- 设置合理的maxmemory。
- 选择合适的淘汰策略。
- 监控内存使用趋势。
- 面试要点:maxmemory是Redis内存管理的核心配置。
Redis的Slow Log?
★★★★☆
- Slow Log记录执行时间超过阈值的命令。
- 配置:
slowlog-log-slower-than 10000:超过10ms的命令记录(微秒单位)。
slowlog-max-len 128:最多保留128条。
- 查看:
SLOWLOG GET 10。
- 常见慢命令:
KEYS *、SMEMBERS大集合、SORT、LRANGE 0 -1。
- 优化:
- 避免
KEYS *(用SCAN替代)。
- 大集合操作分批执行。
- 使用Pipeline减少RTT。
- 面试要点:Slow Log是Redis性能调优的起点。
三、分布式缓存实战(19-30)
缓存穿透?
★★★★★
- 问题:大量请求查询不存在的数据,缓存和DB都没有,请求直接打到DB。
- 解决方案:
- 缓存空值:查询不到的Key缓存
null,设短TTL(60s)。
- Bloom Filter:在缓存前加一层布隆过滤器,不存在则直接拒绝。
- 请求参数校验:拦截明显不合法的请求(如ID为负数)。
- 接口限流:对同一Key的高频查询限流。
- Bloom Filter实现:Redis的
BF.ADD/BF.EXISTS(RedisBloom模块)。
- 面试要点:穿透 = 查不存在的数据 → 缓存空值 + Bloom Filter。
缓存击穿?
★★★★★
- 问题:某个热点Key过期瞬间,大量并发请求直接打到DB。
- 解决方案:
- 互斥锁(Mutex Lock):只允许一个线程重建缓存。
if (redis.setnx(lockKey, "1", 10) == 1) {
// 查DB + 写缓存
} else {
Thread.sleep(100);
// 重试
}
- 逻辑过期:缓存永不过期,但数据中包含逻辑过期时间。
- 过期后异步更新缓存,当前请求返回旧数据。
- 热点Key预加载:提前加载热点数据到缓存。
- 永不过期 + 异步刷新。
- 面试要点:击穿 = 热点Key过期 → 互斥锁或逻辑过期。
缓存雪崩?
★★★★★
- 问题:大量Key同时过期,或Redis宕机,请求全部打到DB。
- 解决方案:
- 过期时间加随机偏移:
expire key baseTTL + random(0, 300)。
- 多级缓存:本地缓存(Caffeine)+ 分布式缓存(Redis)。
- Redis高可用:Sentinel或Cluster。
- 限流降级:DB前加限流,保护DB不被打垮。
- 缓存预热:应用启动时预加载热点数据。
- 面试要点:雪崩 = 大面积缓存失效 → 随机TTL + 多级缓存 + 限流。
缓存与数据库一致性?
★★★★★
- 问题:先更新DB还是先更新缓存?如何保证一致性?
- 方案一:Cache Aside(旁路缓存)
- 读:先读缓存 → 未命中读DB → 写入缓存。
- 写:先更新DB → 删除缓存。
- 问题:并发场景下可能出现不一致(删缓存失败)。
- 方案二:延迟双删
- 写:删除缓存 → 更新DB → 延迟N毫秒 → 再删缓存。
- 延迟时间 = 读业务逻辑耗时 + 几百毫秒。
- 方案三:监听Binlog异步更新
- Canal监听MySQL Binlog → 解析变更 → 更新Redis。
- 最终一致性,有一定延迟。
- 方案四:通过MQ保证
- 更新DB → 发送MQ消息 → 消费者删除缓存。
- 消费失败则重试。
- 推荐方案:Cache Aside + MQ异步删除(最终一致性)。
- 面试要点:没有100%的强一致方案——选择合适的最终一致性方案。
Redis分布式锁?
★★★★★
// 加锁
SET lock_key unique_value NX PX 30000
// 释放锁(Lua保证原子性)
if redis.call('get', KEYS[1]) == ARGV[1] then
return redis.call('del', KEYS[1])
else
return 0
end
- 关键点:
NX:Key不存在才设置(互斥)。
PX 30000:30秒自动过期(防止死锁)。
unique_value:唯一标识,防止误删别人的锁。
- Lua脚本释放:保证检查+删除的原子性。
- 问题:
- 锁过期但业务未完成 → 看门狗续期。
- Redis主从切换时锁可能丢失 → RedLock。
- 面试要点:理解加锁和释放锁的原子性保证。
Redisson看门狗机制?
★★★★★
- 问题:锁过期但业务还没执行完,锁被其他线程获取。
- Redisson看门狗:
- 默认锁30秒过期。
- 看门狗每10秒(lockWatchdogTimeout/3)检查一次。
- 如果锁还被持有 → 自动续期30秒。
- 持有锁的客户端宕机 → 看门狗停止 → 锁自动过期。
- 实现:后台定时任务 + Netty的HashedWheelTimer。
RLock lock = redisson.getLock("myLock");
lock.lock(); // 看门狗自动续期
try {
// 业务逻辑
} finally {
lock.unlock();
}
- 面试要点:看门狗解决了"锁过期但业务未完成"的问题。
RedLock算法?
★★★★☆
- RedLock解决Redis主从切换导致锁丢失的问题。
- 算法:
1. 向N个(通常5个)独立的Redis实例请求加锁。
2. 计算加锁耗时。
3. 如果在大多数(N/2+1)实例加锁成功,且总耗时 < 锁过期时间 → 加锁成功。
4. 否则向所有实例释放锁。
- 争议:
- Martin Kleppmann认为RedLock不安全(GC暂停导致时钟跳跃)。
- Antirez(Redis作者)反驳:分布式锁不是强一致的。
- 实践建议:
- 大多数场景:单Redis + Redisson看门狗够用。
- 对锁安全性要求极高:使用Zookeeper/etcd。
- 面试要点:能说出RedLock的原理和争议。
Redis Pipeline?
★★★★☆
- Pipeline将多个命令批量发送,减少网络RTT。
- 原理:客户端将多个命令打包发送 → 服务端批量执行 → 批量返回结果。
- 性能提升:10个命令从10次RTT降到1次RTT。
- 注意事项:
- Pipeline中的命令不是原子性的(某个失败不影响其他)。
- 不要一次发送太多命令(建议每批100-500条)。
- Pipeline = 批量发送;Transaction = 原子执行。
Pipeline p = jedis.pipelined();
for (int i = 0; i < 1000; i++) {
p.set("key:" + i, "value:" + i);
}
p.sync();
- 面试要点:Pipeline减少网络RTT,但不是原子操作。
Redis Lua脚本?
★★★★★
- Lua脚本在Redis中原子执行(不会被其他命令打断)。
- 适用场景:
- 分布式锁的释放(检查+删除原子操作)。
- 限流(计数+判断+过期原子操作)。
- 库存扣减(判断+扣减原子操作)。
-- 限流脚本
local count = redis.call('INCR', KEYS[1])
if count == 1 then
redis.call('EXPIRE', KEYS[1], ARGV[1])
end
if count > tonumber(ARGV[2]) then
return 0
end
return 1
- 注意事项:
- Lua脚本中不能有阻塞操作。
- 脚本不宜过长(影响单线程执行)。
- Redis 7.0推荐使用Function替代Lua Script。
- 面试要点:Lua脚本保证原子性——是Redis高级应用的基础。
Redis Stream消息队列?
★★★★☆
- Redis 5.0引入的数据类型,类似Kafka的Consumer Group模式。
- 核心概念:
- Stream:消息流(类似Kafka Topic)。
- Consumer Group:消费者组。
- Pending Entry List(PEL):已发送但未ACK的消息。
- 操作:
XADD:发送消息。
XREADGROUP:消费者读取消息。
XACK:确认消费。
XPENDING:查看未确认消息。
XCLAIM:转移未确认消息给其他消费者。
- vs Kafka:Redis Stream更轻量,适合小规模消息场景(百万级)。
- vs RocketMQ:Redis Stream不支持事务消息、顺序消息。
- 面试要点:Redis Stream是轻量级消息队列——适合简单场景。
Redis的BigKey问题?
★★★★☆
- BigKey:Value很大的Key(如百万元素的Hash、大JSON字符串)。
- 危害:
- 内存不均匀(Cluster中某个节点内存过高)。
- 操作阻塞(DEL大Key、HGETALL耗时)。
- 网络带宽消耗。
- 阻塞主线程(同步删除大Key)。
- 检测:
redis-cli --bigkeys扫描。
- 解决:
- 拆分大Key:将大Hash拆分为多个小Hash(
key:1、key:2...)。
- 异步删除:
UNLINK替代DEL(Redis 4.0+)。
- 压缩:使用压缩算法减小Value大小。
- 定期清理:设置合理的TTL。
- 面试要点:BigKey是Redis运维的重点关注。
Redis的HotKey问题?
★★★★☆
- HotKey:被大量请求访问的Key(如热门商品、热搜词)。
- 危害:
- 单节点压力过大(Cluster中某个节点CPU/带宽过高)。
- 网络带宽瓶颈。
- 可能导致缓存击穿。
- 检测:
redis-cli --hotkeys(需要LFU策略)。
MONITOR命令(有性能影响,短时间使用)。
OBJECT FREQ key(查看Key的LFU频率)。
- 解决:
- 本地缓存:Caffeine/Guava Cache缓存热点数据。
- 读写分离:增加从节点分担读压力。
- Key打散:
key_1、key_2...key_N,随机读取。
- 限流:对热点Key的访问频率限流。
- 面试要点:HotKey + 本地缓存是标准解决方案。
四、Redis高级应用(31-42)
Redis实现限流?
★★★★★
- 固定窗口:
INCR + EXPIRE。
- 滑动窗口:
ZRANGEBYSCORE + ZADD。
- 令牌桶:Lua脚本实现(每秒生成令牌,请求消耗令牌)。
- 漏桶:Lua脚本实现(固定速率处理请求)。
- 推荐方案:
-- 滑动窗口限流
local window = tonumber(ARGV[1])
local limit = tonumber(ARGV[2])
local now = tonumber(ARGV[3])
redis.call('ZREMRANGEBYSCORE', KEYS[1], 0, now - window)
local count = redis.call('ZCARD', KEYS[1])
if count < limit then
redis.call('ZADD', KEYS[1], now, now)
redis.call('EXPIRE', KEYS[1], window / 1000)
return 1
end
return 0
Redis实现排行榜?
★★★★☆
- 使用ZSet(Sorted Set)实现。
- 操作:
- 更新分数:
ZADD leaderboard 100 user:1。
- 获取Top N:
ZREVRANGE leaderboard 0 9 WITHSCORES。
- 获取排名:
ZREVRANK leaderboard user:1。
- 分页:
ZREVRANGE leaderboard (page-1)*size page*size-1。
- 扩展:
- 周榜/月榜:使用不同的Key + 定时任务归档。
- 附近的人:
GEORADIUS(基于地理位置的排行榜)。
- 面试要点:ZSet是排行榜的最佳数据结构。
Redis实现分布式Session?
★★★☆☆
- 问题:多台应用服务器间Session不共享。
- 方案:Session存储在Redis中。
- Spring Session + Redis:
<dependency>
<groupId>org.springframework.session</groupId>
<artifactId>spring-session-data-redis</artifactId>
</dependency>
- 配置:
@EnableRedisHttpSession(maxInactiveIntervalInSeconds = 1800)。
- 原理:Filter拦截请求 → 从Redis加载Session → 请求结束后保存。
- 面试要点:Spring Session + Redis是分布式Session的标准方案。
Redis的GEO功能?
★★★☆☆
- GEO是Redis 3.2+的地理位置功能(基于ZSet + GeoHash)。
- 操作:
- 添加位置:
GEOADD cities 116.40 39.90 beijing。
- 计算距离:
GEODIST cities beijing shanghai km。
- 附近的人:
GEORADIUS cities 116.40 39.90 10 km COUNT 10。
- 范围查询:
GEOSEARCH cities FROMMEMBER beijing BYRADIUS 100 km。
- 应用场景:附近的人、附近商家、打车距离计算。
- 面试要点:GEO基于GeoHash编码,本质是ZSet。
Redis的Bitmap?
★★★☆☆
- Bitmap是String类型的位操作。
- 操作:
- 设置位:
SETBIT sign:202401:userId day 1(签到)。
- 获取位:
GETBIT sign:202401:userId day(检查是否签到)。
- 统计:
BITCOUNT sign:202401:userId(本月签到天数)。
- 位运算:
BITOP AND result sign:202401:u1 sign:202401:u2(两人都签到的天)。
- 应用场景:用户签到、在线状态、活跃用户统计。
- 内存效率:1亿用户的签到记录仅需12MB(1亿bit)。
- 面试要点:Bitmap是"超省内存"的方案。
Redis HyperLogLog?
★★★☆☆
- HyperLogLog是基数估算数据结构(0.81%标准误差)。
- 操作:
- 添加:
PFADD uv:20240101 user1 user2 user3。
- 计数:
PFCOUNT uv:20240101。
- 合并:
PFMERGE uv:total uv:20240101 uv:20240102。
- 应用场景:UV统计、独立访客计数、去重计数。
- 内存:每个HyperLogLog仅12KB(无论多少元素)。
- vs Set:Set精确但内存大;HyperLogLog省内存但有误差。
- 面试要点:HyperLogLog是"内存换精度"的方案。
Redis Pub/Sub?
★★★☆☆
- Redis的发布/订阅模式。
- 操作:
- 订阅:
SUBSCRIBE channel1 channel2。
- 发布:
PUBLISH channel1 message。
- 模式订阅:
PSUBSCRIBE news.*。
- 限制:
- 不持久化消息(离线客户端收不到)。
- 不支持Consumer Group。
- 不保证消息送达。
- 适用场景:实时通知、配置变更广播。
- vs Stream:Stream支持持久化和Consumer Group,更适合消息场景。
- 面试要点:Pub/Sub适合简单的实时通知,不适合可靠消息。
Redis的Client-Side Cache?
★★★★☆
- Redis 6.0+支持服务端协助的客户端缓存。
- 模式:
- Broadcast模式:服务端主动通知客户端缓存失效。
- Tracking模式:客户端告诉服务端关注哪些Key。
- 好处:减少Redis访问,降低延迟。
- 实现:
CLIENT TRACKING ON + REDIRECT。
- Java实现:Lettuce客户端支持Client-Side Cache。
- 面试要点:Client-Side Cache是Redis 6.0的重要特性。
Redis的ACL(Access Control List)?
★★★★☆
- Redis 6.0+的细粒度权限控制。
- 能力:
- 用户级权限:不同用户不同密码。
- 命令级权限:允许/禁止特定命令(如禁止
FLUSHALL)。
- Key级权限:允许访问特定Key模式。
- 配置:
acl setuser admin on >password ~* +@all
acl setuser readonly on >password ~* +@read -@dangerous
- 最佳实践:
- 禁用默认用户。
- 每个应用使用独立用户 + 最小权限。
- 禁止
FLUSHALL、CONFIG等危险命令。
- 面试要点:ACL是Redis安全的必备配置。
Redis的TLS加密?
★★★★☆
tls-cert-file /path/to/redis.crt
tls-key-file /path/to/redis.key
tls-ca-cert-file /path/to/ca.crt
tls-port 6380
- 适用场景:跨公网传输、多租户环境、合规要求。
- 性能影响:TLS增加约10-15%的延迟。
- 面试要点:生产环境建议开启TLS(特别是跨网段传输)。
Redis监控与运维?
★★★★☆
- 关键Metrics:
- 内存使用:
used_memory、used_memory_peak。
- 连接数:
connected_clients、blocked_clients。
- 命令统计:
instantaneous_ops_per_sec。
- 键空间:
keyspace_hits、keyspace_misses(命中率)。
- 复制延迟:
replication_offset。
- 慢查询:
slowlog_len。
- 监控工具:
- Redis Exporter + Prometheus + Grafana。
- RedisInsight(官方GUI工具)。
- Info命令 + 自定义脚本。
- 告警项:
- 内存使用 > 80% maxmemory。
- 命中率 < 90%。
- 连接数接近maxclients。
- 慢查询增多。
- 面试要点:能说出Redis监控的关键指标。
Redis的线程模型演进?
★★★★☆
- Redis 6.0前:纯单线程(命令执行 + 网络IO)。
- Redis 6.0+:命令执行单线程 + 网络IO多线程。
- Redis 7.0+:进一步优化IO多线程,AOF重写优化。
- 为什么命令执行不用多线程?
- 多线程需要加锁,增加复杂度。
- Redis瓶颈通常是内存和网络,不是CPU。
- 单线程模型简单、可维护、无并发Bug。
- IO多线程配置:
io-threads 4
io-threads-do-reads yes
- 面试要点:Redis 6.0+的"IO多线程 + 命令单线程"设计。
五、面试综合设计题(43-50)
设计一个Redis缓存架构?
★★★★★
- 多级缓存:
- L1:本地缓存(Caffeine,100ms TTL)。
- L2:Redis分布式缓存(10min TTL)。
- L3:数据库。
- 读取流程:L1 → L2 → L3 → 写入L1+L2。
- 一致性:更新DB → 删除L2 → MQ异步删除L1。
- 热点防护:L1挡住99%的热点请求。
- 面试要点:多级缓存是高并发系统的标准架构。
Redis Cluster数据迁移方案?
★★★★☆
- 场景:从单节点Redis迁移到Redis Cluster。
- 步骤:
1. 部署6节点Cluster(3主3从)。
2. 使用redis-cli --cluster import导入数据。
3. 应用切换连接到Cluster(支持MOVED重定向的客户端)。
4. 验证数据完整性。
- 注意事项:
- 多Key操作需要使用Hash Tag(
{user}:123)。
KEYS命令替换为SCAN。
SELECT命令不可用(只有DB0)。
- 面试要点:迁移需要考虑应用兼容性。
设计一个秒杀系统的Redis方案?
★★★★★
1. 预热库存:SET stock:1001 1000。
2. 扣减库存(Lua原子操作):
local stock = tonumber(redis.call('GET', KEYS[1]))
if stock > 0 then
redis.call('DECR', KEYS[1])
return 1
end
return 0
3. 订单去重:SET order:userId:goodsId 1 NX。
4. 限流:滑动窗口限流每秒请求数。
5. 异步下单:Redis扣减成功 → 发MQ → 异步创建订单。
- 性能:单Redis节点支持10万+ QPS的秒杀。
- 面试要点:秒杀 = Lua原子扣减 + 去重 + 限流 + 异步下单。
Redis在大促前的准备工作?
★★★★☆
- 容量评估:预估QPS和内存需求,提前扩容。
- 热点Key预加载:提前加载热门商品、活动数据。
- 淘汰策略调整:确保
maxmemory-policy正确。
- 慢查询排查:提前优化慢命令。
- 监控告警:配置大促级别的告警阈值。
- 降级预案:Redis不可用时的降级方案(限流 + 返回默认值)。
- 面试要点:大促前的容量评估和预案是运维基本功。
Redis与Spring Boot集成最佳实践?
★★★★☆
- 连接池:Lettuce(默认,基于Netty)或Jedis。
- 序列化:Jackson JSON 或 GenericJackson2JsonRedisSerializer。
- 缓存注解:
@Cacheable、@CachePut、@CacheEvict。
- 配置:
spring:
redis:
host: redis-cluster
port: 6379
lettuce:
pool:
max-active: 50
max-idle: 20
min-idle: 5
cache:
type: redis
redis:
time-to-live: 600000
cache-null-values: true
- 面试要点:能配置Spring Boot + Redis的生产级配置。
Redis常见故障排查?
★★★★☆
- Redis响应慢:
- 检查Slow Log。
- 检查是否使用
KEYS *等慢命令。
- 检查是否在做RDB/AOF重写。
- 检查网络延迟。
- 内存使用异常增长:
- 检查是否有BigKey。
- 检查TTL是否合理。
- 检查客户端连接数。
- 主从延迟增大:
- 检查主节点写入量。
- 检查网络带宽。
- 检查从节点负载。
- 面试要点:能快速定位Redis故障原因。
Redis的备份与恢复策略?
★★★★☆
- RDB备份:
- 定期复制RDB文件到备份存储(S3/OSS)。
- 保留最近N天的RDB文件。
- 跨区域备份。
- AOF备份:
- 定期压缩和备份AOF文件。
- 恢复测试:
- 定期在测试环境演练恢复流程。
- 验证恢复时间和数据完整性。
- 面试要点:备份策略 + 定期演练 = 数据安全。
面试设计题:设计一个支持千万级用户的Redis缓存方案?
★★★★★
- 数据量估算:
- 1000万用户 × 每用户10个Key × 平均100Byte = 10GB。
- 架构设计:
1. Redis Cluster:6主6从(每节点5GB,总30GB可用)。
2. 数据分片:Hash Slot自动分片。
3. 多级缓存:L1 Caffeine(1万热点)+ L2 Redis(全量)。
4. 读写分离:从节点分担读请求。
5. 持久化:AOF(everysec)+ RDB(每小时)。
- 关键设计:
- Key命名:
{userId}:profile、{userId}:friends(Hash Tag保证同用户数据同Slot)。
- TTL:不同类型数据不同TTL(Profile 30min、Session 30min、Token 2h)。
- 淘汰策略:
allkeys-lfu。
- 监控:Redis Exporter + Prometheus + Grafana。
- 性能目标:P99延迟<5ms,QPS 50万+。
- 面试答题模板:数据量估算 → 架构设计 → Key设计 → 性能预估 → 监控方案。