redis数据结构：

string,hash,list,set,zset,

bitmap(布隆过滤器), Geohash, hyperLogLog,

tream(redis5.0才有的)

底层数据结构：

Set 跟hash区别是：set就是一个特殊的value为空的hash

Zset(sorted set)底层数据结构是一种跳表：skipList

String数据结构包含了raw,embstr,int三种内部编码

ZipList内部编码有hash,list,zset

set内部编码是hashtable,intset

Redis缓存穿透

缓存穿透是数据为空，导致每次都查不到。可以设置空缓存key-null,但是会导致数据量很大，这时候可以用布隆过滤器；数据校验等辅助手段也可以缓解

布隆过滤器是一种数据结构，比较巧妙的概率型数据结构（probabilistic data structure），特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”。相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少，但是缺点是其返回的结果是概率性的，而不是确切的。

HashMap是快，但是占用空间大

布隆过滤器是一个 bit 向量或者说 bit 数组

Redis缓存击穿，单点突破

缓存击穿是高并发下请求同一个数据，改数据缓存过期失效导致查库。

解决方案：

在查库追加分布式锁；

热点数据永不失效；

数据可实时追加时间长度；

Redis缓存雪崩

大量缓存同时失效，导致查库。

解决方案：

设置缓存过期时间均匀化；

热点数据直接永久性

Redis高可用

①　主从复制+哨兵集群；主从复制读写分离提高redis性能，3主3从。哨兵能监控主节点状态，随时切换做到高可用

②　RDB+AOF数据持久化

redis缓存淘汰策略

①　定期删除+惰性删除：

定期删除：100ms一次扫描dict中的20个key,进行过期时间检查，过期则删除；

惰性删除：当再次使用到该key时候再检查是否过期，过期则删除；

②　内存空间不足淘汰策略：

默认不删除，一般需要配置为最近最少使用删除原则

Redis提高命中率

①　缓存预热；

②　细粒度缓存；

③　缓存时间设置永久有效；

④　一致性哈希算法，一致性哈希是对2^32次方取模，将整个哈希值空间组成一个虚拟的圆环。Dubbo负载均衡也是一致性哈希策略。其实redis不是直接用一致性哈希，而是用的哈希槽slot,里面是crc16算法。Redis集群包含16384个槽位，手动指定槽位具体在哪个机器节点，避免一致性哈希的倾斜问题，另外在容错性与扩展性上与一致性哈希一样。当需要追加机器或者机器挂掉，影响都很小。

Redis使用场景：

a. KV缓存：配置数据、热点数据缓存；

b. 分布式锁：但是其实不适合作为分布式锁，分布式锁建议zk锁。

c. Set key val nx ex 1000 一定要设置时间 注意setnx expire可能会出现问题，不是原子操作，可能导致死锁。

d. 队列，限流

e. 定时任务

f. 频率控制

g. RoaringBitmap

h. 模糊计数

i. 布隆过滤器防止缓存穿透 key-null场景

如果要统计一篇文章的阅读量，可以直接使用 Redis 的 incr 指令来完成。如果要求阅读量必须按用户去重，那就可以使用 set 来记录阅读了这篇文章的所有用户 id，获取 set 集合的长度就是去重阅读量。但是如果爆款文章阅读量太大，set 会浪费太多存储空间。这时候我们就要使用 Redis 提供的 HyperLogLog 数据结构来代替 set，它只会占用最多 12k 的存储空间就可以完成海量的去重统计。但是它牺牲了准确度，它是模糊计数，误差率约为 0.81%

如何正确访问redis中的海量数据？

答：keys算法是遍历算法，时间复杂度O(n)，当数据量达到几百万，keys命令会导致redis卡顿，因为redis是单线程程序，顺序执行所有命令，其他指令必须等待keys执行完毕才能继续。解决方案：采用scan命令,通过游标分步进行，不会阻塞线程。返回的结果可能重复，客户端需要去重，另外返回空不一定就没数据，而是要看游标返回零，才表示遍历结束。

scan cursor [MATCH pattern] [COUNT count]

比如：scan 0 match user_token* count 5

输出

1)“6”--游标index

2)1)“user_token:10”

2)“user_token:105”

3)“user_token:101”

4)“user_token:15”

5)“user_token:13”