Redis 几个容易弄混的概念

redis能干啥？

MySQL说，其实有一大半的用户请求都是读操作，而且经常都是重复查询一个东西，浪费它很多时间去进行磁盘I/O。

后来有人就琢磨，是不是可以学学CPU，给数据库也加一个缓存呢？于是redis就诞生了！

缓存的数据都是在内存中，可是就算是在服务器上，内存的空间资源还是很有限的。

 

如何处理内存不足？

1、给缓存内容设置一个超时时间，具体设置多长交给应用程序们去设置，我要做的就是把过期了的内容从我里面删除掉，及时腾出空间就行了。

定期删除，我决定100ms就做一次，一秒钟就是10次！

2、惰性删除

那些原来逃脱我随机选择算法的键值，一旦遇到查询请求，被我发现已经超期了，那我就绝不客气，立即删除。

这种方式因为是被动式触发的，不查询就不会发生，所以也叫惰性删除！

3、内存淘汰策略

我提供了8种策略供应用程序选择，用于我遇到内存不足时该如何决策：

• noeviction：返回错误，不会删除任何键值

• allkeys-lru：使用LRU算法删除最近最少使用的键值

• volatile-lru：使用LRU算法从设置了过期时间的键集合中删除最近最少使用的键值

• allkeys-random：从所有key随机删除

• volatile-random：从设置了过期时间的键的集合中随机删除

• volatile-ttl：从设置了过期时间的键中删除剩余时间最短的键

• volatile-lfu：从配置了过期时间的键中删除使用频率最少的键

• allkeys-lfu：从所有键中删除使用频率最少的键

缓存穿透 

有时候遇到些烦人的请求，查询的数据不存在，MySQL就要白忙活一场！不仅如此，因为不存在，我也没法缓存啊，导致同样的请求来了每次都要去让MySQL白忙活一场。我作为缓存的价值就没得到体现啦！这就是人们常说的缓存穿透。

布隆过滤器

直观的说，bloom算法类似一个hash set，用来判断某个元素（key）是否在某个集合中。
和一般的hash set不同的是，这个算法无需存储key的值，对于每个key，只需要k个比特位，每个存储一个标志，用来判断key是否在集合中。

算法：
1. 首先需要k个hash函数，每个函数可以把key散列成为1个整数
2. 初始化时，需要一个长度为n比特的数组，每个比特位初始化为0
3. 某个key加入集合时，用k个hash函数计算出k个散列值，并把数组中对应的比特位置为1
4. 判断某个key是否在集合时，用k个hash函数计算出k个散列值，并查询数组中对应的比特位，如果所有的比特位都是1，认为在集合中。

优点：不需要存储key，节省空间

缺点：
1. 算法判断key在集合中时，有一定的概率key其实不在集合中
2. 无法删除

如果想判断一个元素是不是在一个集合里，一般想到的是将所有元素保存起来，然后通过比较确定。链表，树等等数据结构都是这种思路. 但是随着集合中元素的增加，我们需要的存储空间越来越大，检索速度也越来越慢。不过世界上还有一种叫作散列表（又叫哈希表，Hash table）的数据结构。它可以通过一个Hash函数将一个元素映射成一个位阵列（Bit Array）中的一个点。这样一来，我们只要看看这个点是不是 1 就知道可以集合中有没有它了。这就是布隆过滤器的基本思想。

布隆过滤器是在缓存之前设定的。
1.不存在的元素直接返回,不能进Redis里面
2.存在的元素,可能在Redis中,Redis要是有的对应的数据的话直接返回数据,要是没有数据访问数据库返回数据 这样减少数据库的压力。

 

缓存击穿 && 缓存雪崩

缓存击穿：有一个热点数据到了过期时间，被我删掉了，不巧的是随后就有对这个数据的大量查询请求来了，我这里已经删了，所以请求都发到你那里来了”。

缓存雪崩：这一次是一大批数据几乎同时过了有效期，然后又发生了很多对这些数据的请求，所以比起上一次这规模更大了”。

找应用程序商量了，不仅把键值的过期时间随机了一下，还设置了热点数据永不过期，这个问题缓解了不少。

引用如下：

https://www.cnblogs.com/xuanyuan/p/13665170.html