高并发和缓存

高并发：N个客户端同时访问，就会产生一个高并发；

高并发（分情况）：
查询：加入缓存（数据库压力转移），负载均衡（同一份数据放到多台服务器上，当您访问的时候，我会把你路由在每台机器上，平均的让你把流量导到某台机器上，然后由他直接和你对应执行 ，我把一台机器上处理的任务，平均的分布在N台机器上进行处理），radis(基于内存的数据库，内存速度快，容易丢数据，空间小，比较贵)
                         
插入更新：消息队列msmq（流量销分）

硬件：把硬盘换成SSD，固态硬盘，建立硬盘矩阵，同时多个硬盘，类似硬盘的分布式，N个硬盘同时写同时读，一个硬盘读的慢，十个硬盘读的快，硬盘的高速阵列；

队列特点：先进先出；

分布式（秒杀）：把任务分别放到不同计算机上，进行执行，进而达到更快的执行任务的目的；

缓存：缓存主要是为了提高数据的读取速度，访问这条数据，先在缓存中查找，没有去数据库查找，找到后插入缓存中。
缓存弊端：数据更新不及时，如果缓存中数据存储量小，去数据库的访问量大，有可能会引发缓存穿透。

缓存穿透：你访问的数据都不在缓存当中，缓存还没有建立，刚启动服务器，你访问的每一个都会不经过缓存都访问到数据库上，这样会引发一个巨大的问题假死；

缓存穿透解决：提前把数据加载到缓存当中，如果我不知道那些需要加载到缓存当中，我可以预先把10%的数据加载到缓存当中，压力就会下来，缓存预加载；

sql优化：减少表join，查询的时候指定列，查询*，添加索引；
 
大数据：数据库中大量的数据
大数据解决：分表分库(按业务逻辑分，表分区，hash分表也叫hashmap把主键通过hash算法转化为大数然后取模对应的数量，服务器数量，表数量，来命中相应的服务器，或者相应的表)，在适当的时候引入nosql数据库（hbase，mongodb），分服务，建立集群
关系型数据库如何解决大数据：分表分库，分服务，分服务器（建立集群），表分区（把一个表分为多个物理的区域，进行存储）

hashtable：也叫散列；

编码的时候：常用的hash算法，比如在md5加密，把字符串转化为一个大的数，MD5加密就是一种hash算法，把你的字符串进行不可逆转换为一颗大数，转换为一个大的文本，然后通过一个指定的问题转换为指定长度的字符串，md5是一种hash算法；

hashmap：hash取模这个算法叫做hashmap算法，hash路由根据hash命中对应的存储空间，键值对，根据你的key极快的找到你的value，分表分库，比如这个表有一亿条数据，有主键，主键是不重复的，是唯一的，我根据主键，然后采取一定的hash算法，把它转化成一个大数，我觉得一亿条数据对数据库太大了，我把它分为一百个表，一个表分一百万条，查询速度就会变快，存的时候，每个表都有一个主键，我把主键转成hash算法把它转为一个大数，比如用户主键lzh，通过特殊hash算法转为1008，然后进行取模，结果为8，它存在第八个表，然后利用lzh再查，一百万条数据查询速度是很快的，瞬间就命中，这个叫做hash分表，这个和业务无关；

hash多个同时命中一个：根据hash算法，一万条数据，有好几个命中同一个空位，如果有一个命中后存在它里面，如果有第二个，就使用链表，后面存前面的key值，如此类推，如果链表达到一定长度，性能影响，hashtable就会扩容；

equals比较：每个对象都会生成一个hashcode，对象与对象比较用hashcode，判断是否相等；

红黑树和索引有关，B+树下面就是红黑树

索引碎片产生的原因：每添加一条数据，添加的时间长，索引就会重排，重排的时候会引发索引碎片，增删都会引发索引碎片。

hadoop：超大型数据集的应用程序，是一个框架；

缓存穿透：查询一个并不存在的数据，然后把压力施加给数据库；