Redis集群故障监测及哨兵机制原理解析
Redis海量数据存储方案Redis Cluster
在之前的文章写过redis的实用功能，包括数据结构，主从复制结构，以及应对高并发海量数据场景下的分片redis cluster 集群；本篇文章继续学习redis框架应对缓存失效，以及持久化机制及内存管理出现的问题，以及提供的解决方案及思想。
在redis中缓存失效的原因主要是重启导致数据失效， 解决方案 RDB、AOF持久化机制。以及aof中为什么能保证数据在断电或重启不失效的原因，提供不同的fsync策略：完全没有fsync，每秒fsync，每个查询fsync。使用默认策略fsync时，每秒的写入性能仍然很好（fsync是使用后台线程执行的，并且在没有进行fsync的情况下，主线程将尽力执行写入操作。）保证数据不失效；缓存中常见的内存淘汰与过期管理机制，保证数据更新；以及缓存雪崩分析及解决方案，在redis中利用ehcache 缓存降级，或者Redis备份和快速预热 等都可以避免 缓存出现缓存雪崩问题。
redis中既有RDB持久化，也有AOF持久化，两者是可以并存的。对于数据要求非常高的情况下，官方是推荐使用AOF，在配置文件中使用 redis.conf中对应的开启方式
在磁盘中对应的文件名为appendonly.aof
对应rdb与aof的持久化配置策略
RDB 持久化方式能够在指定的时间间隔对你的数据进行快照存储
Redis客户端直接通过命令BGSAVE或者SAVE来创建一个内存快照
# 900秒之内至少一次写操作 save 900 1 # 300秒之内至少发生10次写操作 save 300 10 # 60秒之内发生至少10000次 save 60 10000优点
appendonly yes#每次有数据修改发生时都会写入AOF文件，非常安全非常慢 appendfsync always #每秒钟同步一次，该策略为AOF的缺省策略，够快可能会丢失1秒的数据 appendfsync everysec #不主动fsync,由操作系统决定，更快，更不安全的方法 appendfsync no
优点
Redis在内存空间不足的时候，为了保证命中率，就会选择一定的数据淘汰策略，这个和我们操作系统中的页面置换算法类似。
# 最大内存控制 maxmemory 最大内存阈值 maxmemory-policy 到达阈值的执行策略
单位是字节 ，利于精确控制
当内存达到配置量时，会做一个内存压缩 ，这些配置都是压缩优化内存手段。
#配置字段最多512个 hash-max-zipmap-entries 512 #配置value最大为64字节 hash-max-zipmap-value 64 #配置元素个数最多512个 list-max-ziplist-entries 512 #配置value最大为64字节 list-max-ziplist-value 64 #配置元素个数最多512个 set-max-intset-entries 512 #配置元素个数最多128个 zset-max-ziplist-entries 128 #配置value最大为64字节 zset-max-ziplist-value 64大小超出压缩范围，溢出后Redis将自动将其转换为正常大小，减少cpu的消耗
Reids的种淘汰策略：
主动处理（ redis 主动触发检测key是否过期）每秒执行10次。过程如下：
过期数据的计算和计算机本身的时间是有直接联系的。
配置方式： maxmemory-samples 5结构是通过链表+map来进行实现的，当淘汰也是淘汰链表尾的数据
产生的代价就是 访问、删除都需要遍历链表
noeviction 客户端尝试执行会让更多内存被使用的命令直接报错 allkeys-lru 在所有key里执行LRU算法 volatile-lru 在所有已经过期的key里执行LRU算法 volatile-lfu 使用过期集在密钥中使用近似LFU进行驱逐 allkeys-lfu 使用近似LFU逐出任何键 allkeys-random 在所有key里随机回收 volatile-random 在已经过期的key里随机回收 volatile-ttl 回收已经过期的key，并且优先回收存活时间（TTL）较短的键
三个维度评判数据是否合适缓存
类似12306网站，因为用户频繁的查询车次信息，假设所有车次信息都建立对应的缓存，那么如果所有车次建立缓存的时间一样，失效时间也一样，那么在缓存失效的这一刻，也就意味着所有车次的缓存都失效。通常当缓存失效的时候我们需要重构缓存，这时所有的车次都将面临重构缓存，即出现问题1的场景，此时数据库就将面临大规模的访问。
春节马上快到了，抢票回家的时刻也快来临了。通常我们会事先选择好一个车次然后疯狂更新车次信息，假设此时这般车的缓存刚好失效，可以想象会有多大的请求会直怼数据库。
这会造成数据库的压力是非常大的，有可能导致数据库连接占满，有可能会影响其他功能，大量占用数据库连接，导致其他应用访问该DB数据库时，都会等待着，查询慢的情况。这就是缓存雪崩，缓存失效。
使用锁的机制对商品进行 处理的形式
public class GoodsService2 { private final Logger logger = LoggerFactory.getLogger(GoodsService2.class); @Resource(name = "mainRedisTemplate") StringRedisTemplate mainRedisTemplate; @Autowired DatabaseService databaseService; Lock lock = new ReentrantLock(); /** * 查询商品库存数 * * @param goodsId 商品ID * @return 商品库存数 */ // @Cacheable 不管用什么样的方式，核心步骤 1，2，3 public Object queryStock(final String goodsId) throws InterruptedException { // 1. 先从redis缓存中获取余票信息 String cacheKey = "goodsStock-"+goodsId; String value = mainRedisTemplate.opsForValue().get(cacheKey); if (value != null) { logger.warn(Thread.currentThread().getName() + "缓存中取得数据==============>" + value); return value; } // 2000 请求 // 同步 一个个来 lock.lock(); // 2000 线程 1个线程拿到，1999 等待排队 try { // 再次获取缓存 value = mainRedisTemplate.opsForValue().get(cacheKey); if (value != null) { logger.warn(Thread.currentThread().getName() + "缓存中取得数据==============>" + value); return value; } // 拿到锁 重建缓存 // 2. 缓存中没有,则取数据库 value = databaseService.queryFromDatabase(goodsId); System.out.println(Thread.currentThread().getName() + "从数据库中取得数据==============>" + value); // 3. 塞到缓存,120秒过期时间 final String v = value; mainRedisTemplate.execute((RedisCallback<Boolean>) connection -> { return connection.setEx(cacheKey.getBytes(), 120, v.getBytes()); }); } finally { lock.unlock(); } return value; } }