Java面试送分题：这个框架直接干掉了Servlet

墨蓝 2022-10-07 06:56 121阅读 0赞

## 一、前言 ##

`红黑树，是一种高效的自平衡二叉查找树`

Rudolf Bayer 于1978年发明红黑树，在当时被称为`对称二叉 B 树(symmetric binary B-trees)`。后来，在1978年被 Leo J. Guibas 和 Robert Sedgewick 修改为如今的`红黑树`。

红黑树具有良好的效率，它可在近似`O(logN)` 时间复杂度下完成插入、删除、查找等操作，因此红黑树在业界也被广泛应用，比如 Java 中的 TreeMap，JDK 1.8 中的 HashMap、C++ STL 中的 map 均是基于红黑树结构实现的。

`死记硬背，很难学会`

红黑树的结构和设计都非常优秀，也同样在实现上有着复杂的处理逻辑，包括插入或者删除节点时；颜色变化、旋转操作等操作。但如果只把这些知识点硬背下来，什么时候染色、什么时候旋转，是没有多大意义的，用不了多久也就忘记了。**所以这部分的学习，了解其根本更重要。**

### 正文 ###

在实际的工作项目中， 缓存成为高并发、高性能架构的关键组件 ，那么Redis为什么可以作为缓存使用呢？首先可以作为缓存的两个主要特征：

*  在分层系统中处于内存/CPU具有访问性能良好，
 *  缓存数据饱和，有良好的数据淘汰机制

由于Redis 天然就具有这两个特征，Redis基于内存操作的，且其具有完善的数据淘汰机制，十分适合作为缓存组件。

其中，基于内存操作，容量可以为32-96GB，且操作时间平均为100ns，操作效率高。而且数据淘汰机制众多，在Redis 4.0 后就有8种了促使Redis作为缓存可以适用很多场景。

那Redis缓存为什么需要数据淘汰机制呢？有哪8种数据淘汰机制呢？

### 数据淘汰机制 ###

Redis缓存基于内存实现的，则其缓存其容量是有限的，当出现缓存被写满的情况，那么这时Redis该如何处理呢？

Redis对于缓存被写满的情况，Redis就需要缓存数据淘汰机制，通过一定淘汰规则将一些数据刷选出来删除，让缓存服务可再使用。那么Redis使用哪些淘汰策略进行刷选删除数据？

在Redis 4.0 之后，Redis 缓存淘汰策略6+2种，包括分成三大类：

*  不淘汰数据
    
     *  noeviction ，不进行数据淘汰，当缓存被写满后，Redis不提供服务直接返回错误。
 *  在设置过期时间的键值对中，
    
     *  volatile-random ，在设置过期时间的键值对中随机删除
     *  volatile-ttl ，在设置过期时间的键值对，基于过期时间的先后进行删除，越早过期的越先被删除。
     *  volatile-lru ， 基于LRU(Least Recently Used) 算法筛选设置了过期时间的键值对， 最近最少使用的原则来筛选数据
     *  volatile-lfu ，使用 LFU( Least Frequently Used ) 算法选择设置了过期时间的键值对, 使用频率最少的键值对,来筛选数据。
 *  在所有的键值对中，
    
     *  allkeys-random， 从所有键值对中随机选择并删除数据
     *  allkeys-lru， 使用 LRU 算法在所有数据中进行筛选
     *  allkeys-lfu， 使用 LFU 算法在所有数据中进行筛选

![8a5767658c44e90df9b5eb61a4a81c42.png][]

> **Note**: LRU( 最近最少使用，Least Recently Used)算法， LRU维护一个双向链表 ，链表的头和尾分别表示 MRU 端和 LRU 端，分别代表最近最常使用的数据和最近最不常用的数据。
> 
> LRU 算法在实际实现时，需要用链表管理所有的缓存数据，这会带来额外的空间开销。而且，当有数据被访问时，需要在链表上把该数据移动到 MRU 端，如果有大量数据被访问，就会带来很多链表移动操作，会很耗时，进而会降低 Redis 缓存性能。

其中，LRU和LFU 基于Redis的对象结构redisObject的lru和refcount属性实现的:

typedef struct redisObject {
        unsigned type:4;
        unsigned encoding:4;
        // 对象最后一次被访问的时间
        unsigned lru:LRU_BITS; /* LRU time (relative to global lru_clock) or
                                * LFU data (least significant 8 bits frequency
        // 引用计数                        * and most significant 16 bits access time). */
        int refcount;
        void *ptr;
    } robj;

Redis的LRU会使用redisObject的lru记录最近一次被访问的时间，随机选取参数maxmemory-samples 配置的数量作为候选集合，在其中选择 lru 属性值最小的数据淘汰出去。

在实际项目中，那么该如何选择数据淘汰机制呢？

*  优先选择 allkeys-lru算法，将最近最常访问的数据留在缓存中，提升应用的访问性能。
 *  有顶置数据使用 volatile-lru算法 ,顶置数据不设置缓存过期时间，其他数据设置过期时间，基于LRU 规则进行筛选 。

在理解了Redis缓存淘汰机制后，来看看Redis作为缓存其有多少种模式呢？

### Redis缓存模式 ###

Redis缓存模式基于是否接收写请求，可以分成只读缓存和读写缓存：

只读缓存：只处理读操作，所有的更新操作都在数据库中，这样数据不会有丢失的风险。

*  Cache Aside模式

![e67f7f49a1c827937ff5e7ee244f4914.png][]

读写缓存，读写操作都在缓存中执行，出现宕机故障，会导致数据丢失。缓存回写数据到数据库有分成两种同步和异步：

*  同步：访问性能偏低，其更加侧重于保证数据可靠性
    
     *  Read-Throug模式
     *  Write-Through模式
 *  异步：有数据丢失风险，其侧重于提供低延迟访问
    
     *  Write-Behind模式

![b25c203c98a11facbc7657d5b0e2e79f.png][]

#### Cache Aside模式 ####

查询数据先从缓存读取数据，如果缓存中不存在，则再到数据库中读取数据，获取到数据之后更新到缓存Cache中，**但更新数据操作，会先去更新数据库种的数据，然后将缓存种的数据失效。**

而且Cache Aside模式会存在并发风险：执行读操作未命中缓存，然后查询数据库中取数据，数据已经查询到还没放入缓存，同时一个更新写操作让缓存失效，然后读操作再把查询到数据加载缓存，导致缓存的脏数据。

#### Read/Write-Throug模式 ####

查询数据和更新数据都直接访问缓存服务，**缓存服务同步方式地将数据更新到数据库**。出现脏数据的概率较低，但是就强依赖缓存，对缓存服务的稳定性有较大要求，但同步更新会导致其性能不好。

#### Write Behind模式 ####

查询数据和更新数据都直接访问缓存服务，**但缓存服务使用异步方式地将数据更新到数据库（通过异步任务）** 速度快，效率会非常高，但是数据的一致性比较差，还可能会有数据的丢失情况，实现逻辑也较为复杂。

在实际项目开发中根据实际的业务场景需求来进行选择缓存模式。那了解上述后，我们的应用中为什么需要使用到redis缓存呢？

在应用使用Redis缓存可以提高系统性能和并发，主要体现在

*  高性能：基于内存查询，KV结构，简单逻辑运算
 *  高并发： Mysql 每秒只能支持2000左右的请求，Redis轻松每秒1W以上。让80%以上查询走缓存，20%以下查询走数据库，能让系统吞吐量有很大的提高

虽然使用Redis缓存可以大大提升系统的性能，但是使用了缓存，会出现一些问题，比如，缓存与数据库双向不一致、缓存雪崩等，对于出现的这些问题该怎么解决呢？

### 使用缓存常见的问题 ###

使用了缓存，会出现一些问题，主要体现在：

*  缓存与数据库双写不一致
 *  缓存雪崩: Redis 缓存无法处理大量的应用请求，转移到数据库层导致数据库层的压力激增;
 *  缓存穿透：访问数据不存在在Redis缓存中和数据库中，导致大量访问穿透缓存直接转移到数据库导致数据库层的压力激增;
 *  缓存击穿：缓存无法处理高频热点数据，导致直接高频访问数据库导致数据库层的压力激增;

#### 缓存与数据库数据不一致 ####

**只读缓存(Cache Aside模式)**

对于**只读缓存(Cache Aside模式)**， 读操作都发生在缓存中，数据不一致只会发生在**删改操作**上（新增操作不会，因为新增只会在数据库处理），当发生删改操作时，缓存将数据中标志为无效和更新数据库 。因此在更新数据库和删除缓存值的过程中，无论这两个操作的执行顺序谁先谁后，只要有一个操作失败了就会出现数据不一致的情况。

# 最后总结 #

搞定算法，面试字节再不怕，有需要文章中分享的这些**二叉树、链表、字符串、栈和队列等等各大面试高频知识点及解析**，以及**算法刷题LeetCode中文版的小伙伴们可以点赞后[点击这里即可免费获取！][Link 1]**

最后再分享一份**终极手撕架构的大礼包(学习笔记)：分布式+微服务+开源框架+性能优化**

![image][]

里即可免费获取！\](https://docs.qq.com/doc/DSmxTbFJ1cmN1R2dB)\*\*

最后再分享一份**终极手撕架构的大礼包(学习笔记)：分布式+微服务+开源框架+性能优化**

\[外链图片转存中…(img-xdGPQX1l-1623847474620)\]

[8a5767658c44e90df9b5eb61a4a81c42.png]: /images/20221005/9fa2e0f252c44105a97008956069919a.png
[e67f7f49a1c827937ff5e7ee244f4914.png]: /images/20221005/f0f3a971384f421cb09b85ac5cd010ed.png
[b25c203c98a11facbc7657d5b0e2e79f.png]: /images/20221005/7c2388b69829486c89e613a52949578c.png
[Link 1]: https://docs.qq.com/doc/DSmxTbFJ1cmN1R2dB
[image]: /images/20221005/d210711077ff4b1dadd28371a0fe79ae.png