特性	说明	优势
内存存储	数据全部在内存中	极快的读写速度（10w+ QPS）
单线程模型	命令串行执行	避免锁竞争，简化并发
多种数据结构	String/Hash/List/Set/ZSet	覆盖多种业务场景
持久化支持	RDB + AOF	数据不丢失
主从复制	读写分离	高可用、高并发
集群模式	分片存储	横向扩展能力

典型应用场景

缓存加速（上游数据/数据库/外部聚合数据）

// 查询商品详情
func GetProduct(productID string) (*Product, error) {
    // 1. 先查缓存
    key := "product:" + productID
    data, err := rdb.Get(ctx, key).Result()
    if err == nil {
        return json.Unmarshal(data)  // 缓存命中
    }
    
    // 2. 缓存未命中，查询 DB
    product, err := db.QueryProduct(productID)
    if err != nil {
        return nil, err
    }
    
    // 3. 回写缓存（设置过期时间）
    rdb.Set(ctx, key, json.Marshal(product), 1*time.Hour)
    return product, nil
}
// 存储 JSON 对象
rdb.Set(ctx, "user:123", `{"name":"alice","age":25}`, 0)

// 存储计数器
rdb.Set(ctx, "visit:count", 0, 0)

性能提升：DB 查询 100ms → Redis 查询 1ms（提升 100 倍）

计数器场景（incr + int）

库存扣减（最核心场景）这是计数器最广泛的应用。在秒杀或大促期间，直接操作数据库库存会瞬间拖垮磁盘 I/O。

逻辑：

活动开始前，将商品库存同步到 Redis：SET stock:sku:1001 50。
用户下单时，执行：DECR stock:sku:1001。
如果返回值 >= 0，放行去写订单；如果返回值 < 0，立即返回“已售罄”。
优势：内存级操作，单机可支撑 10w+ TPS，彻底杜绝超卖。
高频限流（防刷与风控）

逻辑：
1. Key 为 limit:user:{uid}:api:{api_name}。
2. 每次请求执行 INCR。
3. 如果是首次调用（返回 1），设置过期时间 EXPIRE 60（即 1 分钟限流）。
4. 如果返回值超过阈值（如 100），直接拒绝请求。

const bookNormalStockScript = `
local key = KEYS[1]
local book_num = tonumber(ARGV[1])
local platform = tonumber(ARGV[2]) or 1

local normal_stock = tonumber(redis.call("HGET", key, "0")) or 0
if book_num > normal_stock then
    return -1
end
redis.call("hincrby", key, "0", -book_num)
redis.call("HINCRBY", key, "booking", book_num)
end

return normal_stock - book_num
`

ZSet 使用场景

List 使用场景

在秒杀瞬间，由于流量远超数据库承受能力，先将请求“队列化”。

操作：用户的请求到达后，通过 LPUSH 压入一个排队列 seckill:queue:product_id。
处理：后台开启固定数量的 Worker 进程，通过 RPOP 或 BRPOP 获取请求进行后续减库存操作。
优势：削峰填谷，保护后端核心系统

浏览最近查看的商品（Top 10）如果你在商城详情页下方展示“最近查看”，你可能需要先读取前 10 个显示给用户

// 1. 先读取前 10 个给前端展示，不删除
products, _ := rdb.LRange(ctx, "user:history:123", 0, 9).Result()

// 2. 如果用户点开了某个商品，你再往里加，并裁剪
pipe := rdb.Pipeline()
pipe.LPush(ctx, "user:history:123", "new_product_id")
pipe.LTrim(ctx, "user:history:123", 0, 9) // 只保留最新的10个
pipe.Exec(ctx)

缓存数据（db，service) 的数据，提高访问效率
- 缓存容量评估
- 缓存过期机制，时间
- 缓存miss，溯源和监控
- 缓存雪崩,大面积key失效DB保护。
- 缓存击穿：热key击穿保护
- 缓存穿透：无效key击穿DB保护
- 缓存更新和一致性问题
- 缓存热key和大key问题
限流和计数。lua脚本。（int,incr,lua）
- 计数器（临界值和frozen)
- token （常用）
- 漏桶（平滑）
- 基于redis的分布式限流：https://pandaychen.github.io/2020/09/21/A-DISTRIBUTE-GOREDIS-RATELIMITER-ANALYSIS/
- https://blog.csdn.net/crazymakercircle/article/details/130035504
延时队列
- 使用 ZSET+ 定时轮询的方式实现延时队列机制，任务集合记为 taskGroupKey
- 生成任务以当前时间戳与延时时间相加后得到任务真正的触发时间，记为 time1，任务的 uuid 即为 taskid，当前时间戳记为 curTime
- 使用 ZADD taskGroupKey time1 taskid 将任务写入 ZSET
- 主逻辑不断以轮询方式 ZRANGE taskGroupKey curTime MAXTIME withscores 获取 [curTime,MAXTIME) 之间的任务，记为已经到期的延时任务（集）
- 处理延时任务，处理完成后删除即可
- 保存当前时间戳 curTime，作为下一次轮询时的 ZRANGE 指令的范围起点
- https://github.com/bitleak/lmstfy
消息队列
- redis 支持 List 数据结构，有时也会充当消息队列。使用生产者：LPUSH；消费者：RBPOP 或 RPOP 模拟队列
分布式锁：https://juejin.cn/post/6936956908007850014

bloomfilter: https://juejin.cn/post/6844903862072000526

$m = -\frac{nln(p)}{(ln2)^2}$

$k=\frac{m}{n}ln(2)$

n 是预期插入的元素数量（数据规模），例如 20,000,000。
p 是预期的误判率，例如 0.001。
m 是位数组的大小。
k 是哈希函数的数量。

二、数据结构深度剖析

深入理解 Redis 五种数据类型的底层实现原理，掌握内存优化技巧。

参考资料：

Hash 底层实现原理详解

Redis Hash 采用两种编码方式，根据数据特征自动选择：

1. 编码选择策略

graph LR
    A[创建Hash] --> B{元素数<=512 且 值长度<=64B?}
    B -->|是| C[ziplist 压缩列表]
    B -->|否| D[hashtable 哈希表]
    C -->|超过阈值| D
    
    style C fill:#e8f5e9
    style D fill:#e1f5fe

配置参数（redis.conf）：

1 2	hash-max-ziplist-entries 512 # 最大元素个数 hash-max-ziplist-value 64 # 单个value最大长度（字节）

2. ziplist（压缩列表）- 内存优化

适用场景：小对象存储（如商品详情、Session、小型 List）

ziplist 是 Redis 为节省内存设计的紧凑型数据结构，所有数据存储在一块连续的内存中。

2.1 整体结构

+----------+----------+--------+---------+---------+-----+---------+--------+
| zlbytes  | zltail   | zllen  | entry1  | entry2  | ... | entryN  | zlend  |
+----------+----------+--------+---------+---------+-----+---------+--------+
  4字节      4字节      2字节    变长      变长            变长      1字节

字段	长度	说明
zlbytes	4 字节	整个 ziplist 占用的总字节数（包括 zlbytes 自身）
zltail	4 字节	到尾节点的偏移量（用于快速定位尾部，支持反向遍历）
zllen	2 字节	节点数量，最大 65535；超过则需遍历整个列表计数
entry	变长	实际数据节点，每个节点长度不固定
zlend	1 字节	固定为 `0xFF`，标记 ziplist 结束

2.2 Entry 节点详细结构（三部分）

每个 entry 由三部分组成：

+----------+----------+----------+
| prevlen  | encoding | content  |
+----------+----------+----------+
  1或5字节   1-5字节    变长

Part 1: prevlen（前一节点长度）

记录前一个节点的长度，用于从后向前遍历。

// 编码规则
if (前一节点长度 < 254 字节) {
    prevlen = 1 字节      // 直接存储长度值
} else {
    prevlen = 5 字节      // 第1字节=0xFE，后4字节存实际长度
}

示例：

前一节点 10 字节 → prevlen = 0x0A（1字节）
前一节点 300 字节 → prevlen = 0xFE 0x00 0x00 0x01 0x2C（5字节）

Part 2: encoding（编码类型）

记录 content 的数据类型和长度，Redis 使用变长编码节省空间。

字符串编码（前 2 位标识）：

编码格式	说明	长度范围
`00pppppp`	1字节，后6位存长度	0 - 63 字节
`01pppppp qqqqqqqq`	2字节，14位存长度	64 - 16383 字节
`10______ [4字节]`	5字节，后续4字节存长度	> 16383 字节

整数编码（前 2 位为 11）：

编码值	说明	数据长度
`11000000`	int16_t	2 字节
`11010000`	int32_t	4 字节
`11100000`	int64_t	8 字节
`11110000`	24 位整数	3 字节
`11111110`	8 位整数	1 字节
`1111xxxx`	0-12 的整数直接编码在后4位	0 字节（无 content）

Part 3: content（实际数据）

存储实际的数据内容，根据 encoding 字段解析：

字符串：原始字节数组
整数：二进制整数（小端序）

2.3 实际内存布局示例

存储 Hash：{name: "iPhone", price: 5999}

偏移 | 字段        | 值                  | 说明
-----|------------|---------------------|------------------
0-3  | zlbytes    | 0x0000003F (63)     | 总大小 63 字节
4-7  | zltail     | 0x00000035 (53)     | 尾节点偏移 53
8-9  | zllen      | 0x0004 (4)          | 4个节点（2 field + 2 value）

10   | prevlen    | 0x00                | 第一个节点
11   | encoding   | 0x04                | 字符串长度 4
12-15| content    | "name"              | field
     | (共 6 字节)

16   | prevlen    | 0x06                | 前一节点 6 字节
17   | encoding   | 0x06                | 字符串长度 6
18-23| content    | "iPhone"            | value
     | (共 8 字节)

24   | prevlen    | 0x08                | 前一节点 8 字节
25   | encoding   | 0x05                | 字符串长度 5
26-30| content    | "price"             | field
     | (共 7 字节)

31   | prevlen    | 0x07                | 前一节点 7 字节
32   | encoding   | 0xC0                | int16_t
33-34| content    | 0x176F (5999)       | value（整数优化）
     | (共 4 字节)

35   | zlend      | 0xFF                | 结束标记

内存计算：10（头）+ 6 + 8 + 7 + 4 + 1（尾）= 36 字节

2.4 遍历机制

正向遍历（从头到尾）：

ptr = ziplist + 10;  // 跳过头部
while (*ptr != 0xFF) {
    // 解析 encoding，计算节点长度
    node_len = prevlen_size + encoding_size + content_size;
    ptr += node_len;  // 跳到下一个节点
}

反向遍历（从尾到头）：

ptr = ziplist + zltail;  // 直接定位尾节点
while (ptr > ziplist + 10) {
    prevlen = parse_prevlen(ptr);  // 读取 prevlen
    ptr -= prevlen;  // 跳到前一个节点
}

2.5 连锁更新问题（Cascade Update）

问题：插入/删除节点可能导致后续节点的 prevlen 字段长度变化。

场景示例：

初始状态：[253B] [253B] [253B]
          每个节点的 prevlen 占 1 字节

插入大节点：[253B] [260B] [???] [???]
                     ↑
          前一节点变为 260 字节 (>254)
          当前节点的 prevlen 需从 1 字节扩展为 5 字节
          当前节点长度从 253 → 257 字节
          下一个节点的 prevlen 也需扩展...

影响：

最坏时间复杂度：O(n²)（所有节点连锁更新）
内存重分配：连续的 realloc 操作
实际概率：极低（需要大量节点刚好在 254 字节边界）

Redis 优化：

预先检查是否会触发连锁更新
一次性分配足够内存，减少 realloc 次数

2.6 编码示例（Go 代码）

// 示例：字符串 "hello" 的 encoding
// 长度 5 < 63，使用 00pppppp 格式
encoding := 0b00000101  // 0x05

// 示例：整数 100 的 encoding
// 范围在 int16 内，使用 11000000
encoding := 0b11000000  // 0xC0
content := []byte{0x64, 0x00}  // 小端序 100

// 示例：整数 12 的 encoding
// 0-12 直接编码在 encoding 中
encoding := 0b11111100  // 0xFC，后4位 1100 = 12
// 无需 content 字段！

2.7 优势与限制

✅ 优势：

内存高效：无指针开销，紧凑存储
- 对比链表：每个节点省 16 字节（prev + next 指针）
CPU 缓存友好：连续内存，预读优化
智能编码：整数压缩、变长存储
双向遍历：通过 zltail 和 prevlen 实现

❌ 限制：

查找慢：O(n) 顺序遍历，不适合大数据
连锁更新：最坏 O(n²)（实际很少发生）
内存重分配：插入/删除需 realloc
默认阈值：
- Hash: 512 entries
- List: 512 entries
- ZSet: 128 entries

2.8 应用场景总结

数据类型	使用 ziplist 条件	典型场景
Hash	entries ≤ 512, value ≤ 64B	商品基础信息、用户 Session
List	entries ≤ 512	消息队列、浏览历史
ZSet	entries ≤ 128, member ≤ 64B	小型排行榜、优先队列

监控命令：

# 查看编码类型
redis> OBJECT ENCODING mykey
"ziplist"

# 查看内存占用
redis> MEMORY USAGE mykey
(integer) 184

# 查看 ziplist 详细信息（DEBUG 命令）
redis> DEBUG OBJECT mykey
Value at:0x7f8a9c0a0a00 refcount:1 encoding:ziplist serializedlength:48

3. hashtable（哈希表）- 性能优化

适用场景：大量字段或需要快速查找

核心结构：经典拉链法哈希表

// Redis 字典结构（dict）
typedef struct dict {
    dictht ht[2];        // 两个哈希表，ht[1] 用于 rehash
    long rehashidx;      // rehash 进度，-1 表示未进行
} dict;

// 哈希表结构（dictht）
typedef struct dictht {
    dictEntry **table;   // 哈希表数组（指针数组）
    unsigned long size;  // 大小（2的幂次方）
    unsigned long used;  // 已有节点数
} dictht;

// 哈希节点（dictEntry）
typedef struct dictEntry {
    void *key;           // 键
    void *value;         // 值
    struct dictEntry *next;  // 链表指针（解决冲突）
} dictEntry;

可视化结构：详见 redis-hashtable.mmd

dict
├── ht[0] (主哈希表)
│   ├── table[0] → NULL
│   ├── table[1] → entry(name:iPhone) → NULL
│   ├── table[2] → entry(price:5999) → entry(stock:100) → NULL  (拉链法)
│   └── ...
└── ht[1] (rehash用)
    └── NULL (未使用)

4. 渐进式 Rehash 机制（核心）

触发条件：

// 扩容
1. 负载因子 = used/size >= 1 (无BGSAVE/BGREWRITEAOF时)
2. 负载因子 >= 5 (强制扩容)

// 缩容
负载因子 < 0.1

渐进式 Rehash 流程：

为 ht[1] 分配空间（扩容为 used * 2 的最小 2^n）
rehashidx = 0 开始迁移
每次增删改查操作时，顺带迁移 ht[0].table[rehashidx] 的所有数据到 ht[1]
全部迁移完成后，释放 ht[0]，将 ht[1] 设为 ht[0]

可视化流程：详见 redis-rehash-process.mmd

Rehash 期间的操作：

1
2
3

查找：先查 ht[0]，未找到再查 ht[1]
新增：直接写入 ht[1]（新数据不进旧表）
删除/更新：在 ht[0] 或 ht[1] 中找到后操作

为什么用渐进式？

避免一次性 rehash 大量数据导致 Redis 阻塞（毫秒级→微秒级）
分摊到每次操作中，对单次请求影响极小

5. 哈希函数

1
2
3

// Redis 使用 MurmurHash2（速度快、分布均匀）
hash = MurmurHash2(key, len);
index = hash & dict->ht[x].sizemask;  // 位运算代替取模，性能优

6. 性能对比

操作	ziplist	hashtable
HSET	O(n)	O(1) 平均
HGET	O(n)	O(1) 平均
HDEL	O(n)	O(1) 平均
HGETALL	O(n)	O(n)
内存占用	低（无指针）	高（指针+空间换时间）
CPU缓存	友好（连续）	一般（随机访问）
适用场景	< 512字段小对象	大量字段快速查找

7. 电商场景最佳实践

// ✅ 推荐：商品详情缓存（字段适中，频繁部分更新）
rdb.HSet(ctx, "product:1001", map[string]interface{}{
    "name":      "iPhone 15",
    "price":     "5999",
    "stock":     "100",
    "seller_id": "10086",
})

// 只更新库存，无需读取整个对象
rdb.HIncrBy(ctx, "product:1001", "stock", -1)

// ✅ 推荐：用户 Session 存储
rdb.HSet(ctx, "session:abc123", "uid", "88888")
rdb.HSet(ctx, "session:abc123", "role", "buyer")
rdb.Expire(ctx, "session:abc123", 30*time.Minute)

// ❌ 避免：大 Hash（> 10000 字段）
// 问题：HGETALL 阻塞、集群数据倾斜、持久化慢
// 解决：拆分为多个小 Hash，如 product:1001:base、product:1001:detail

8. Hash vs String(JSON)

维度	Hash	String (JSON)
内存	ziplist 模式更省	JSON 序列化开销大
部分更新	✅ `HSET field`	❌ 需整体 GET→改→SET
序列化	无需序列化	需 JSON 编解码（CPU开销）
查询灵活性	`HMGET` 精确取字段	`GET` 整体取出
适用场景	频繁部分字段更新	整体读写、复杂嵌套结构

选择建议：

用 Hash：对象字段 < 1000，需要单独读写某些字段（如库存）
用 String：对象结构复杂嵌套（JSON），整体读写居多

9. 监控与调优

# 1. 查找大 key
redis-cli --bigkeys

# 2. 查看 Hash 编码
redis-cli> OBJECT ENCODING product:1001
"ziplist"  # 或 "hashtable"

# 3. 查看内存占用
redis-cli> MEMORY USAGE product:1001
(integer) 184

# 4. 调整编码阈值（根据业务调整）
CONFIG SET hash-max-ziplist-entries 1024
CONFIG SET hash-max-ziplist-value 128

String 底层实现

String/SDS 核心结构

Redis String 实际是 SDS（Simple Dynamic String），而非 C 字符串。

SDS 结构

struct sdshdr {
    int len;        // 已使用长度
    int free;       // 剩余可用空间
    char buf[];     // 实际数据
};

优势对比

特性	C 字符串	SDS
获取长度	O(n) 遍历	O(1) 直接读 len
缓冲区溢出	不检查，易溢出	自动扩容，安全
内存重分配	每次都需要	空间预分配 + 惰性释放
二进制安全	否（遇 `\0` 结束）	是（记录长度）

编码类型

String 有 3 种编码：

# 1. int 编码（整数）
SET count 100
OBJECT ENCODING count  # "int"

# 2. embstr 编码（短字符串 ≤ 44 字节）
SET short "hello"
OBJECT ENCODING short  # "embstr"

# 3. raw 编码（长字符串 > 44 字节）
SET long "very long string..."
OBJECT ENCODING long  # "raw"

embstr vs raw：

embstr：SDS 和 redisObject 在连续内存（一次分配）
raw：SDS 和 redisObject 分开分配（两次分配）

应用场景

// 1. 计数器
rdb.Incr(ctx, "page:views")

// 2. 分布式 ID 生成
id := rdb.Incr(ctx, "order:id").Val()

// 3. 限流（固定窗口）
count := rdb.Incr(ctx, "limit:user:123").Val()
if count == 1 {
    rdb.Expire(ctx, "limit:user:123", 60*time.Second)
}
if count > 100 {
    return ErrRateLimited
}

// 4. Session 存储
rdb.Set(ctx, "session:token_abc", userJSON, 30*time.Minute)

List 底层实现

List 在 Redis 3.2 之前使用 ziplist 或 linkedlist，3.2+ 统一使用 quicklist。

quicklist 结构

quicklist = ziplist 链表

[ziplist1] ⇄ [ziplist2] ⇄ [ziplist3] ⇄ [ziplist4]
    ↓             ↓             ↓             ↓
  [a,b,c]      [d,e,f]      [g,h,i]      [j,k,l]

设计思想：

ziplist：内存紧凑，但大量数据时性能差
linkedlist：插入快，但内存碎片多
quicklist：折中方案，每个节点是一个小 ziplist

配置参数

# 每个 ziplist 的最大大小（字节）
list-max-ziplist-size -2  # -2 表示 8KB

# 两端不压缩的节点数（LZF 压缩）
list-compress-depth 0  # 0 表示不压缩

应用场景

// 1. 消息队列（FIFO）
rdb.LPush(ctx, "queue:tasks", task1, task2)  // 生产者
task := rdb.RPop(ctx, "queue:tasks")         // 消费者

// 2. 最近浏览记录（LIFO）
rdb.LPush(ctx, "user:123:history", productID)
rdb.LTrim(ctx, "user:123:history", 0, 9)  // 只保留最新 10 条

// 3. 时间线（Timeline）
rdb.LPush(ctx, "timeline:user:123", postID)
posts := rdb.LRange(ctx, "timeline:user:123", 0, 19)  // 最新 20 条

// 4. 阻塞队列（BRPOP）
task := rdb.BRPop(ctx, 5*time.Second, "queue:tasks")  // 阻塞等待

性能对比

操作	时间复杂度	说明
LPUSH/RPUSH	O(1)	头尾插入
LPOP/RPOP	O(1)	头尾弹出
LINDEX	O(n)	按索引查询
LRANGE	O(n)	范围查询
LINSERT	O(n)	中间插入

Set 底层实现

Set 使用 intset 或 hashtable 编码。

intset（整数集合）

适用条件：

所有元素都是整数
元素数量 ≤ 512（set-max-intset-entries）

结构：

typedef struct intset {
    uint32_t encoding;  // INTSET_ENC_INT16/INT32/INT64
    uint32_t length;    // 元素数量
    int8_t contents[];  // 有序数组
};

特点：

✅ 有序存储，二分查找 O(log n)
✅ 内存紧凑
❌ 插入/删除需移动元素 O(n)

应用场景

// 1. 标签系统
rdb.SAdd(ctx, "user:123:tags", "VIP", "男性", "90后")
tags := rdb.SMembers(ctx, "user:123:tags")

// 2. 共同好友
rdb.SAdd(ctx, "user:123:friends", "456", "789")
rdb.SAdd(ctx, "user:456:friends", "123", "789")
common := rdb.SInter(ctx, "user:123:friends", "user:456:friends")  // [789]

// 3. 去重（抽奖池）
rdb.SAdd(ctx, "lottery:pool", userIDs...)
winner := rdb.SPop(ctx, "lottery:pool")  // 随机抽取

// 4. 点赞用户列表
rdb.SAdd(ctx, "post:1001:likes", "user:123")
isLiked := rdb.SIsMember(ctx, "post:1001:likes", "user:123")
likeCount := rdb.SCard(ctx, "post:1001:likes")

ZSet 底层实现

ZSet 使用 ziplist 或 skiplist + hashtable 编码。

ziplist 编码

条件：

元素数量 ≤ 128（zset-max-ziplist-entries）
单个元素 ≤ 64 字节（zset-max-ziplist-value）

存储格式：

1 2	[member1, score1, member2, score2, ...] 按 score 有序存储

skiplist + hashtable 编码

为什么用两种结构？

skiplist：按 score 有序，范围查询 O(log n)
hashtable：按 member 查找，O(1) 获取 score

skiplist 结构：

Level 3:  1 --------------------------------> 100
Level 2:  1 -------> 50 -------------------> 100
Level 1:  1 --> 25 > 50 --> 75 ------------> 100
Level 0:  1 > 10 > 25 > 50 > 75 > 90 > 100

平均查找复杂度：O(log n)

应用场景

// 1. 排行榜
rdb.ZAdd(ctx, "rank:score", &redis.Z{Score: 5999, Member: "user:123"})
top10 := rdb.ZRevRange(ctx, "rank:score", 0, 9)  // 前 10 名

// 2. 延时队列
rdb.ZAdd(ctx, "delay:queue", &redis.Z{
    Score:  float64(time.Now().Add(5*time.Minute).Unix()),
    Member: taskID,
})
// 定时拉取到期任务
tasks := rdb.ZRangeByScore(ctx, "delay:queue", &redis.ZRangeBy{
    Min: "0",
    Max: strconv.Itoa(int(time.Now().Unix())),
})

// 3. 权重推荐
rdb.ZAdd(ctx, "recommend:user:123", &redis.Z{Score: 0.95, Member: "item:1001"})
recommended := rdb.ZRevRangeByScore(ctx, "recommend:user:123", &redis.ZRangeBy{
    Min: "0.8",
    Max: "+inf",
    Count: 10,
})

// 4. 微信步数排行榜
rdb.ZAdd(ctx, "steps:2026-01-08", &redis.Z{Score: 10000, Member: "user:123"})
myRank := rdb.ZRevRank(ctx, "steps:2026-01-08", "user:123")  // 我的排名

三、缓存设计与实践

掌握缓存使用模式、一致性方案、异常处理策略，构建高可用缓存系统。

缓存容量规划与内存管理

内存淘汰策略

- noeviction(默认策略)：对于写请求不再提供服务，直接返回错误（DEL请求和部分特殊请求除外）
- allkeys-lru：从所有key中使用LRU算法进行淘汰
- volatile-lru：从设置了过期时间的key中使用LRU算法进行淘汰
- allkeys-random：从所有key中随机淘汰数据
- volatile-random：从设置了过期时间的key中随机淘汰
- volatile-ttl：在设置了过期时间的key中，根据key的过期时间进行淘汰，越早过期的越优先被淘汰
LFU算法是Redis4.0里面新加的一种淘汰策略。它的全称是Least Frequently Used

redis 内存淘汰策略解析

过期键删除策略

过期策略通常有以下三种：

定时过期：每个设置过期时间的key都需要创建一个定时器，到过期时间就会立即清除。该策略可以立即清除过期的数据，对内存很友好；但是会占用大量的CPU资源去处理过期的数据，从而影响缓存的响应时间和吞吐量。
惰性过期：只有当访问一个key时，才会判断该key是否已过期，过期则清除。该策略可以最大化地节省CPU资源，却对内存非常不友好。极端情况可能出现大量的过期key没有再次被访问，从而不会被清除，占用大量内存。
定期过期：每隔一定的时间，会扫描一定数量的数据库的expires字典中一定数量的key，并清除其中已过期的key。该策略是前两者的一个折中方案。通过调整定时扫描的时间间隔和每次扫描的限定耗时，可以在不同情况下使得CPU和内存资源达到最优的平衡效果。
(expires字典会保存所有设置了过期时间的key的过期时间数据，其中，key是指向键空间中的某个键的指针，value是该键的毫秒精度的UNIX时间戳表示的过期时间。键空间是指该Redis集群中保存的所有键。)

四、高级特性

掌握持久化、分布式架构、Lua 脚本等高级特性，构建生产级 Redis 系统。

持久化机制（RDB、AOF）

Redis 提供两种持久化方案：

**RDB (Redis DataBase)**：快照方式，紧凑的二进制数据
**AOF (Append Only File)**：追加日志方式，记录所有写操作

详细对比：Redis持久化原理

本地缓存 vs 远程缓存

双buffer vs LRU/LFU

本地缓存的双缓冲机制和本地LRU（Least Recently Used）算法都是常见的缓存优化技术，它们具有不同的优点和缺点。

双缓冲机制：
- 优点：
  - 提高并发性能：双缓冲机制使用两个缓冲区，一个用于读取数据，另一个用于写入数据。这样可以避免读写冲突，提高了并发性能。
  - 提高数据访问效率：由于读取操作不会直接访问主缓存，而是读取缓冲区的数据，因此可以更快地获取数据。
- 缺点：
  - 内存开销增加：双缓冲机制需要维护两个缓冲区，这会增加内存开销。
  - 数据延迟：数据更新定时同步，有一定延时。
本地LRU算法：
- 优点：
  - 数据访问效率高：LRU算法根据数据的访问顺序进行缓存替换，将最近最少使用的数据淘汰出缓存。这样可以保留最常用的数据，提高数据的访问效率。
  - 简单有效：LRU算法的实现相对简单，只需要维护一个访问顺序链表和一个哈希表即可。
- 缺点：
  - 缓存命中率下降：如果数据的访问模式不符合LRU算法的假设，即最近访问的数据在未来也是最有可能被访问的，那么LRU算法的效果可能不理想，缓存命中率会下降。
  - 对于热点数据不敏感：LRU算法只考虑了最近的访问情况，对于热点数据（频繁访问的数据）可能无法有效地保留在缓存中。

综合来看，双缓冲机制适用于需要提高并发性能、批量更新等场景，但会增加内存开销。本地LRU算法适用于需要提高数据访问效率的场景，但对于访问模式不符合LRU假设的情况下，缓存命中率可能下降。在实际应用中，可以根据具体需求和场景选择适合的缓存优化技术。

缓存与DB一致性方案

一致性问题分析

当使用 Redis 缓存 DB 数据时，DB 数据会发生 UPDATE，如何考虑 Redis 和 DB 数据的一致性问题呢？

通常来说，对于流量较小的业务来说，可以设置较小的expire time,可以将redis和db的不一致的时间控制在一定的范围内部
对于缓存和db一致性要求较高的场合，通常采用的是先更新db，再删除或者更新redis，考虑到并发性和两个操作的原子性（删除或者更新可能会失败），可以增加重试机制（双删除），如果考虑主从延时，可以引入mq做延时双删
http://kaito-kidd.com/2021/09/08/how-to-keep-cache-and-consistency-of-db/

缓存更新方式	优缺点
缓存模式+TTL	业务代码只更新DB，不更新cache，设置较短的TTL(通常分钟级），依靠cache过期无法找到key时回源DB，热key过期可能回导致请求大量请求击穿到DB，需要使用分布式锁或者singleflight等方式避免这种问题
定时刷新模式	定时任务异步获取DB数据刷新到cache，读请求可不回源，需要考虑刷新时间和批量读写
写DB,写cache	在并发条件下，DB写操作顺序和cache操作不同保证顺序一致性，需要增加分布式锁等操作
写DB，删除cache	删除cache可能失败，需要增加重试，重试也可能失败，比较复杂的加个MQ补偿重试

思考：

对一致性要求有多强？
TTL 设置的时长
并发冲突可能性
热key缓存击穿保护

缓存异常处理（雪崩、穿透、击穿）

三大缓存问题

缓存雪崩：大面积 Key 同时失效或删除，导致请求全部打到 DB
缓存穿透：查询不存在的 Key（恶意攻击），绕过缓存直击 DB
缓存击穿：热点 Key 失效瞬间，高并发请求击穿到 DB

详细方案：缓存异常解决方案

五、性能优化

理解 Redis 高性能原理，掌握性能调优技巧，解决大Key/热Key问题。

为什么 Redis 这么快？

核心原因

完全基于内存：绝大部分请求是纯粹的内存操作，非常快速。数据存在内存中，类似于 HashMap，HashMap 的优势就是查找和操作的时间复杂度都是 O(1)；

2、数据结构简单，对数据操作也简单，Redis 中的数据结构是专门进行设计的；
3、采用单线程，避免了不必要的上下文切换和竞争条件，也不存在多进程或者多线程导致的切换而消耗 CPU，不用去考虑各种锁的问题，不存在加锁释放锁操作，没有因为可能出现死锁而导致的性能消耗；
4、使用多路 I/O 复用模型，非阻塞 IO；
5、自建 VM 机制：使用底层模型不同，它们之间底层实现方式以及与客户端之间通信的应用协议不一样，Redis 直接自己构建了 VM 机制，因为一般的系统调用系统函数的话，会浪费一定的时间去移动和请求。

详细分析：单线程 Redis 为什么快？

单线程模型

为什么使用单线程？

参考：Redis 单线程设计

优势：

避免上下文切换
无需考虑锁问题
实现简单清晰

劣势：

无法利用多核 CPU
长耗时命令会阻塞

大Key和热Key问题

什么是大Key？

1
2
3

# 什么是大 Key？
- String: value > 10KB
- Hash/List/Set/ZSet: 元素数量 > 10000

分布式方案（主从、哨兵、集群）

架构演进路线

阶段	方案	特点	局限性
1	单机版	简单直接	单点故障、容量有限、并发有限
2	主从复制	读写分离、高可用	主从延迟、无自动故障转移
3	哨兵模式 (Sentinel)	自动故障转移	难以扩容、主库写入瓶颈
4	集群模式 (Cluster)	横向扩展、高可用	复杂度高、跨slot操作受限
5	Codis	中心化管理、易运维	需要额外组件（Zookeeper）

主从复制

特点：

主库（Master）负责写操作
从库（Slave）负责读操作
主库数据自动同步到从库

问题：

主从延迟导致数据不一致
无自动故障恢复，需人工介入

哨兵模式 (Sentinel)

目标：解决主从复制的自动故障恢复问题

工作机制：

监控主从运行状态
当 Master 故障时，通过 Raft 选举
Leader 哨兵选择优先级最高的 Slave 作为新 Master
其他 Slave 从新 Master 同步数据

局限性：

难以扩容
单机存储、读写能力受限
所有 Redis 节点都有全量数据，内存冗余

Redis Cluster 集群模式

特点：

无中心架构，去中心化
数据分片，每个节点存储部分数据（16384 个槽）
通过路由找到对应节点
支持横向和纵向扩展
自动故障转移

优势：

哨兵的所有优点
可动态扩容/缩容
数据分布式存储

Codis

特点：

豌豆荚开源方案
中心化管理（Zookeeper/Etcd）
Proxy 层路由
Dashboard 可视化管理

GitHub：https://github.com/CodisLabs/codis

参考资料：

Lua 脚本

为什么使用 Lua？

Redis 执行 Lua 脚本具有以下特性：

原子性：脚本执行期间不会执行其他脚本或命令
独占性：Redis 一旦开始执行 Lua 脚本，就会一直执行完该脚本
应用广泛：分布式锁、限流、秒杀等场景

使用注意事项

使用 Lua 脚本实现原子性操作的 CAS，避免不同客户端先读 Redis 数据，经过计算后再写数据造成的并发问题
前后多次请求的结果有依赖关系时，最好使用 Lua 脚本将多个请求整合为一个；但请求前后无依赖时，使用 pipeline 方式，比 Lua 脚本方便
为了保证安全性，在 Lua 脚本中不要定义自己的全局变量，以免污染 Redis 内嵌的 Lua 环境。因为 Lua 脚本中你会使用一些预制的全局变量，比如说 redis.call()
注意 Lua 脚本的时间复杂度，Redis 的单线程同样会阻塞在 Lua 脚本的执行中，Lua 脚本不要进行高耗时操作
Redis 要求单个 Lua 脚本操作的 key 必须在同一个 Redis 节点上，因此 Redis Cluster 方式需要设置 HashTag（实际中不太建议这样操作）

Redis 常用命令

连接命令

# 连接 Redis
redis-cli -h host -p port -a password

# 切换数据库
SELECT 0

# 测试连接
PING  # 返回 PONG

基础命令

命令	说明	时间复杂度
`SET key value [NX\|XX] [EX seconds]`	设置键值	O(1)
`GET key`	获取值	O(1)
`DEL key [key ...]`	删除键	O(N)
`EXISTS key [key ...]`	检查键是否存在	O(N)
`TTL key`	查询过期时间（秒）	O(1)
`EXPIRE key seconds`	设置过期时间	O(1)
`SCAN cursor [MATCH pattern]`	扫描键（推荐）	O(1)
`KEYS pattern`	模式匹配键（⚠️ 生产环境禁用）	O(N)

⚠️ 生产环境注意：

**禁用 KEYS ***：遍历所有键，时间复杂度 O(N)，会阻塞 Redis
**推荐使用 SCAN**：渐进式遍历，不阻塞服务器

性能调优与监控

大Key和热Key问题

什么是大Key？

大 Key 危害

# 什么是大 Key？
- String: value > 10KB
- Hash/List/Set/ZSet: 元素数量 > 10000

# 危害
1. 内存占用过大，可能 OOM
2. 单个操作耗时长，阻塞其他请求
3. 主从同步慢，导致从库延迟
4. 持久化慢（RDB/AOF）
5. 集群数据倾斜

发现大 Key

# 1. 扫描整个实例
redis-cli --bigkeys

# 2. 扫描指定数据库
redis-cli -n 0 --bigkeys

# 3. 分析 RDB 文件
redis-rdb-tools dump.rdb --command memory --bytes 10240

# 4. 使用 MEMORY USAGE 命令
redis> MEMORY USAGE mykey
(integer) 1048576

解决方案

// 1. 拆分大 Key
// 错误：单个 Hash 存储所有商品
HSET products 1001 "{...}" 1002 "{...}" ... 10000 "{...}"

// 正确：按分片拆分
for i := 0; i < 10; i++ {
    rdb.HSet(ctx, fmt.Sprintf("products:shard:%d", i), productID, data)
}

// 2. 压缩数据
data := compress(largeJSON)
rdb.Set(ctx, key, data)

// 3. 设置合理过期时间
rdb.Set(ctx, key, value, 1*time.Hour)

// 4. 异步删除大 Key
rdb.Unlink(ctx, largeKey)  // 非阻塞删除

热 Key 危害

# 什么是热 Key？
QPS > 10000 的 Key（如秒杀商品）

# 危害
1. 单个 Redis 节点流量过大
2. CPU 占用过高
3. 网络带宽打满
4. 集群节点负载不均

解决方案

// 1. 本地缓存 + Redis 二级缓存
localCache := cache.New(5*time.Minute, 10*time.Minute)

func GetHotKey(key string) (string, error) {
    // 先查本地缓存
    if val, found := localCache.Get(key); found {
        return val.(string), nil
    }
    
    // 再查 Redis
    val, err := rdb.Get(ctx, key).Result()
    if err == nil {
        localCache.Set(key, val, cache.DefaultExpiration)
    }
    return val, err
}

// 2. 多副本分散请求
func GetHotKeyWithReplica(key string) (string, error) {
    // 随机选择副本
    replica := rand.Intn(10)
    replicaKey := fmt.Sprintf("%s:replica:%d", key, replica)
    return rdb.Get(ctx, replicaKey).Result()
}

// 3. 限流保护
limiter := rate.NewLimiter(10000, 20000)  // 10000 QPS, burst 20000
if !limiter.Allow() {
    return ErrTooManyRequests
}

监控指标

关键指标

# 1. 内存使用
redis> INFO memory
used_memory:1073741824             # 已使用内存
used_memory_peak:2147483648        # 峰值内存
used_memory_rss:1610612736         # 物理内存
mem_fragmentation_ratio:1.5        # 碎片率

# 2. 性能指标
redis> INFO stats
instantaneous_ops_per_sec:10000    # 当前 QPS
total_commands_processed:1000000   # 总命令数
rejected_connections:0             # 拒绝连接数
expired_keys:1000                  # 过期键数量
evicted_keys:0                     # 淘汰键数量

# 3. 持久化
redis> INFO persistence
rdb_last_save_time:1641024000      # 最后 RDB 时间
rdb_changes_since_last_save:1000   # 自上次 RDB 变更数
aof_enabled:1                      # AOF 是否开启
aof_last_rewrite_time_sec:2        # 最后 AOF 重写耗时

# 4. 复制
redis> INFO replication
role:master                        # 角色
connected_slaves:2                 # 从库数量
master_repl_offset:1000000         # 主库偏移量
repl_backlog_size:1048576          # 积压缓冲区大小

# 5. 慢查询
redis> SLOWLOG GET 10
1) 1) (integer) 1
   2) (integer) 1641024000
   3) (integer) 50000              # 耗时 50ms
   4) 1) "KEYS"
      2) "*"

监控告警

# Prometheus 监控规则
groups:
  - name: redis_alerts
    rules:
      # 内存使用率 > 80%
      - alert: RedisMemoryHigh
        expr: redis_memory_used_bytes / redis_memory_max_bytes > 0.8
        for: 5m
        
      # QPS > 50000
      - alert: RedisQPSHigh
        expr: rate(redis_commands_processed_total[1m]) > 50000
        for: 5m
        
      # 慢查询 > 10ms
      - alert: RedisSlowLog
        expr: redis_slowlog_length > 100
        for: 10m
        
      # 主从延迟 > 10s
      - alert: RedisReplLag
        expr: redis_master_repl_offset - redis_slave_repl_offset > 10000000
        for: 5m

六、实战案例

基于真实业务场景，掌握分布式锁、BloomFilter、秒杀、排行榜等高级应用。

分布式锁实现

Redis 为单进程单线程模式，采用队列模式将并发访问变成串行访问，且多客户端对 Redis 的连接并不存在竞争关系。

基本实现

// SETNX + EXPIRE 实现
func Lock(key string, value string, expiration time.Duration) bool {
    return rdb.SetNX(ctx, key, value, expiration).Val()
}

func Unlock(key string, value string) error {
    // 使用 Lua 保证原子性
    script := `
        if redis.call("get", KEYS[1]) == ARGV[1] then
            return redis.call("del", KEYS[1])
        else
            return 0
        end
    `
    return rdb.Eval(ctx, script, []string{key}, value).Err()
}

详细实现：Redis 分布式锁

BloomFilter 实践

原理

BloomFilter 用于快速判断元素是否存在，允许误判（False Positive），但不会漏判（No False Negative）。

1	判断结果 = 一定不存在 or 可能存在

公式

m = -n*ln(p) / (ln2)²    # 位数组大小
k = m/n * ln2            # 哈希函数数量

n = 预期元素数量
p = 误判率

示例：

n = 1,000,000（百万数据）
p = 0.01（1% 误判率）

m = 9,585,059 bits ≈ 1.15 MB
k = 7 个哈希函数

Redis 实现

import "github.com/bits-and-blooms/bloom/v3"

// 1. 创建 BloomFilter
bf := bloom.NewWithEstimates(1000000, 0.01)

// 2. 添加元素
bf.Add([]byte("user:123"))
bf.Add([]byte("user:456"))

// 3. 查询元素
exists := bf.Test([]byte("user:123"))  // true
exists = bf.Test([]byte("user:999"))   // false 或 true（误判）

// 4. 序列化到 Redis
data, _ := bf.GobEncode()
rdb.Set(ctx, "bloomfilter:users", data, 0)

// 5. 从 Redis 加载
data, _ := rdb.Get(ctx, "bloomfilter:users").Bytes()
bf := bloom.New(1, 1)
bf.GobDecode(data)

应用场景

// 1. 防止缓存穿透
func GetUser(uid string) (*User, error) {
    // 先查 BloomFilter
    if !bloomFilter.Test([]byte(uid)) {
        return nil, ErrUserNotFound  // 一定不存在
    }
    
    // 再查缓存和 DB
    return getUserFromCacheOrDB(uid)
}

// 2. 去重（爬虫 URL）
func ShouldCrawl(url string) bool {
    if bloomFilter.Test([]byte(url)) {
        return false  // 可能已爬取
    }
    bloomFilter.Add([]byte(url))
    return true
}

// 3. 推荐系统去重
func FilterRecommendations(userID string, items []string) []string {
    var result []string
    for _, item := range items {
        key := userID + ":" + item
        if !viewedBF.Test([]byte(key)) {
            result = append(result, item)  // 未看过
        }
    }
    return result
}

秒杀系统设计

核心问题

超卖问题：库存为 10，卖出 100 单
高并发问题：瞬时 10w+ QPS
恶意刷单：机器人刷单

方案设计

// 1. 预热库存到 Redis
func PreloadStock(productID string, stock int) error {
    key := fmt.Sprintf("seckill:stock:%s", productID)
    return rdb.Set(ctx, key, stock, 0).Err()
}

// 2. Lua 脚本保证原子性扣库存
var decrStockScript = redis.NewScript(`
    local key = KEYS[1]
    local stock = tonumber(redis.call('GET', key))
    if stock <= 0 then
        return -1  -- 库存不足
    end
    redis.call('DECR', key)
    return stock - 1
`)

func DecrStock(productID string) (int, error) {
    key := fmt.Sprintf("seckill:stock:%s", productID)
    result, err := decrStockScript.Run(ctx, rdb, []string{key}).Int()
    if err != nil {
        return 0, err
    }
    if result < 0 {
        return 0, ErrStockNotEnough
    }
    return result, nil
}

// 3. 限流 + 队列削峰
func HandleSeckill(userID, productID string) error {
    // 3.1 用户级限流
    limitKey := fmt.Sprintf("limit:user:%s", userID)
    count := rdb.Incr(ctx, limitKey).Val()
    if count == 1 {
        rdb.Expire(ctx, limitKey, 60*time.Second)
    }
    if count > 5 {
        return ErrTooManyRequests  // 1分钟最多5次
    }
    
    // 3.2 扣库存
    stock, err := DecrStock(productID)
    if err != nil {
        return err
    }
    
    // 3.3 异步创建订单（放入队列）
    order := Order{
        UserID:    userID,
        ProductID: productID,
        CreatedAt: time.Now(),
    }
    rdb.LPush(ctx, "queue:orders", json.Marshal(order))
    
    return nil
}

// 4. 消费订单队列
func ProcessOrders() {
    for {
        data, err := rdb.BRPop(ctx, 5*time.Second, "queue:orders").Result()
        if err != nil {
            continue
        }
        
        var order Order
        json.Unmarshal([]byte(data[1]), &order)
        
        // 写入 MySQL
        db.CreateOrder(&order)
    }
}

排行榜实现

实时排行榜

// 1. 更新分数
func UpdateScore(userID string, score int64) error {
    return rdb.ZAdd(ctx, "rank:realtime", &redis.Z{
        Score:  float64(score),
        Member: userID,
    }).Err()
}

// 2. 获取排行榜
func GetTopN(n int) ([]User, error) {
    // 获取前 N 名（分数从高到低）
    result, err := rdb.ZRevRangeWithScores(ctx, "rank:realtime", 0, int64(n-1)).Result()
    if err != nil {
        return nil, err
    }
    
    var users []User
    for _, z := range result {
        users = append(users, User{
            ID:    z.Member.(string),
            Score: int64(z.Score),
        })
    }
    return users, nil
}

// 3. 获取用户排名
func GetUserRank(userID string) (int64, error) {
    rank, err := rdb.ZRevRank(ctx, "rank:realtime", userID).Result()
    if err != nil {
        return 0, err
    }
    return rank + 1, nil  // 排名从 1 开始
}

// 4. 获取用户分数
func GetUserScore(userID string) (int64, error) {
    score, err := rdb.ZScore(ctx, "rank:realtime", userID).Result()
    return int64(score), err
}

// 5. 获取我的附近排名（前后各5名）
func GetNearbyRank(userID string) ([]User, error) {
    rank, err := rdb.ZRevRank(ctx, "rank:realtime", userID).Result()
    if err != nil {
        return nil, err
    }
    
    start := rank - 5
    if start < 0 {
        start = 0
    }
    end := rank + 5
    
    return rdb.ZRevRangeWithScores(ctx, "rank:realtime", start, end).Result()
}

每日排行榜（自动过期）

func UpdateDailyScore(userID string, score int64, date time.Time) error {
    key := fmt.Sprintf("rank:daily:%s", date.Format("2006-01-02"))
    
    // 更新分数
    pipe := rdb.Pipeline()
    pipe.ZAdd(ctx, key, &redis.Z{Score: float64(score), Member: userID})
    pipe.Expire(ctx, key, 7*24*time.Hour)  // 7天后过期
    _, err := pipe.Exec(ctx)
    return err
}

SDK 推荐

Go Client

// 1. go-redis（推荐）
import "github.com/redis/go-redis/v9"

rdb := redis.NewClient(&redis.Options{
    Addr:     "localhost:6379",
    Password: "",
    DB:       0,
    PoolSize: 100,
})

// 2. redigo
import "github.com/gomodule/redigo/redis"

pool := &redis.Pool{
    MaxIdle:     10,
    MaxActive:   100,
    IdleTimeout: 300 * time.Second,
    Dial: func() (redis.Conn, error) {
        return redis.Dial("tcp", "localhost:6379")
    },
}

核心知识点总结

关键数字记忆

指标	数值	说明
性能	10w+ QPS	单机 Redis 性能
延迟	1ms	内存操作平均延迟
ziplist 阈值	512 entries, 64B	Hash/List 默认阈值
zset ziplist	128 entries, 64B	ZSet 默认阈值
大 Key	> 10KB or > 10000	需要拆分
慢查询	> 10ms	需要优化
内存碎片率	1.0 - 1.5	正常范围
主从延迟	< 1s	健康状态

数据结构选择决策树

需求：存储用户信息
├─ 只需要简单的 key-value？
│  └─ 是 → String（JSON）
├─ 需要部分字段更新？
│  ├─ 字段数 < 500 → Hash（ziplist）
│  └─ 字段数 > 500 → Hash（hashtable）
├─ 需要按顺序存储？
│  ├─ 消息队列 → List（quicklist）
│  ├─ 去重集合 → Set（intset/hashtable）
│  └─ 有序集合 → ZSet（ziplist/skiplist）

缓存设计检查清单

是否设置了过期时间（TTL）？
是否有缓存更新策略（写穿/写回/旁路）？
是否处理了缓存穿透（BloomFilter）？
是否处理了缓存击穿（分布式锁/singleflight）？
是否处理了缓存雪崩（随机TTL）？
是否监控了大 Key 和热 Key？
是否设置了内存淘汰策略？
是否配置了持久化（RDB/AOF）？
是否考虑了主从/集群高可用？

最佳实践速查

// ✅ 推荐做法
1. 设置过期时间：rdb.Set(ctx, key, val, 1*time.Hour)
2. 使用 Pipeline 批量操作：pipe.HSet(ctx, key, field, val)
3. 避免 KEYS 命令：使用 SCAN 替代
4. 使用 Lua 保证原子性：script.Run(ctx, rdb, keys, args)
5. 大 Key 拆分：按哈希分片或按时间分段
6. 热 Key 本地缓存：localCache + Redis 二级缓存
7. 使用连接池：PoolSize: 100
8. 设置超时：DialTimeout/ReadTimeout/WriteTimeout

// ❌ 避免做法
1. 不设置过期时间（内存泄漏）
2. 单次操作大量数据（阻塞）
3. 在循环中发送命令（网络 RTT）
4. 使用 KEYS * 命令（阻塞）
5. 单个 Key 过大（> 10MB）
6. 频繁创建连接（性能差）
7. 无监控告警（问题发现慢）
8. 不做持久化（数据丢失）

可视化图表索引

本文包含详细的数据结构可视化图表，详见：

Hash 相关

redis-hashtable.mmd - Dict 和 Hashtable 结构
redis-rehash-process.mmd - 渐进式 Rehash 流程
redis-hash-encoding.mmd - ziplist vs hashtable 对比
redis-hashtable-preview.md - 完整预览

Ziplist 相关

redis-ziplist-detail.mmd - Ziplist 详细结构
redis-ziplist-memory.mmd - 内存布局实例
redis-ziplist-hash-visual.mmd - Hash 实战可视化
redis-ziplist-hash-preview.md - 实战预览 ⭐

实战案例

redis-ziplist-hash-example.md - Hash {name:"iPhone", price:5999} 完整分析（字节级）

数据结构对比

redis-datastructure-comparison.mmd - ziplist vs linkedlist vs hashtable

更新日志

2026-01-08: 重大更新
- ✅ 新增 Hash 底层实现详解（ziplist 字节级分析 + hashtable 渐进式 rehash）
- ✅ 新增 String/List/Set/ZSet 底层实现说明
- ✅ 新增性能优化章节（大Key/热Key 处理）
- ✅ 新增监控告警方案
- ✅ 新增实战案例（秒杀、排行榜、BloomFilter）
- ✅ 新增可视化图表索引
- ✅ 优化文章结构，增加目录导航
2024-03-06: 初始版本
- 基础内容：数据类型、缓存策略、持久化、分布式方案

持续更新中，欢迎收藏！ 🚀