【redis】redis面試講解

>> 面試常問問題一

redis 集羣模式的工做原理能說一下麼？在集羣模式下， redis 的 key 是如何尋址的？分佈式尋址都有哪些算法？瞭解一致性 hash 算法嗎？

一、面試官心理分析

在前幾年，redis 若是要搞幾個節點，每一個節點存儲一部分的數據，得藉助一些中間件來實現，好比說有codis，或者 twemproxy，都有。有一些 redis 中間件，你讀寫 redis 中間件，redis 中間件負責將你的數據分佈式存儲在多臺機器上的 redis 實例中。

這兩年，redis 不斷在發展，redis 也不斷有新的版本，如今的 redis 集羣模式，能夠作到在多臺機器上，部署多個 redis 實例，每一個實例存儲一部分的數據，同時每一個 redis 主實例能夠掛 redis 從實例，自動確保說，若是 redis 主實例掛了，會自動切換到 redis 從實例上來。

如今 redis 的新版本，你們都是用 redis cluster 的，也就是 redis 原生支持的 redis 集羣模式，那麼面試官確定會就 redis cluster 對你來個幾連炮。要是你沒用過 redis cluster，正常，之前不少人用 codis 之類的客戶端來支持集羣，可是起碼你得研究一下 redis cluster 吧。

若是你的數據量不多，主要是承載高併發高性能的場景，好比你的緩存通常就幾個 G，單機就足夠了，可使用 replication，一個 master 多個 slaves，要幾個 slave 跟你要求的讀吞吐量有關，而後本身搭建一個 sentinel 集羣去保證 redis 主從架構的高可用性。

redis cluster，主要是針對海量數據+高併發+高可用的場景。redis cluster支撐N個 redis master node，每一個master node均可以掛載多個slave node。這樣整個redis就能夠橫向擴容了。若是你要支撐更大數據量的緩存，那就橫向擴容更多的master節點，每一個master節點就能存放更多的數據了。

二、面試題剖析

redis cluster 介紹

自動將數據進行分片，每一個 master 上放一部分數據

提供內置的高可用支持，部分 master 不可用時，仍是能夠繼續工做的

在 redis cluster 架構下，每一個 redis 要放開兩個端口號，好比一個是 6379，另一個就是 加 1w 的端口號，好比 16379。

16379 端口號是用來進行節點間通訊的，也就是 cluster bus 的東西，cluster bus 的通訊，用來進行故障檢測、配置更新、故障轉移受權。cluster bus 用了另一種二進制的協議，gossip 協議，用於節點間進行高效的數據交換，佔用更少的網絡帶寬和處理時間。

三、節點間的內部通訊機制

1）基本通訊原理

集羣元數據的維護有兩種方式：集中式、Gossip 協議。redis cluster 節點間採用 gossip 協議進行通訊。

集中式是將集羣元數據（節點信息、故障等等）幾種存儲在某個節點上。集中式元數據集中存儲的一個典型表明，就是大數據領域的 storm。它是分佈式的大數據實時計算引擎，是集中式的元數據存儲的結構，底層基於 zookeeper（分佈式協調的中間件）對全部元數據進行存儲維護。

redis 維護集羣元數據採用另外一個方式， gossip 協議，全部節點都持有一份元數據，不一樣的節點若是出現了元數據的變動，就不斷將元數據發送給其它的節點，讓其它節點也進行元數據的變動。

集中式的好處在於，元數據的讀取和更新，時效性很是好，一旦元數據出現了變動，就當即更新到集中式的存儲中，其它節點讀取的時候就能夠感知到；很差在於，全部的元數據的更新壓力所有集中在一個地方，可能會致使元數據的存儲有壓力。

gossip 好處在於，元數據的更新比較分散，不是集中在一個地方，更新請求會陸陸續續打到全部節點上去更新，下降了壓力；很差在於，元數據的更新有延時，可能致使集羣中的一些操做會有一些滯後。

10000 端口：每一個節點都有一個專門用於節點間通訊的端口，就是本身提供服務的端口號+10000，好比7001，那麼用於節點間通訊的就是 17001 端口。每一個節點每隔一段時間都會往另外幾個節點發送 ping 消息，同時其它幾個節點接收到 ping 以後返回 pong。交換的信息：信息包括故障信息，節點的增長和刪除，hash slot 信息等等。

2）gossip 協議

gossip 協議包含多種消息，包含 ping、pong、meet、fail 等等。

meet：某個節點發送 meet 給新加入的節點，讓新節點加入集羣中，而後新節點就會開始與其它節點進行通訊。

redis-trib.rb add-node

其實內部就是發送了一個 gossip meet 消息給新加入的節點，通知那個節點去加入咱們的集羣。

ping：每一個節點都會頻繁給其它節點發送 ping，其中包含本身的狀態還有本身維護的集羣元數據，互相經過 ping 交換元數據。

pong：返回ping和meeet，包括本身的狀態和其餘信息，也用於信息廣播和更新。fail：某個節點判斷另外一個節點fail以後，就發送fail給其餘節點，通知其餘節點說，某個節點宕機啦。

3）ping 消息深刻

ping 時要攜帶一些元數據，若是很頻繁，可能會加劇網絡負擔。

每一個節點每秒會執行 10 次 ping，每次會選擇 5 個最久沒有通訊的其它節點。固然若是發現某個節點通訊延時達到了 cluster_node_timeout / 2，那麼當即發送 ping，避免數據交換延時過長，落後的時間太長了。

好比說，兩個節點之間都 10 分鐘沒有交換數據了，那麼整個集羣處於嚴重的元數據不一致的狀況，就會有問題。因此 cluster_node_timeout 能夠調節，若是調得比較大，那麼會下降 ping 的頻率。

每次 ping，會帶上本身節點的信息，還有就是帶上 1/10 其它節點的信息，發送出去，進行交換。至少包含 3 個其它節點的信息，最多包含 總節點數減 2 個其它節點的信息。

4）分佈式尋址算法

hash 算法（大量緩存重建）

一致性 hash 算法（自動緩存遷移）+ 虛擬節點（自動負載均衡）

redis cluster 的 hash slot 算法

5）hash 算法

來了一個 key，首先計算 hash 值，而後對節點數取模。

而後打在不一樣的 master 節點上。一旦某一個master 節點宕機，全部請求過來，都會基於最新的剩餘 master 節點數去取模，嘗試去取數據。

這會致使大部分的請求過來，所有沒法拿到有效的緩存，致使大量的流量涌入數據庫。

6）一致性 hash 算法

一致性 hash 算法將整個 hash 值空間組織成一個虛擬的圓環，整個空間按順時針方向組織，下一步將各個 master 節點（使用服務器的 ip 或主機名）進行 hash。這樣就能肯定每一個節點在其哈希環上的位置。

來了一個 key，首先計算 hash 值，並肯定此數據在環上的位置，今後位置沿環順時針「行走」，遇到的第一個 master 節點就是 key 所在位置。

在一致性哈希算法中，若是一個節點掛了，受影響的數據僅僅是此節點到環空間前一個節點（沿着逆時針方向行走遇到的第一個節點）之間的數據，其它不受影響。增長一個節點也同理。

燃鵝，一致性哈希算法在節點太少時，容易由於節點分佈不均勻而形成緩存熱點的問題。爲了解決這種熱點問題，一致性 hash 算法引入了虛擬節點機制，即對每個節點計算多個 hash，每一個計算結果位置都放置一個虛擬節點。這樣就實現了數據的均勻分佈，負載均衡。

7）redis cluster 的 hash slot 算法

redis cluster 有固定的 16384 個 hash slot，對每一個 key 計算 CRC16 值，而後對 16384 取模，能夠獲取 key 對應的 hash slot。

redis cluster 中每一個 master 都會持有部分 slot，好比有 3 個 master，那麼可能每一個 master 持有5000 多個 hash slot。hash slot 讓 node 的增長和移除很簡單，增長一個 master，就將其餘 master的 hash slot 移動部分過去，減小一個 master，就將它的 hash slot 移動到其餘 master 上去。移動hash slot 的成本是很是低的。客戶端的 api，能夠對指定的數據，讓他們走同一個 hash slot，經過 hash tag 來實現。

任何一臺機器宕機，另外兩個節點，不影響的。由於 key 找的是 hash slot，不是機器。

四、redis cluster 的高可用與主備切換原理

redis cluster 的高可用的原理，幾乎跟哨兵是相似的。

1）判斷節點宕機

若是一個節點認爲另一個節點宕機，那麼就是 pfail，主觀宕機。若是多個節點都認爲另一個節點宕機了，那麼就是 fail，客觀宕機，跟哨兵的原理幾乎同樣，sdown，odown。

在 cluster-node-timeout 內，某個節點一直沒有返回 pong，那麼就被認爲 pfail。若是一個節點認爲某個節點 pfail 了，那麼會在 gossip ping 消息中，ping 給其餘節點，若是超過半數的節點都認爲 pfail 了，那麼就會變成 fail。

2）從節點過濾

對宕機的 master node，從其全部的 slave node 中，選擇一個切換成 master node。檢查每一個 slave node 與 master node 斷開鏈接的時間，若是超過了 ，那麼就沒有資格切換成 master。

3）從節點選舉

每一個從節點，都根據本身對 master 複製數據的 offset，來設置一個選舉時間，offset 越大（複製數據越多）的從節點，選舉時間越靠前，優先進行選舉。

全部的 master node 開始 slave 選舉投票，給要進行選舉的 slave 進行投票，若是大部分 master node（N/2 + 1）都投票給了某個從節點，那麼選舉經過，那個從節點能夠切換成 master。

從節點執行主備切換，從節點切換爲主節點。

與哨兵比較：

整個流程跟哨兵相比，很是相似，因此說，redis cluster 功能強大，直接集成了 replication 和sentinel 的功能。

>> 面試常問問題二

瞭解什麼是 redis 的雪崩、穿透和擊穿？redis 崩潰以後會 怎麼樣？系統該如何應對這種狀況？如何處理 redis 的穿透？

一、面試官心理分析

其實這是問到緩存必問的，由於緩存雪崩和穿透，是緩存最大的兩個問題，要麼不出現，一旦出現就是致命性的問題，因此面試官必定會問你。

二、面試題剖析

1）緩存雪崩

對於系統 A，假設天天高峯期每秒 5000 個請求，原本緩存在高峯期能夠扛住每秒 4000 個請求，可是緩存機器意外發生了全盤宕機。緩存掛了，此時 1 秒 5000 個請求所有落數據庫，數據庫必然扛不住，它會報一下警，而後就掛了。

此時，若是沒有采用什麼特別的方案來處理這個故障，DBA 很着急，重啓數據庫，可是數據庫立馬又被新的流量給打死了。

這就是緩存雪崩。

大約在 3 年前，國內比較知名的一個互聯網公司，曾由於緩存事故，致使雪崩，後臺系統所有崩潰，事故從當天下午持續到晚上凌晨 3~4 點，公司損失了幾千萬。

緩存雪崩的事前事中過後的解決方案以下。- 事前：redis 高可用，主從+哨兵，redis cluster，避免全盤崩潰。- 事中：本地 ehcache 緩存 + hystrix 限流&降級，避免 MySQL 被打死。- 過後：redis持久化，一旦重啓，自動從磁盤上加載數據，快速恢復緩存數據。

用戶發送一個請求，系統 A 收到請求後，先查本地 ehcache 緩存，若是沒查到再查 redis。若是 ehcache和 redis 都沒有，再查數據庫，將數據庫中的結果，寫入 ehcache 和 redis 中。

限流組件，能夠設置每秒的請求，有多少能經過組件，剩餘的未經過的請求，怎麼辦？走降級！能夠返回一些默認的值，或者友情提示，或者空白的值。

好處：- 數據庫絕對不會死，限流組件確保了每秒只有多少個請求能經過。- 只要數據庫不死，就是說，對用戶來講，2/5 的請求都是能夠被處理的。- 只要有 2/5 的請求能夠被處理，就意味着你的系統沒死，對用戶來講，可能就是點擊幾回刷不出來頁面，可是多點幾回，就能夠刷出來一次。

2）緩存穿透

對於系統 A，假設一秒 5000 個請求，結果其中 4000 個請求是黑客發出的惡意攻擊。黑客發出的那 4000 個攻擊，緩存中查不到，每次你去數據庫裏查，也查不到。

舉個栗子。

數據庫 id 是從 1 開始的，結果黑客發過來的請求 id 所有都是負數。這樣的話，緩存中不會有，請求每次都「視緩存於無物」，直接查詢數據庫。這種惡意攻擊場景的緩存穿透就會直接把數據庫給打死。

解決方式很簡單，每次系統 A 從數據庫中只要沒查到，就寫一個空值到緩存裏去，好比 set -999 UNKNOWN。而後設置一個過時時間，這樣的話，下次有相同的 key 來訪問的時候，在緩存失效以前，均可以直接從緩存中取數據。

3）緩存擊穿

緩存擊穿，就是說某個key很是熱點，訪問很是頻繁，處於集中式高併發訪問的狀況，當這個key在失效的瞬間，大量的請求就擊穿了緩存，直接請求數據庫，就像是在一道屏障上鑿開了一個洞。

解決方式也很簡單，能夠將熱點數據設置爲永遠不過時；或者基於 redis or zookeeper 實現互斥鎖，等待第一個請求構建完緩存以後，再釋放鎖，進而其它請求才能經過該 key 訪問數據。

>> 面試常問問題三：

如何保證緩存與數據庫的雙寫一致性？

一、面試官心理分析

你只要用緩存，就可能會涉及到緩存與數據庫雙存儲雙寫，你只要是雙寫，就必定會有數據一致性的問題，那麼你如何解決一致性問題？

二、面試題剖析

通常來講，若是容許緩存能夠稍微的跟數據庫偶爾有不一致的狀況，也就是說若是你的系統不是嚴格要求「緩存+數據庫」 必須保持一致性的話，最好不要作這個方案，即：讀請求和寫請求串行化，串到一個內存隊列裏去。

串行化能夠保證必定不會出現不一致的狀況，可是它也會致使系統的吞吐量大幅度下降，用比正常狀況下多幾倍的機器去支撐線上的一個請求。

1）Cache Aside Pattern

最經典的緩存+數據庫讀寫的模式，就是 Cache Aside Pattern。- 讀的時候，先讀緩存，緩存沒有的話，就讀數據庫，而後取出數據後放入緩存，同時返回響應。- 更新的時候，先更新數據庫，而後再刪除緩存。

爲何是刪除緩存，而不是更新緩存？

緣由很簡單，不少時候，在複雜點的緩存場景，緩存不僅僅是數據庫中直接取出來的值。

好比可能更新了某個表的一個字段，而後其對應的緩存，是須要查詢另外兩個表的數據並進行運算，才能計算出緩存最新的值的。

另外更新緩存的代價有時候是很高的。是否是說，每次修改數據庫的時候，都必定要將其對應的緩存更新一份？也許有的場景是這樣，可是對於比較複雜的緩存數據計算的場景，就不是這樣了。

若是你頻繁修改一個緩存涉及的多個表，緩存也頻繁更新。可是問題在於，這個緩存到底會不會被頻繁訪問到？

舉個栗子，一個緩存涉及的表的字段，在 1 分鐘內就修改了 20 次，或者是 100 次，那麼緩存更新 20 次、100 次；可是這個緩存在 1 分鐘內只被讀取了 1 次，有大量的冷數據。

實際上，若是你只是刪除緩存的話，那麼在 1 分鐘內，這個緩存不過就從新計算一次而已，開銷大幅度下降。用到緩存纔去算緩存。

其實刪除緩存，而不是更新緩存，就是一個 lazy 計算的思想，不要每次都從新作複雜的計算，無論它會不會用到，而是讓它到須要被使用的時候再從新計算。像 mybatis，hibernate，都有懶加載思想。

查詢一個部門，部門帶了一個員工的 list，沒有必要說每次查詢部門，都裏面的 1000 個員工的數據也同時查出來啊。80%的狀況，查這個部門，就只是要訪問這個部門的信息就能夠了。先查部門，同時要訪問裏面的員工，那麼這個時候只有在你要訪問裏面的員工的時候，纔會去數據庫裏面查詢1000個員工。

2）最初級的緩存不一致問題及解決方案

問題：先更新數據庫，再刪除緩存。若是刪除緩存失敗了，那麼會致使數據庫中是新數據，緩存中是舊數據，數據就出現了不一致。

解決思路：先刪除緩存，再更新數據庫。若是數據庫更新失敗了，那麼數據庫中是舊數據，緩存中是空的，那麼數據不會不一致。由於讀的時候緩存沒有，因此去讀了數據庫中的舊數據，而後更新到緩存中。

3）比較複雜的數據不一致問題分析

數據發生了變動，先刪除了緩存，而後要去修改數據庫，此時還沒修改。一個請求過來，去讀緩存，發現緩存空了，去查詢數據庫，查到了修改前的舊數據，放到了緩存中。隨後數據變動的程序完成了數據庫的修改。

完了，數據庫和緩存中的數據不同了……

爲何上億流量高併發場景下，緩存會出現這個問題？

只有在對一個數據在併發的進行讀寫的時候，纔可能會出現這種問題。其實若是說你的併發量很低的話，特別是讀併發很低，天天訪問量就 1 萬次，那麼不多的狀況下，會出現剛纔描述的那種不一致的場景。

可是問題是，若是天天的是上億的流量，每秒併發讀是幾萬，每秒只要有數據更新的請求，就可能會出現上述的數據庫+緩存不一致的狀況。

解決方案以下：

更新數據的時候，根據數據的惟一標識，將操做路由以後，發送到一個 jvm 內部隊列中。讀取數據的時候，若是發現數據不在緩存中，那麼將從新讀取數據+更新緩存的操做，根據惟一標識路由以後，也發送同一個jvm 內部隊列中。

一個隊列對應一個工做線程，每一個工做線程串行拿到對應的操做，而後一條一條的執行。這樣的話一個數據變動的操做，先刪除緩存，而後再去更新數據庫，可是還沒完成更新。此時若是一個讀請求過來，沒有讀到緩存，那麼能夠先將緩存更新的請求發送到隊列中，此時會在隊列中積壓，而後同步等待緩存更新完成。

這裏有一個優化點，一個隊列中，其實多個更新緩存請求串在一塊兒是沒意義的，所以能夠作過濾，若是發現隊列中已經有一個更新緩存的請求了，那麼就不用再放個更新請求操做進去了，直接等待前面的更新操做請求完成便可。

待那個隊列對應的工做線程完成了上一個操做的數據庫的修改以後，纔會去執行下一個操做，也就是緩存更新的操做，此時會從數據庫中讀取最新的值，而後寫入緩存中。若是請求還在等待時間範圍內，不斷輪詢發現能夠取到值了，那麼就直接返回；若是請求等待的時間超過必定時長，那麼這一次直接從數據庫中讀取當前的舊值。

4）高併發的場景下，該解決方案要注意的問題

讀請求長時阻塞

因爲讀請求進行了很是輕度的異步化，因此必定要注意讀超時的問題，每一個讀請求必須在超時時間範圍內返回。該解決方案，最大的風險點在於說，可能數據更新很頻繁，致使隊列中積壓了大量更新操做在裏面，而後讀請求會發生大量的超時，最後致使大量的請求直接走數據庫。務必經過一些模擬真實的測試，看看更新數據的頻率是怎樣的。

另一點，由於一個隊列中，可能會積壓針對多個數據項的更新操做，所以須要根據本身的業務狀況進行測試，可能須要部署多個服務，每一個服務分攤一些數據的更新操做。

若是一個內存隊列裏竟然會擠壓 100 個商品的庫存修改操做，每隔庫存修改操做要耗費 10ms 去完成，那麼最後一個商品的讀請求，可能等待 後，才能獲得數據，這個時候就致使讀請求的長時阻塞。

必定要作根據實際業務系統的運行狀況，去進行一些壓力測試，和模擬線上環境，去看看最繁忙的時候，內存隊列可能會擠壓多少更新操做，可能會致使最後一個更新操做對應的讀請求，會 hang 多少時間，若是讀請求在 200ms 返回，若是你計算事後，哪怕是最繁忙的時候，積壓 10 個更新操做，最多等待 200ms，那還能夠的。

若是一個內存隊列中可能積壓的更新操做特別多，那麼你就要加機器，讓每一個機器上部署的服務實例處理更少的數據，那麼每一個內存隊列中積壓的更新操做就會越少。

其實根據以前的項目經驗，通常來講，數據的寫頻率是很低的，所以實際上正常來講，在隊列中積壓的更新操做應該是不多的。像這種針對讀高併發、讀緩存架構的項目，通常來講寫請求是很是少的，每秒的 QPS 能到幾百就不錯了。

咱們來實際粗略測算一下。

若是一秒有 500 的寫操做，若是分紅 5 個時間片，每 200ms 就 100 個寫操做，放到 20 個內存隊列中，每一個內存隊列，可能就積壓 5 個寫操做。每一個寫操做性能測試後，通常是在 20ms 左右就完成，那麼針對每一個內存隊列的數據的讀請求，也就最多 hang 一下子，200ms 之內確定能返回了。

通過剛纔簡單的測算，咱們知道，單機支撐的寫 QPS 在幾百是沒問題的，若是寫 QPS 擴大了 10 倍，那麼就擴容機器，擴容 10 倍的機器，每一個機器 20 個隊列。

讀請求併發量太高

這裏還必須作好壓力測試，確保恰巧碰上上述狀況的時候，還有一個風險，就是忽然間大量讀請求會在幾十 毫秒的延時 hang 在服務上，看服務能不能扛的住，須要多少機器才能扛住最大的極限狀況的峯值。

可是由於並非全部的數據都在同一時間更新，緩存也不會同一時間失效，因此每次可能也就是少數數據的緩存失效了，而後那些數據對應的讀請求過來，併發量應該也不會特別大。

多服務實例部署的請求路由

可能這個服務部署了多個實例，那麼必須保證說，執行數據更新操做，以及執行緩存更新操做的請求，都經過 Nginx 服務器路由到相同的服務實例上。

好比說，對同一個商品的讀寫請求，所有路由到同一臺機器上。能夠本身去作服務間的按照某個請求參數的hash 路由，也能夠用 Nginx 的 hash 路由功能等等。

熱點商品的路由問題，致使請求的傾斜

萬一某個商品的讀寫請求特別高，所有打到相同的機器的相同的隊列裏面去了，可能會形成某臺機器的壓力過大。

就是說，由於只有在商品數據更新的時候纔會清空緩存，而後纔會致使讀寫併發，因此其實要根據業務系統去看，若是更新頻率不是過高的話，這個問題的影響並非特別大，可是的確可能某些機器的負載會高一些。

>> 面試常問問題四

redis 的併發競爭問題是什麼？如何解決這個問題？瞭解redis 事務的 CAS 方案嗎？

一、面試官心理分析

這個也是線上很是常見的一個問題，就是多客戶端同時併發寫一個 key，可能原本應該先到的數據後到了，致使數據版本錯了；或者是多客戶端同時獲取一個 key，修改值以後再寫回去，只要順序錯了，數據就錯了。

並且 redis 本身就有自然解決這個問題的 CAS 類的樂觀鎖方案。

二、面試題剖析

某個時刻，多個系統實例都去更新某個 key。能夠基於 zookeeper 實現分佈式鎖。每一個系統經過zookeeper 獲取分佈式鎖，確保同一時間，只能有一個系統實例在操做某個 key，別人都不容許讀和寫。

你要寫入緩存的數據，都是從 mysql 裏查出來的，都得寫入 mysql 中，寫入 mysql 中的時候必須保存一個時間戳，從 mysql 查出來的時候，時間戳也查出來。

每次要寫以前，先判斷一下當前這個 value 的時間戳是否比緩存裏的 value 的時間戳要新。若是是的話，那麼能夠寫，不然，就不能用舊的數據覆蓋新的數據。

>> 面試常問問題五

生產環境中的 redis 是怎麼部署的？

一、面試官心理分析

看看你瞭解不瞭解大家公司的 redis 生產集羣的部署架構，若是你不瞭解，那麼確實你就很失職了，你的redis 是主從架構？集羣架構？用了哪一種集羣方案？有沒有作高可用保證？有沒有開啓持久化機制確保能夠進行數據恢復？線上 redis 給幾個 G 的內存？設置了哪些參數？壓測後大家 redis 集羣承載多少QPS？

兄弟，這些你必須是門兒清的，不然你確實是沒好好思考過。

二、面試題剖析

redis cluster，10 臺機器，5 臺機器部署了 redis 主實例，另外 5 臺機器部署了 redis 的從實例， 每一個主實例掛了一個從實例，5 個節點對外提供讀寫服務，每一個節點的讀寫高峯 qps 可能能夠達到每秒 5 萬，5 臺機器最可能是 25 萬讀寫請求/s。

機器是什麼配置？32G 內存+ 8 核 CPU + 1T 磁盤，可是分配給 redis 進程的是 10g 內存，通常線上生產環境，redis 的內存儘可能不要超過 10g，超過 10g 可能會有問題。5 臺機器對外提供讀寫，一共有 50g 內存。

由於每一個主實例都掛了一個從實例，因此是高可用的，任何一個主實例宕機，都會自動故障遷移，redis 從實例會自動變成主實例繼續提供讀寫服務。

你往內存裏寫的是什麼數據？每條數據的大小是多少？商品數據，每條數據是 10kb。100 條數據是 1mb，10 萬條數據是 1g。常駐內存的是 200 萬條商品數據，佔用內存是 20g，僅僅不到總內存的 50%。目前高峯期每秒就是 3500 左右的請求量。

其實大型的公司，會有基礎架構的 team 負責緩存集羣的運維。