Redis 修炼之路【第21讲：秒杀系统设计】
本文介绍了使用 Redis 实现高并发秒杀系统的核心方案。系统采用分层架构：Nginx 限流→应用服务→Redis 库存扣减→MQ 异步下单→MySQL。关键技术点包括：1. 使用 Redis 的 decr 原子操作避免超卖；2. 通过Set集合防止用户重复下单；3. 异步消息队列削峰填谷。方案还包含库存预热、异步处理和数据库兜底三重保障机制，在保证数据一致性的同时实现高并发处理。该方案充分利用Redis的原子特性和高性能，有效解决了秒杀场景下的库存控制难题。
辰风沐阳 阅读 67 2026-07-24
Redis 修炼之路【第20讲：滑动窗口限流器】
本文介绍了一种基于 Redis ZSet 实现的滑动窗口限流方案，用于防止接口被恶意高频调用。核心思路是将每次请求的时间戳作为 score 存入 ZSet，通过统计窗口期内元素数量判断是否超限。方案支持通过 pipeline 批量执行清理过期数据、添加记录、计数和设置过期时间等操作，并可按用户、接口或 IP 等不同维度进行限流控制。这种实现简单高效，能有效应对突发流量问题。
辰风沐阳 阅读 59 2026-07-23
Redis 修炼之路【第19讲：延迟队列实现】
本文介绍如何使用 Redis 的 ZSet 实现延迟队列功能。核心思路是将任务执行时间戳存入 ZSet 的 score，任务内容作为 member。通过 zrangebyscore 获取到期任务，配合 zrem 实现任务消费的原子性操作，防止重复执行。消费逻辑采用先删除再执行的策略，利用 zrem 返回值确保多 worker 安全。失败任务可通过重试机制处理，设置最大重试次数。该方法适用于简单场景，复杂需求建议使用专业消息队列如 RabbitMQ/RocketMQ。
辰风沐阳 阅读 63 2026-07-22
Redis 修炼之路【第18讲：Redis 分布式锁实战】
本文介绍了分布式系统中使用 Redis 实现锁机制的方法。核心问题在于多服务器并发操作库存导致的超卖情况。基础方案是使用 set NX EX 命令加锁，配合删除操作。但存在锁过期误删问题，需通过 UUID 标识锁归属，并用 Lua 脚本保证原子性释放。针对长任务需引入看门狗机制自动续期，推荐直接使用 Redisson 工具库实现。关键点包括：唯一标识防误删、原子操作脚本、自动续期设计，强调原理理解与实际工具使用并重。
辰风沐阳 阅读 58 2026-07-21
Redis 修炼之路【第17讲：缓存雪崩为什么这么危险】
缓存雪崩指大批 key 同时失效或 Redis 宕机，导致请求直接冲击数据库，比缓存穿透和击穿更严重。解决方案包括：为 key 设置随机过期时间避免同时失效、采用多级缓存（本地+Redis）、部署 Redis 高可用集群（哨兵/Cluster模式）、实施限流降级保护数据库。与穿透（查询不存在key）和击穿（热点key失效）相比，雪崩影响范围更广，需综合运用多种策略保障系统稳定性。
辰风沐阳 阅读 75 2026-07-20
Redis 修炼之路【第16讲：缓存击穿和热点 Key】
缓存击穿指热点 key 突然过期，导致大量请求直接冲击 MySQL。解决方案包括： 互斥锁：仅允许一个请求查询数据库，其他请求等待，可能影响用户体验； 逻辑过期：value 中存储逻辑过期时间，先返回旧数据并异步更新，平衡一致性与性能； 热点 Key 防护：提前缓存、延长过期时间或使用本地缓存（如Caffeine）。与缓存穿透（查询不存在的key）不同，缓存击穿针对热点 key 失效场景，需结合业务选择合适策略。
辰风沐阳 阅读 91 2026-07-19
Redis 修炼之路【第15讲：缓存穿透到底怎么解决】
本文介绍了缓存穿透问题及其解决方案。当恶意请求大量不存在的数据时，请求会绕过缓存直接访问数据库，导致数据库过载。解决方案包括：1. 缓存空值，但会占用内存；2. 使用布隆过滤器预先过滤无效请求；3. 在接口层进行参数校验。三种方法结合使用可有效防止缓存穿透问题。
辰风沐阳 阅读 84 2026-07-18
Redis 修炼之路【第14讲：GEO 附近的人】
Redis 的 GEO 类型能高效实现"附近的人/店/车"功能，底层基于 ZSet 和 GeoHash 编码。通过 geoadd 存储经纬度，geodist 计算距离，georadius 查询附近范围，精度约1米。适用于商家定位、打车软件等场景，百万级数据性能良好。使用时需注意经纬度范围限制，重复添加会更新坐标。GEO 功能简单易用，是处理地理位置数据的理想选择。
辰风沐阳 阅读 80 2026-07-17
Redis 修炼之路【第13讲：HyperLogLog 统计 UV】
本文介绍了使用 Redis 的 HyperLogLog 数据结构进行 UV（独立访客）统计的方法。相比传统 Set 集合，HyperLogLog 只需12KB固定内存即可统计2^64个元素，误差率仅0.81%，但不存储具体元素。基本操作包括 pfadd 添加元素、pfcount 统计数量和 pfmerge 合并多个集合。适用于大规模UV统计场景，如全站月度UV合并计算。当需要精确统计、小数据量或获取具体用户列表时，仍建议使用Set集合。HyperLogLog 通过哈希值前导零的统计实现概率估算，是高性能UV统计的理想选择。
辰风沐阳 阅读 93 2026-07-16
Redis 修炼之路【第12讲：Bitmap 统计签到】
本文介绍了 Redis 中 Bitmap 的妙用，Bitmap 底层是 String类型，每个 bit 表示一个状态（0/1），可高效存储签到、在线等二元状态数据。相比 Set 存储，100 万用户签到数据从 50MB+ 降至 125KB，节省400倍空间。演示 setbit/getbit/bitcount 操作和 Python 实现，指出 Bitmap 适用于布尔型场景，而需要存储具体信息时仍需使用Set。核心优势在于用1bit即可记录用户状态，极大节省存储空间。
辰风沐阳 阅读 89 2026-07-15