Redis基础原理

　　底层数据结构
　　Redis 解决哈希冲突的方式，就是链式哈希
　　如果一次性把哈希表 1 中的数据都迁移完，会造成 Redis 线程阻塞，无法服务其他请求。此时，Redis 就无法快速访问数据了。 为了避免这个问题，Redis 采用了 渐进式 rehash 。 简单来说就是在第二步拷贝数据时，Redis 仍然正常处理客户端请求，每处理一个请求 时，从哈希表 1 中的第一个索引位置开始，顺带着将这个索引位置上的所有 entries 拷贝到哈希表 2 中；等处理下一个请求时，再顺带拷贝哈希表 1 中的下一个索引位置的。
　　压缩列表实际上类似于一个数组，数组中的每一个元素都对应保存一个数据。和数组不同的是，压缩列表在表头有三个字段 zlbytes、zltail 和 zllen，分别表示列表长度、列表尾的偏移量和列表中的 entry 个数；压缩列表在表尾还有一个 zlend，表示列表结束。
　　有序链表只能逐一查找元素，导致操作起来非常缓慢，于是就出现了跳表。具体来说，跳表在链表的基础上， 增加了多级索引，通过索引位置的几个跳转，实现数据的快速定位 。
　　持久化机制
　　AOF
　　Redis 是先执行命令，把数据写入内存，然后才记录日志。AOF 里记录的是 Redis 收到的每一条命令，这些命令是以文本形式保存的。为了避免额外的检查开销，Redis 在向 AOF 里面记录日志的时候，并不会先去对这些命令进行语法检查。所以，如果先记日志再执行命令的话，日志中就有可能记录了错误的命令，Redis 在使用日志恢复数据时，就可能会出错。在命令执行后才记录日志，不会阻塞当前的写操作。
　　潜在的风险 执行完命令，没有来得及记日志就宕机，那么这个命令和相应的数据就有丢失的风险。 AOF 虽然避免了对当前命令的阻塞，但可能会给下一个操作带来阻塞风险。这是因为，AOF 日志也是在主线程中执行的。
　　三种写回策略
　　解决AOF文件过大带来的性能问题 文件系统对文件大小有限制，无法保存过大的文件。 文件过大追加命令效率变低。 发生宕机，使用AOF记录的命令去恢复，如果文件过大，恢复过程缓慢。
　　AOF重写机制简单点就是在重写时，Redis 根据数据库的现状创建一个新的 AOF 文件。和 AOF 日志由主线程写回不同，重写过程是由后台线程 bgrewriteaof 来完成的，避免阻塞主线程导致数据库性能下降。
　　RDB   记录的是某一时刻的数据而不是操作，在做数据恢复时，可以直接把 RDB 文件读入内存，很快完成恢复操作。Redis的数据都在内存中，为了提供所有数据的可靠性保证，执行的是**全量快照**，把内存中的所有数据都记录到磁盘中。
　　Redis 提供了两个命令来生成 RDB 文件save：在主线程中执行，会导致阻塞。 bgsave：创建一个子进程，专门用于写入 RDB 文件，避免了主线程的阻塞，这是RDB 文件生成的默认配置。
　　如果主线程对这些数据也都是读操作（例如图中的键值对 A），那么，主线程和bgsave 子进程相互不影响。但是，如果主线程要修改一块数据（例如图中的键值对 C）， 那么，这块数据就会被复制一份，生成该数据的副本。然后，bgsave 子进程会把这个副本数据写入 RDB 文件，而在这个过程中，主线程仍然可以直接修改原来的数据。
　　可以每秒做一次快照吗？虽然 bgsave 执行时不阻塞主线程，但是，如果频繁地执行全量快照，也会带来两方面的开销。频繁将全量数据写入磁盘，会给磁盘带来很大压力，多个快照竞争有限的磁盘带宽 fork 这个创建过程本身会阻塞主线程，而且主线程的内存越大，阻塞时间越长。
　　一般使用增量快照。就是指做了一次全量快照后，后续的快照只对修改的数据进行快照记录，这样可以避免每次全量快照的开销。
　　AOF和RDB选择问题数据不能丢失时，内存快照和 AOF 的混合使用是一个很好的选择； 如果允许分钟级别的数据丢失，可以只使用 RDB； 如果只用 AOF，优先使用 everysec 的配置选项，因为它在可靠性和性能之间取了一个平衡。
　　主从同步 主从库间数据第一次同步的三个阶段
　　** 通过＂主 - 从 - 从＂模式将主库生成 RDB 和传输 RDB 的压力， 以级联的方式分散到从库上。
　　一旦主从库完成了全量复制，它们之间就会一 直维护一个网络连接，主库会通过这个连接将后续陆续收到的命令操作再同步给从库，这个过程也称为基于长连接的命令传播**，可以避免频繁建立连接的开销。
　　主从库间网络断了怎么办？当主从库断连后，主库会把断连期间收到的写操作命令，写入 replication buffer，同时也会把这些操作命令也写入 repl_backlog_buffer 这个缓冲区。 repl_backlog_buffer 是一个环形缓冲区，主库会记录自己写到的位置，从库则会记录自己已经读到的位置。
　　因为 repl_backlog_buffer 是一个环形缓冲区，所以在缓冲区写满后，主库会继续写入，此时，就会覆盖掉之前写入的操作。如果从库的读取速度比较慢，就有可能导致从库还未读取的操作被主库新写的操作覆盖了，这会导致主从库间的数据不一致。一般而言，我们可以调整 repl_backlog_size 这个参数。这个参数和所需的缓冲空间大小有关。缓冲空间的计算公式是：缓冲空间大小 = 主库写入命令速度 * 操作大小 - 主从库间网络传输命令速度 * 操作大小。在实际应用中，考虑到可能存在一些突发的请求压力，我们通常需要把这个缓冲空间扩大一倍，即repl_backlog_size = 缓冲空间大小 * 2，这也就是 repl_backlog_size 的最终值。
　　哨兵集群
　　场景
　　哨兵集群某个实例出现故障，其他哨兵完成主从切换工作（判断主库是否下线、选择新主库、通知从库以及客户端）
　　主观下线和客观下线
　　** 哨兵进程会使用 PING 命令检测它自己和主、从库的网络连接情况，用来判断实例的状态**。如果哨兵发现主库或从库对 PING 命令的响应超时，哨兵就会先把它标记为＂主观下线＂。如果检测的是主库，那么，哨兵还不能简单地把它标记为＂主观下线＂。哨兵机制也是类似的，它通常会采用多实例组成的集群模式进行部署，这也被称为哨兵集群。引入多个哨兵实例一起来判断，就可以避免单个哨兵因为自身网络状况不好而误判主库下线的情况。同时，多个哨兵的网络同时不稳定的概率较小，由它们一起做决策，误判率也能降低。
　　＂客观下线＂的标准就是，当有 N 个哨兵实例时，最好要有 N/2 + 1 个实例判断主库为＂主观下线＂，才能最终判定主库为＂客观下线＂。
　　选定新主库  先按照**一定的筛选条件**，把不符合条件的从库去掉。然后，我们再按照**一定的规则**，给剩下的从库逐个打分，将得分最高的从库选为新主库。在选主时，**除了要检查从库的当前在线状态，还要判断它之前的网络连接状态（**down-after-milliseconds**）。**
　　** **剩余从库打分筛选条件优先级最高的从库得分高 和旧主库同步程度最接近的从库得分高 ID 号小的从库得分高
　　切片集群
　　场景
　　用Redis保存5000万键值对，每个键值对约512B（5000万 * 512B）为了能对外提供服务，采用云主机来运行Redis实例，那么该如何选择云主机的内存容量？
　　方案一
　　采用选择一台32GB（或者更高）内存的云足迹来部署Redis。同时采用RDB对数据做持久化，以确保Redis实例故障后能从RDB恢复数据。缺点：Redis响应会有点慢。通过INFO命令查看Redis的latest_fork_usec指标（最近一次fork的耗时），结果到秒级。这个跟持久化有关系。在使用RDB进行持久化时，Redis会fork子进程来完成，fork操作的用时和Redis的数据量是正相关的，fork在执行时会阻塞主线程，数据量越大，fork操作的主线程阻塞的时间越长。就会导致Redis响应变慢
　　方案二
　　切片集群也叫分片集群，就是启动多个Redis实例组成一个集群，按照一定规则，把收到的数据划分成多份，每一份用一个实例来保存。按照刚才的场景，可以如下图所示。
　　优点：与纵向扩展相比，横向扩展是拓展性更好的选择方案。这是因为，要想保留更多的数据，采用这种方案的话，只增加Redis实例个数就可以了，不用担心单个实例的硬件和成本限制。
　　这种方式切引入了新的问题。数据切片后在多个实例之间如何分布 客户端怎么确定想要访问的数据在哪个实例上
　　Redis3.0之后使用Redis Cluster方案实现切片集群。在Redis Cluster的方案中，一个切片集群共有16384个哈希槽，这些哈希槽类似于数据分区，每个键值对都会根据它的key被映射到一个hash槽中。使用 cluster create 命令创建集群，此时，Redis会自动把这些槽平均分布在集群实例上。例如，如果集群中有 N 个实例，那么，每个实例上的槽个数为 16384/N 个。假设集群中不同 Redis 实例的内存大小配置不一，如果把哈希槽均分在各个实例上，在保存相同数量的键值对时，和内存大的实例相比，内存小的实例就会有更大的容量压力。遇到这种情况时，可以根据不同实例的资源配置情况，使用 cluster addslots命令手动分配哈希槽。如下图所示，分配哈希槽的过程如下。
　　通过切面集群，实现了数据到哈希槽、哈希槽再到实例的分配。但是即使实例有了哈希槽的映射信息，客户端如何知道数据在哪个实例上呢？
　　客户端定位数据
　　一般来说，客户端和集群实例建立连接后，实例就会把哈希槽的分配信息发给客户端。但是，在集群刚刚创建的时候，每个实例只知道自己被分配了哪些哈希槽，是不知道其他实
　　例拥有的哈希槽信息的。Redis 实例会把自己的哈希槽信息发给和它相连接的其它实例，来完成哈希槽分配信息的扩散。当实例之间相互连接后，每个实例就有所有哈希槽的映射关系了。
　　集群中Redis实例新增/删除，需重新分配哈希槽，为负载均衡，需要把哈希槽在所有实例上重新分布一遍。客户端无法感知变化，会通过一种重定向机制实现。
　　以上是MOVED命令响应流程。在实际应用时，如果 Slot 2 中的数据比较多，就可能会出现一种情况：客户端向实例 2 发送请求，但此时，Slot 2 中的数据只有一部分迁移到了实例 3，还有部分数据没有迁移。
　　在这种迁移部分完成的情况下，客户端就会收到一条ASK报错信息，ASK 命令表示两层含义：第一，表明 Slot 数据还在迁移中；第二，ASK 命令把客户端所请求数据的最新实例地址返回给客户端，此时，客户端需要给实例 3 发送 ASKING 命令，然后再发送操作命令。
　　MOVED 命令不同，ASK 命令并不会更新客户端缓存的哈希槽分配信息。
　　Redis性能的影响因素
　　单线程的阻塞客户端
　　网络 IO，键值对增删改查操作，数据库操作； 磁盘
　　生成 RDB 快照，记录 AOF 日志，AOF 日志重写； 主从节点
　　主库生成、传输 RDB 文件，从库接收 RDB 文件、清空数据库、加载 RDB 文件 切片集群实例
　　向其他实例传输哈希槽信息，数据迁移。
　　处理方式：非关键路径进行异步处理
　　波动的响应延迟自身的操作通过Redis日志或者latency monitor 工具查看慢查询命令 ，使用高效命令替代，
　　客户端去做数据的集合操作。过期Key操作，使用随机数避免大量的key同时过期。 文件系统
　　fsync 的执行时间很长，如果是在 Redis 主线程中执行 fsync，就容易阻塞主线程。
　　AOF 重写会对磁盘进行大量 IO 操作，压力比较大时会导致 fsync 被阻塞。虽然 fsync 是由后台子线程负责执行的，但主线程会监控 fsync 的执行进度。 操作系统内存swap
　　是操作系统里将内存数据在内存和磁盘间来回换入和换出的机制，涉及到磁盘的读写。
　　一旦触发 swap，无论是被换入数据的进程，还是被换出数据的进程，其性能都会受到慢速磁盘读写的影响。
　　触发swap 主要原因是 物理机器内存不足
　　解决思路： 增加机器的内存或者使用 Redis 集群 内存大页
　　Linux 内核从 2.6.38 开始支持内存大页机制，该机制支持 2MB 大小的内存页分配，而常规的内存页分配是按 4KB 的粒度来执行的。
　　一般不建议使用内存大页机制。
　　CPU
　　多CPU架构
　　在多CPU架构上，应用程序可以在多处理器上运行，在多Socket切换运行进行内存访问会增加应用程序延迟。
　　CPU多核
　　不同核之间切换运行时信息
　　解决的方式：应用程序绑核
　　内存碎片内存分配器的分配策略
　　操作系统一般无法做到按需分配，一般是按照固定大小分配 键值对大小不一样和删改操作
　　不同的业务数据存储在Redis会带来大小不一的键值对
　　使用Redis自身的Info命令查看 mem_fragmentation_ratio，该指标表示当前的内存碎片率，是used_memory_rss 和 used_memory 相除的结果。
　　used_memory_rss 是操作系统实际分配给 Redis 的物理内存空间，里面就包含了碎片；而 used_memory 是 Redis 为了保存数据实际申请使用的空间。
　　一般来说1< mem_fragmentation_ratio <1.5解决方法：重启
　　如果 Redis 中的数据没有持久化数据会丢失；
　　即使 Redis 数据持久化了，还需要通过 AOF 或 RDB 进行恢复，恢复时长取决于AOF 或 RDB 的大小，如果只有一个 Redis 实例，恢复阶段无法提供服务。 开启自动清理
　　开启自动清理配置 config set activedefrag yes
　　active-defrag-ignore-bytes 100mb ：表示内存碎片的字节数达到 100MB 时，开始清理；
　　active-defrag-threshold-lower 10 ：表示内存碎片空间占操作系统分配给 Redis 的总空间比例达到 10% 时，开始清理。
　　active-defrag-cycle-min 25 ： 表示自动清理过程所用 CPU 时间的比例不低于25%，保证清理能正常开展；
　　active-defrag-cycle-max 75 ：表示自动清理过程所用 CPU 时间的比例不高于75%，一旦超过，就停止清理，从而避免在清理时，大量的内存拷贝阻塞 Redis，导致响应延迟升高。
　　碎片清理是有代价的 ，操作系统需要把多份数据拷贝到新位置，把原有空间释放出来，这会带来时间开销。
　　因为 Redis 是单线程，在数据拷贝时，Redis 只能等着，这就导致 Redis 无法及时处理请求，性能就会降低。
　　缓冲区
　　输入缓冲区就是用来暂存客户端发送的请求命令的，导致溢出的情况主要是下面两种:写入了 bigkey，比如一下子写入了多个百万级别的集合类型数据； 服务器端处理请求的速度过慢，例如，Redis 主线程出现了间歇性阻塞，无法及时处理正常发送的请求，导致客户端发送的请求在缓冲区越积越多。
　　输出缓冲区溢出的情况有服务器端返回 bigkey 的大量结果； 执行了 MONITOR 命令，是用来监测 Redis 执行的，该命令不能用在线上生产环境 缓冲区大小设置得不合理。
　　缓存淘汰机制
　　缓存满了如何处理？缓存淘汰机制noeviction
　　Redis 在使用的内存空间超过 maxmemory 值时，并不会淘汰数据。 volatile-random
　　在筛选时，会针对设置了过期时间的键值对，根据过期时间的先后进行删除，越早过期的越先被删除。 volatile-random
　　在设置了过期时间的键值对中，进行随机删除。 volatile-lru
　　会使用 LRU 算法筛选设置了过期时间的键值对volatile-lru。 volatile-lfu
　　会使用 LFU 算法选择设置了过期时间的键值对。 allkeys-random
　　从所有键值对中随机选择并删除数据 allkeys-lru
　　使用 LRU(按照最近最少使用)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。
　　LRU 会把所有的数据组织成一个链表，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。在 Redis 中，LRU 算法被做了简化，以减轻数据淘汰对缓存性能的影响。具体来说，Redis 默认会记录每个数据的最近一次访问的时间戳（由键值对数据结构 RedisObject 中的 lru 字段记录）。然后，Redis 在决定淘汰的数据时，第一次会随机选出 N 个数据，把它们作为一个候选集合。接下来，Redis 会比较这 N 个数据的 lru 字段，把 lru 字段值最小的数据从缓存中淘汰出去。
　　Redis 提供了一个配置参数 maxmemory-samples，这个参数就是 Redis 选出的数据个数N。例如，我们执行如下命令，可以让 Redis 选出 100 个数据作为候选数据集：CONFIG SET maxmemory-samples 100
　　缓存容量设置多大？需结合应用数据实际访问特征和成本开销来综合考虑的。一般来说，建议把缓存容量设置为总数据量的 15% 到 30%，兼顾访问性能和内存空间开销。
　　如何处理被淘汰的数据？** **一般来说，一旦被淘汰的数据选定后，如果这个数据是干净数据，那么我们就直接删除。如果这个数据是脏数据，我们需要把它写回数据库。
　　如何解决缓存不一致？
　　使用重试机制，可以把要删除的缓存值或者是要更新的数据库值暂存到消息队列中（例如Kafka消息队列）。并发大的情况下，也可能会存在读到不一致的数据。先删除缓存再更新数据库
　　处理方式:在线程 A 更新完数据库值以后，我们可以让它先 sleep 一小段时间，再进行一次缓存删除操作。(延迟双删策略)先更新数据库值，再删除缓存值
　　这种方案对业务影响比较小。
　　如何解决缓存雪崩、击穿、穿透？
　　缓存雪崩  缓存雪崩是指大量的应用请求无法在 Redis 缓存中进行处理，紧接着，应用将大量请求发送到数据库层，导致数据库层的压力激增。产生的原因以及处理方式:缓存中有大量数据同时过期，导致大量请求无法得到处理给缓存的key过期四件增加随机数。服务降级直接返回预定义信息、空值、错误信息或者允许部分请求直接走数据库。 缓存实例故障宕机在业务系统中实现服务熔断或请求限流机制。事前预发，通过主从节点的方式构建 Redis 缓存高可靠集群。
　　缓存击穿  针对某个访问非常频繁的热点数据的请求，无法在缓存中进行处理，导致访问该数据的大量请求都发送到了后端数据库，使数据库压力激增。处理方式：特别频繁的热点数据不设置过期时间。
　　缓存穿透
　　查询的数据既不在 Redis 缓存中，也不在数据库中，导致请求在访问缓存时，发生缓存缺失，再去访问数据库时，发现数据库中也没有要访问的数据。产生的原因业务层误操作，缓存中的数据和数据库中的数据被误删除。 恶意攻击：专门访问数据库中没有的数据。
　　处理措施缓存空值或缺省值。 使用布隆过滤器快速判断数据是否存在，避免从数据库中查询数据是否存在，减轻数据库压力。 前端进行请求合法性检测，过滤无效请求。
　　布隆过滤器原理
　　只要有一个为 0，那么，X 就肯定不在数据库中，都为1有可能在数据库中。
　　缓存污染  在一些场景下，有些数据被访问的次数非常少，甚至只会被访问一次。当这些数据服务完访问请求后，如果还继续留存在缓存中的话，就只会白白占用缓存空间。这种情况，就是缓存污染。
　　处理方式LRU策略
　　** **只看数据的访问时间，使用 LRU 策略在处理扫描式单次查询操作时，无法解决缓存污染。LFU策略 在 LRU 策略基础上，为每个数据增加了一个计数器，来统计这个数据的访问次数。当使用 LFU 策略筛选淘汰数据时，首先会根据数据的访问次数进行筛选，把访问次数最低的数据淘汰出缓存。如果两个数据的访问次数相同，LFU 策略再比较这两个数据 的访问时效性，把距离上一次访问时间更久的数据淘汰出缓存。
　　并发访问加锁  加锁保证了互斥性，但是加锁也会导致系统并发性能降低。   原子操作把多个操作在 Redis 中实现成一个操作，也就是单命令操作。 把多个操作写到一个 Lua 脚本中，以原子性方式执行单个 Lua 脚本。
　　分布式锁实现
　　单Redis节点实现
　　//加锁, unique_value 作为客户端唯一标识，同时设置超时时间以免客户端发生异常而无法锁SET lock_key unique_value NX PX 10000//释放锁 比较unique_value是否相等，避免误释放if redis.call(＂get＂,KEYS[1]) == ARGV[1] thenreturn redis.call(＂del＂,KEYS[1])elsereturn 0end
　　多Redis节点的实现  Redlock 算法的基本思路，是让客户端和多个独立的 Redis 实例依次请求加锁，如果客户端能够和半数以上的实例成功地完成加锁操作，则认为客户端成功获得分布式锁，否则加锁失败。即使有单个 Redis 实例发生故障，因为锁变量在其它实例上也有保存，客户端仍然可以正常地进行锁操作，锁变量并不会丢失。
　　加锁的主要流程如下：客户端获取当前时间 **客户端按顺序依次向 N 个 Redis 实例执行加锁操作
　　**加锁操作和在单实例上执行的加锁操作一样。为了保证当某个Redis实例故障了，Redlock 算法可以继续运行，需要给加锁操作设置一个超时时间。 客户端一旦完成了和所有 Redis 实例的加锁操作，客户端就要计算整个加锁过程的总耗时。 判断加锁是否成功 客户端从超过半数（大于等于 N/2+1）的 Redis 实例上成功获取到了锁。客户端获取锁的总耗时没有超过锁的有效时间。**
　　在Redlock算法中，释放锁的操作和在单实例上释放锁的操作一样，只要执行释放锁的Lua脚本就可以了。
　　事务机制  Redis 通过 MULTI、EXEC、DISCARD 和 WATCH 四个命令来支持事务机制。事务的 ACID 属性是我们使用事务进行正确操作的基本要求。
　　主从同步与故障切换可能会遇到的问题
　　主从不一致  客户端从从库中读取到的值和主库中的最新值并不一致。出现的原因主要是主从库间的命令是异步进行的。
　　处理方式在硬件环境配置方面尽量保证主从库间的网络连接状况良好。 开发一个外部程序来监控主从库间的复制进度。 如果某个从库的进度差值大于预设的阈值，让客户端不读取该从库数据，减少读到不一致数据的情况。
　　读取过期数据  由 Redis 的过期数据删除策略引起的。  Redis 同时使用了两种策略来删除过期的数据，分别是惰性删除策略和定期删除策略。在 3.2 版本后，Redis 做了改进，如果读取的数据已经过期了，从库虽然不会删除，但是会返回空值，这就避免 了客户端读到过期数据。在应用主从集群时尽量使用Redis 3.2及以上版本。
　　不合理配置项导致的服务挂掉protected-mode 这个配置项的作用是限定哨兵实例能否被其他服务器访问。当这个配置项设置为 yes 时，   哨兵实例只能在部署的服务器本地进行访问。cluster-node-timeout这个配置项设置了 Redis Cluster 中实例响应心跳消息的超时时间。如果执行主从切换的实例超过半数，而主从切换时间又过长的话，就可能有半数以上的实例心跳超时，从而可能导致整个集群挂掉。建议将 cluster-node-timeout 调大些（例如 10 到 20 秒）。
　　数据倾斜数据量倾斜 在某些情况下，实例上的数据分布不均衡，某个实例上的数据特别多   bigkey Slot 分配不均衡 Hash Tag  是指加在键值对 key 中的一对花括号{}。这对括号会把 key 的一部分括起来，客户端在计算 key 的 CRC16 值时，只对 Hash Tag 花括号中的 key 内容进行计算。如果没用 Hash Tag 的话，客户端计算整 个 key 的 CRC16 的值。   数据访问倾斜每个集群实例上的数据量相差不大，但是某个实例上的数据是热点数据，被访问得非常频繁。   通常来说，热点数据以服务读操作为主，在这种情况下，我们可以采用热点数据多副本的方法来应 对。如果数据是有读有写的话，就不适合采用多副本方法了，因为要保证多副本间的数据一致性，会带来额外的开销。
　　通信开销：限制Redis Cluster规模的关键因素
　　** 实例间的通信开销会随着实例规模增加而增大**，在集群超过一定规模时（比如 800 节点），集群吞吐量反而会下降。所以，集群的实际规模会受到限制。为了让集群中的每个实例都知道其它所有实例的状态信息，实例之间会按照一定的规则进行通信。这个规则就是 Gossip 协议。Gossip协议工作原理每个实例之间会按照一定的频率，从集群中随机挑选一些实例，把 PING 消息发送给挑选出来的实例，用来检测这些实例是否在线，并交换彼此的状态信息。PING 消息中封装了发送消息的实例自身的状态信息、部分其它实例的状态信息，以及 Slot 映射表 一个实例在接收到 PING 消息后，会给发送 PING 消息的实例，发送一个 PONG 消息。PONG 消息包含的内容和 PING 消息一样。
　　实例间使用 Gossip协议进行通信时，通信开销受到通信消息大小和通信频率这两方面的影响，消息越大、频率越高，相应的通信开销也就越大。
　　如何降低实例间的通信开销？  配置项 cluster-node-timeout 定义了集群实例被判断为故障的心跳超时时间，默认是 15秒。如果 cluster-node-timeout 值比较小，那么，在大规模集群中，就会比较频繁地出现 PONG 消息接收超时的情况，从而导致实例每秒要执行 10 次＂给 PONG 消息超时的实例发送 PING 消息＂这个操作。 所以，为了避免过多的心跳消息挤占集群带宽，可以调大 cluster-node-timeout值，比如说调大到 20 秒或 25 秒。这样一来， PONG 消息接收超时的情况就会有所缓解，单实例也不用频繁地每秒执行 10 次心跳发送操作了。 当然也不要把 cluster-node-timeout 调得太大，否则，如果实例真的发生了故障就需要等待 cluster-node-timeout 时长后，才能检测出这个故障，这又会导致实际的故障恢复时间被延长，会影响到集群服务的正常使用。
　　Redis 6.0 特性
　　Redis 的多 IO 线程只是用来处理网络请求的，对于读写命令，Redis 仍然使用单线程来处理。主线程和多 IO 线程的协作分成四个阶段。服务端和客户端建立 Socket 连接，并分配处理线程 主线程负责接收建立连接请求。当有客户端请求和实例建立 Socket 连接时，主线程会创建和客户端的连 接，并把 Socket 放入全局等待队列中。紧接着，主线程通过轮询方法把 Socket 连接分配给 IO 线程。   IO 线程读取并解析请求主线程一旦把 Socket 分配给 IO 线程，就会进入阻塞状态，等待 IO 线程完成客户端请求读取和解析。因为有多个 IO 线程在并行处理，所以，这个过程很快就可以完成。主线程执行请求操作主线程还是会以单线程的方式执行这些命令操作IO 线程回写 Socket 和主线程清空全局队列