Redis

Redis7系列:Redis对决RedisStack Redis 是一个开源的内存数据库,以高性能、低延迟著称,支持基础数据结构(如字符串、哈希、列表、集合、有序集合等),常用于缓存、消息队列、实时数据处理等场景。Redis Stack 是 Redis 的扩展版本,整合了 Redis 核心数据库与多个高级功能模块(如全文搜索、JSON 文档存储、图数据库、时间序列等),提供“一站式”解决方案,简化了复杂数据场景的开发。 阅读详情

redis是AP的还是CP的?

Redis以其高性能、高可扩展性和高可用性而著称。在一致性模型方面,Redis采用最终一致性策略,这意味着尽管在某一时刻读取的数据可能并非最新,但系统最终会确保所有数据达到一致状态。

Redis无法提供强一致性保障,主要原因在于其分布式设计中采用了异步复制机制。这一机制导致节点之间可能存在数据同步延迟与不一致的情况。

具体而言,当某个节点的数据发生变更时,Redis会将修改操作发送至其他节点进行同步。然而,由于网络传输延迟等因素,这些操作未必能立即被其他节点接收并执行,从而引发节点间数据不一致的问题。

redis的 高性能、高可扩展性和高可用性 体现在哪儿?

一

 Redis 的核心网络模型

Redis 的核心网络模型一直是一个典型的单 Reactor 模型:利用 epoll/select/kqueue 等多路复用技术,在单线程的事件循环中不断去处理事件(客户端请求),最后回写响应数据到客户端:

 

介绍一下Redis的集群模式?

集群模式主要包括以下几种:主从复制(Master-Slave Replication)、哨兵模式(Sentinel)以及Redis Cluster模式。

三种集群模式的优缺点

1. 主从复制模式

  • 优点:

    • 支持读写分离,master负责写操作,slave负责读操作,能提升读性能。

    • 数据备份,slave可作为master的副本,master故障时可手动切换到slave。

  • 缺点:

    • master故障后需手动切换到slave,可能导致服务短暂中断。

    • slave数据通过异步同步,可能出现数据不一致的情况。

    • 不支持自动故障转移。

2. 哨兵模式

 

  • 优点:

    • 支持自动故障转移,当master故障时,哨兵会自动选举一个slave升级为master。

    • 可监控master和slave的状态,提供更高的可用性。

  • 缺点:

    • 部署较复杂,需要额外配置哨兵节点。

    • 哨兵本身可能成为单点故障,需部署多个哨兵以提高可靠性。

    • 写操作仍集中在master上,存在写性能瓶颈。

3. Cluster模式

  • 优点:

    • 支持水平扩展,通过增加节点提升性能和存储容量。

    • 数据自动分片,分散存储在多个节点上。

    • 支持自动故障转移,节点故障时集群自动调整。

  • 缺点:

    • 部署和管理复杂。

    • 客户端需支持Cluster协议。

    • 某些操作(如多键事务)在Cluster模式下受限。


表格对比

模式

优点

缺点

使用场景

可能遇到的问题

主从复制

1. 读写分离,提高读性能

2. 数据备份

1. 手动故障转移

2. 数据可能不一致

3. 无法自动故障转移

1. 对数据一致性要求不高

2. 需要读写分离

1. master故障后服务中断

2. slave同步延迟导致数据不一致

哨兵模式

1. 自动故障转移

2. 监控master和slave状态,提供高可用性

1. 部署复杂

2. 哨兵可能成为单点故障

3. 写性能瓶颈

1. 需要高可用性,自动故障转移

2. 对写性能要求不高,读写分离

1. 哨兵配置错误导致故障转移失败

2. 哨兵通信问题导致脑裂

Cluster模式

1. 水平扩展,提高性能和容量

2. 自动分片

3. 自动故障转移

1. 部署和管理复杂

2. 客户端需支持cluster协议

3. 某些操作受限

1. 需要高性能、高容量、水平扩展

2. 对数据分片和自动故障转移有要求

1. 数据倾斜,节点负载不均

2. 节点间通信延迟影响性能

3. 客户端兼容性问题


 

二.

redis的 热key

通过识别热key、优化访问策略、分片数据、限流保护、优化数据结构、定期更新以及加强监控,可以有效缓解Redis热key问题,提升系统的稳定性和性能。

1. 识别热key

首先需要找出哪些key是热key,常用的方法包括:

  • 使用Redis自带的MONITOR命令实时监控访问情况,或在Redis 4.0.3及以上版本中使用HOTKEYS功能识别热key。

  • 通过OBJECT FREQ命令查看某个key的访问频率。

  • 在应用层通过埋点或日志分析,统计高频访问的key。

缓存预热:在系统启动或低峰期,提前将热key的数据加载到缓存中,避免高峰期集中访问。

本地缓存  Caffeine 放到本地缓存中,在应用层引入本地缓存(如Guava Cache、Caffeine等),将热key的数据存储在内存中,减少对Redis的直接请求。

读写分离:对于读多写少的热key,可以将其数据复制到多个Redis实例,实现读请求的负载均衡。

优化数据结构  热key 拆分多个子key  使用Redis Cluster模式,通过哈希分片自动将数据分配到不同节点,降低单个节点的负载。

限流与熔断  热key的访问设置限流,限制并发请求数量。

监控和报警  

  • 实时监控Redis的性能指标,如CPU使用率、内存使用率和命令执行时间。

  • 设置告警机制,当检测到热key导致性能异常时,及时通知相关人员处理。

 

redis的 big key

Redis雪崩 击穿 穿透

  • 缓存雪崩:大量缓存同时失效,导致数据库压力激增。

    • 解决:错峰过期、持久化、缓存预热、降级策略。

  • 缓存击穿:热点key失效,导致大量请求打到数据库。

    • 解决:永不过期、互斥锁、后台更新。

  • 缓存穿透:查询不存在数据,缓存无法命中,请求穿透到数据库。

    • 解决:缓存空值、布隆过滤器、参数校验。

缓存雪崩

Redis雪崩是指在高并发场景下,大量缓存数据在同一时间失效,导致大量请求直接访问数据库,从而使数据库压力剧增,甚至可能导致系统崩溃。

原因

  • 大量缓存数据设置了相同的过期时间,导致这些数据同时失效。

  • Redis服务器故障或重启,造成所有缓存数据丢失。

解决方案

  • 错峰设置过期时间:为缓存数据设置随机化的过期时间,避免大量数据在同一时刻失效。

  • 使用持久化:启用Redis的RDB或AOF持久化机制,确保Redis重启后能快速恢复数据。

  • 缓存预热:系统启动时,提前将热点数据加载到缓存中。

  • 降级策略:缓存失效时,返回默认值或空数据,减轻数据库压力。

缓存击穿

Redis击穿是指某个热点key在缓存中失效时,大量并发请求同时访问该key,导致这些请求直接打到数据库上,造成数据库压力过大。

原因

  • 热点key的缓存过期,导致大量请求同时访问数据库。

  • 恶意攻击针对某个特定key发起高并发请求。

解决方案

  • 设置永不过期:对于热点key,可不设置过期时间,确保其始终存在于缓存中。

  • 互斥锁:缓存失效时,使用互斥锁(如Redis的SETNX),确保只有一个请求查询数据库并更新缓存,其他请求等待或返回旧数据。

  • 后台更新:通过后台定期更新热点key的缓存,避免其在高并发时失效。

缓存穿透

Redis穿透是指查询一个不存在的数据,由于缓存中也没有该数据,每次请求都会直接访问数据库,使得缓存无法发挥作用。

原因

  • 查询的数据在数据库中不存在,缓存中也未存储。

  • 恶意攻击故意查询不存在的数据。

解决方案

  • 缓存空值:对于不存在的数据,在缓存中存储一个空值或特殊标记,并设置较短的过期时间。

  • 布隆过滤器:在缓存前使用布隆过滤器,预先判断数据是否存在,若不存在则直接返回,避免访问数据库。

  • 参数校验:在接口层加强参数校验,过滤掉明显不合法的请求。

Redis如何使用异步队列?

Redis中key过期了一定会立即删除吗

惰性删除

定期删除:随机的抽取一部分删除

三.场景题

重复下单的问题

redis的 setNx

【Redis】Redis入门 redis入门基础、Linux下安装redis 阅读详情

相关推荐

Redis Redis介绍、安装 - Redis客户端

目录redis是什么,他的应用场景是什么?Redis的一些主要特点和应用场景:redis的官方网站:Redisredis是键值型数据库:(也就是key-value模式)(跟python的字典很像)认识NoSQL?SQL和NoSQL的区别数据库结构之间的区别数据库关联之间的区别SQL查询和非SQL查询的区别事务上的差异总结认识Redis特征:一、安装Redis1、单机安装Redis(linux安装 – Centos7.9)1.1、安装Redis依赖(Redis是基于C语言编译的,因此首先需要安装Redis所需

m0_51274464的博客 1534

AP模式(Redis)的分布式锁分析以及实现

分布式CAP理论 在介绍分布式锁之前,先说一下CAP理论。因为现在提到分布式系统一定离不开CAP理论。C(Consistency)一致性、A(Availability)可用性、P(Partition tolerance)分区容错性。三者不能同时存在,由于P是必要因素,所以分为CP和AP两种模型。下面我们就根据AP和CP模型来分析一下分布式锁以及使用场景。 AP模型的分布式锁 AP模型的分布式锁是基于Redis来实现的。Redis集群在分布式系统中是一种AP模型,无法保证在主节点宕机时自动完成数据一致性的同步

清风 6281

【Redis】Redis基础——Redis的安装及启动

GitHub上的大神编写了Redis的图形化桌面客户端,不过该仓库提供的是RedisDesktopManager的源码,并未提供windows安装包。# 利用redis-cli来执行 shutdown 命令,即可停止 Redis 服务,因为之前配置了密码,因此需要通过 -u 来指定密码。当然,在连接redis时指定密码,还能连接后使用 AUTH 指定用户名和密码,这里我没有用户名,直接指定密码就好了。2. 修改redis.conf文件中的一些配置,进入后,输入/,在输入内容回车就能搜索到了。

菜鸟的博客 4552

【谈一谈】Redis是AP还是CP?

要想谈一谈我们本文的主题AP和CP,可能有的小伙伴会说: 这我也不是 怎么熟悉啊!那么我们先复习下大名鼎鼎的CAP理论CAP。

aristo 5382

游戏开发实战:如何在Unity中实现六边形网格地图(附完整代码)

本文详细介绍了在Unity中实现六边形网格地图的完整开发流程,从数学原理到实战代码。涵盖三种主流坐标系转换方法、距离计算算法对比、网格生成与渲染技巧,以及高级功能如网格高亮、寻路算法和性能优化策略。适合策略游戏、战棋类游戏开发者提升地图系统开发效率。

657

uniapp实战:mui-player插件如何完美适配m3u8/flv直播流(附完整代码)

本文详细介绍了如何在Uniapp中使用mui-player插件完美适配m3u8和flv直播流,提供从基础配置到高级优化的全流程解决方案。通过动态加载策略、响应式布局和内存管理,实现跨平台稳定播放,适用于企业级直播应用开发。

weixin_29001655的博客 237

Redis分布式锁零散知识

一、为了确保分布式锁的可用性,需要确保锁在任意时刻,能同时满足以下四个条件 1.互斥性:在任意时刻,只有一个客户端能持有锁 2.不会发送死锁,即时有一个客户端在持有锁期间崩溃而没有主动解锁,也需要保证其他客户端能加锁 3.具有容错性,只要大部分的Redis节点正常运行,客户端就可以加锁解锁 4.加锁和解锁必须是同一个客户端 二、Redis分布式锁和Java锁的区别 1. 如果是分布式部署的话,那么Java锁是锁当前机器上的请求,无法对其他机器的请求进行加锁,因为Java锁用的是jvm的机制,只在本机生效 2

小小少年的博客 1538

保姆级教程:在SIwave 2024 R2中搞定TDR仿真,手把手教你分析USB 3.0差分线阻抗

本文提供了一份详细的SIwave 2024 R2 TDR仿真教程,重点讲解如何分析USB 3.0差分线阻抗。从项目准备、参数配置到结果分析,逐步指导工程师完成完整的仿真流程,并分享实战经验和高级技巧,帮助提升信号完整性分析能力。

weixin_33670786的博客 498

redis集群模式

Redis主要有三种集群模式,分别是:主从复制(Master-Slave Replication)、哨兵模式(Sentinel)和Redis Cluster模式。主从复制:主从模式中,包括一个主节点(Master)和一个或多个从节点(Slave)。主节点负责处理所有写操作和读操作,而从节点则复制主节点的数据,并且只能处理读操作。当主节点发生故障时,可以将一个从节点升级为主节点,需要手动实现故障转移。优点:在于简单易用,适用于读多写少的场景。

weixin_44582492的博客 953

ROS下UR+Realsense相机进行手眼标定

手眼标定主要是用来确定相机坐标系和机械臂坐标系之间的转换关系,从而实现后续的抓取等任务。

weixin_42157689的博客 7578

电影票购票小程序搭建(源码部署)

答:为用户提供便捷的购票方式,包括授权登录、个性化推荐、在线选座、订单管理等功能,同时在界面设计上注重用户友好性,简化用户的购票流程。答:通过展示电影院的优惠活动和票价信息,同时提供电影推荐功能,根据用户的历史购票记录和电影评分推荐个性化的电影列表,吸引用户购票。编写页面逻辑代码:使用JavaScript编写小程序页面的逻辑代码,实现电影列表的获取、电影详情的展示、座位选择的逻辑等。设计小程序界面:使用WXML和WXSS编写小程序的界面代码,实现电影列表的展示、电影详情的样式、座位选择页面的布局等。

2301_79072569的博客 2068

Eureka、Nacos、Zookeeper、Redis等应用是AP还是CP?

Eureka、Nacos、Zookeeper、Redis等应用是AP还是CP?

qq_26432153的博客 2014

YOLOv12模型详解及代码复现

YOLOV12算法详解及Python代码复现

hasakie的博客 6489

Redis(Redis基础,SpringCache,SpringDataRedis)

本文详细讲解了redis基础内容,以及Spring Cache,Spring Data Redis技术的使用

qq_49474843的博客 2943

系统架构设计(以飞控系统、航电系统、机电管理系统、电子电气架构为例)

系统架构涉及对系统的结构和行为进行高层次的描述。它包括系统的组成部分、这些部分之间的关系、与外部环境的交互方式,以及满足特定功能和非功能性需求的方法。系统架构定义了系统的总体设计蓝图,指导系统的开发、集成、部署和维护。系统架构设计的目的是通过合理的结构和设计原则,确保系统能够高效、稳定、安全地运行,满足当前和未来的需求,同时具备良好的维护性、扩展性和可持续性。良好的系统架构不仅能够提高系统的开发效率和运行性能,还能降低长期的维护和运营成本,支持系统的持续演进和技术更新。

qq_41854911的博客 3056

7、布尔网络的基础定义

本文介绍了布尔网络的基础定义及其在系统生物学中的应用。布尔网络是一种描述复杂系统动态行为的数学模型,由布尔变量和布尔函数组成,能够模拟生物系统中基因调控、信号传导和细胞代谢等过程。文章详细阐述了布尔网络的基本结构、动力学特征(如状态转移图和吸引子),以及其在生物建模中的重要价值,并探讨了优化和简化技术(如Backward Boolean Equivalence)如何提升其计算效率。

yhn45678901的博客 268

【Redis】初识 Redis

本期内容主要介绍Redis是什么,认识 Redis,介绍 Redis 的特性以及 Redis 为什么快,并简单介绍了分布式系统。

爱编程爱运动的博客 1万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【Redis】Redis键值存储

首先要强调一点:Redis是key value类型的数据库,Redis所说的数据类型都是key value中的value的数据结构,而key都是字符串。在本文中,我们对Redis的键值存储进行了全面的概述和介绍。首先,我们了解了Redis的五大基本数据类型:String(字符串)、Hash(哈希)、List(列表)、Set(集合)和Zset(有序集合),并探讨了它们各自的特点和用法。

白晨的博客 2279

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

【Redis】Redis的启航之路:Ubantu操作系统下安装Redis

【Redis安装与配置指南】本文详细介绍了Redis数据库的安装步骤:通过apt获取安装包(Y确认安装),用netstat验证服务启动(默认6379端口)。重点讲解了配置文件修改:将IP从127.0.0.1改为0.0.0.0、关闭保护模式以允许远程连接,并重启服务生效。最后演示了使用redis-cli客户端连接服务器及ping测试连通性(返回PONG即成功)。全文提供完整命令行操作指引,适合Redis初学者快速搭建环境。

GGBond778的博客 1985

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Redis——Redis简介

Redis简介、Reids5新特性、基本数据类型:String、Hash、List、Set、Sorted Set、Redis HyperLogLog

码说芯语的博客 5600

【Redis】贰 —— Redis基本命令

本文对于Redis中的一些命令进行了介绍以及使用案例

2401_86777036的博客 3103

Linux安装Redis以及Redis三种启动方式

也就是上面我们说的,窗口要一直打开。后台进程启动搞完之后,以后开启redis后,就可以去进行其他操作了(在src目录下 ./redis-server /opt/soft/redis-4.0.6/redis.conf启动redis)。此时Redis服务已经可以成功启动了,但是小问题来了,界面一直停留在Redis服务窗口中,按ctrl+c虽然可以屏蔽服务窗口,但是也会结束Redis服务。./redis-server代表要启动redis,后面一串代码进入redis.conf来开启redis,就是路径。

m0_74825466的博客 3832

[redis系列] redis脚本

Redis Lua 脚本功能使得用户能够在 Redis 服务器端执行自定义的 Lua 脚本,从而实现更高效、更灵活的数据操作。Lua 脚本运行在 Redis 服务器内部,这意味着你可以减少客户端与服务器之间的通信开销,并且可以通过原子操作确保多个 Redis 命令的执行一致性。组合功能:Lua 脚本能够将 Redis 中的简单命令组合起来,从而实现复杂的业务需求,避免多次网络往返。数据操作原子性:通过 Lua 脚本,开发者可以在 Redis 中执行应用程序逻辑,对多个键进行条件更新。

深耕后端、偏爱架构,用代码与设计构建可靠系统 1698

Redis:初识Redis

介绍了Redis的基本概念,在软件开发中的定位,以及安装方式

博客网站 https://async-area.com 2081

Redis重大版本整理(Redis2.6-Redis7.0)

Redis借鉴了Linux操做系统对于版本号的命名规则:node 版本号第二位若是是奇数,则为非稳定版本(例如2.7、2.9、3.1),若是是偶数,则为稳定版本(例如2.6、2.8、3.0、3.2)。 当前奇数版本就是下一个稳定版本的开发版本,例如2.9版本是3.0版本的开发版本,因此咱们在生产环境一般选取偶数版本的Redis。 下面是重大版本新功能的归纳: Redis6.0 多线程 IO(Threaded I/O) 众多新模块(modules)API 更好的过期循环(expire cycle) 支持SS

耕云者~ 1万+
上一篇: 分布式事务
下一篇: 分布式系统--生成全局唯一的ID
虚行
博客等级 码龄14年 168粉丝 67原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值