面试题答案
一键面试1. 数据结构重新选型
- 哈希表（Hash）优化：如果之前大量使用简单的字符串键值对存储复杂对象数据，可将相关数据聚合为哈希表存储。例如，在实时推荐系统中，每个用户的推荐列表元数据（如推荐时间、推荐策略标识等）可以存放在以用户ID为键的哈希表中，而不是多个独立的键值对，减少键数量，降低内存碎片。
- 有序集合（Sorted Set）替代：对于多维度数据统计中涉及排序的场景，若原使用列表（List）存储需要排序的数据，可改为有序集合。比如，在按热度对商品进行实时统计排序场景下，以商品ID为成员，热度值为分数存储在有序集合中，方便快速获取热门商品列表。
2. 存储方式调整
- 集群化部署：采用Redis Cluster集群方案，将数据分布在多个节点上。每个节点负责一部分哈希槽，通过一致性哈希算法将键映射到具体节点。这样可以有效解决单机容量和性能瓶颈问题，提高系统的可扩展性。例如，将不同用户的实时推荐数据均匀分布在各个节点，避免单个节点数据量过大。
- 读写分离：引入从节点进行读操作分担，主节点负责写操作。在多维度数据统计场景下，读操作往往较多，从节点可以处理大部分统计查询请求，减轻主节点压力。但要注意数据同步延迟问题，对于实时性要求极高的读操作仍由主节点处理。
3. 与其他组件配合
- 结合消息队列（如Kafka）：在实时推荐场景中，当有新数据产生（如新用户行为、新商品上线）时，先将这些消息发送到Kafka队列。Redis从队列中消费消息，进行实时推荐数据的更新，这样可以削峰填谷，避免瞬间大量数据对Redis造成冲击，保证系统的稳定性。
- 使用缓存穿透解决方案（如布隆过滤器）：为防止大量不存在的数据查询穿透到Redis，结合布隆过滤器。在查询数据前，先通过布隆过滤器判断数据是否可能存在，若不存在则直接返回，减少无效查询对Redis的压力。例如在多维度数据统计时，防止恶意构造不存在的统计维度参数查询。
- 搭配关系型数据库（如MySQL）：对于一些历史数据、复杂关联数据，可存储在MySQL中。Redis存储热点数据和实时数据，当需要获取历史维度统计数据时，Redis可作为缓存层，先尝试从Redis获取，若不存在则从MySQL查询并回写Redis，提高查询效率同时保证数据完整性。