面试题：如何优化Redis滑动窗口限流过期数据清理的性能

数据结构设计

使用有序集合（Sorted Set）：
- 有序集合可以按照时间戳来排序。每个滑动窗口的请求记录可以以时间戳为分数，唯一标识（如请求ID）为成员。这样可以方便地根据时间范围删除过期数据。例如，假设有一个限流窗口为60秒，每秒记录一次请求，使用ZADD命令添加请求记录，ZREM命令删除过期数据。比如：
```
ZADD rate_limit:window 1677655200 request_id_1
ZADD rate_limit:window 1677655201 request_id_2
```
- 要删除60秒前的过期数据，可以使用ZRANGEBYSCORE命令获取60秒前的所有记录，然后使用ZREM批量删除。例如：
```
local current_time = redis.call('TIME')[1]
local old_time = current_time - 60
local keys = redis.call('ZRANGEBYSCORE', 'rate_limit:window', 0, old_time)
if #keys > 0 then
    redis.call('ZREM', 'rate_limit:window', unpack(keys))
end
```
结合哈希表（Hash）：
- 可以使用哈希表存储每个滑动窗口内的请求计数。哈希表的键可以是窗口的标识（如以秒为单位的时间戳），值为请求计数。例如，使用HSET命令设置计数：
```
HSET rate_limit:count 1677655200 10
```
- 这样在清理过期数据时，除了删除有序集合中的记录，也可以同时删除哈希表中对应的过期窗口计数，减少内存占用。

命令使用频率

批量操作：
- 尽量避免频繁的单个删除操作。如上述有序集合中，使用ZRANGEBYSCORE获取过期记录后，使用ZREM命令时，通过unpack函数将获取的记录列表作为参数批量删除，而不是逐个删除，减少Redis的命令处理负担。

Lua脚本：

将数据清理相关的多个命令封装在Lua脚本中。因为Redis执行Lua脚本是原子性的，并且减少了客户端与服务器之间的通信次数。例如，上述清理有序集合和哈希表过期数据的操作可以封装在一个Lua脚本中：

local current_time = redis.call('TIME')[1]
local old_time = current_time - 60
local keys = redis.call('ZRANGEBYSCORE', 'rate_limit:window', 0, old_time)
if #keys > 0 then
    redis.call('ZREM', 'rate_limit:window', unpack(keys))
end
local hash_keys = redis.call('HKEYS', 'rate_limit:count')
for _, key in ipairs(hash_keys) do
    if tonumber(key) < old_time then
        redis.call('HDEL', 'rate_limit:count', key)
    end
end

然后在客户端使用EVAL命令执行该Lua脚本。

缓存策略

分级缓存：
- 可以采用多级缓存策略。例如，在应用层设置一个本地缓存（如Guava Cache）作为一级缓存，先在本地缓存中进行限流判断。如果本地缓存未命中，则再去查询Redis中的滑动窗口数据。这样可以减少对Redis的直接请求，降低Redis的负载。
惰性清理：
- 除了定时清理过期数据，可以采用惰性清理策略。当有新的请求进入时，检查滑动窗口内是否有过期数据，如果有则进行清理。这样在高并发情况下，避免了定时清理任务对系统资源的额外占用。不过，惰性清理可能会导致短时间内过期数据占用一定内存，需要根据实际情况权衡。
缓存过期策略优化：
- 对于Redis的过期策略，可以采用volatile - lru（从已设置过期时间的数据集中挑选最近最少使用的数据淘汰）。这样可以优先淘汰长时间未使用且已设置过期时间的滑动窗口数据，保证Redis内存的合理利用，同时不会影响正常的限流功能。

星途面试题库

面试题：如何优化Redis滑动窗口限流过期数据清理的性能

知识考点

面试题答案

数据结构设计

命令使用频率

缓存策略