1.Redis 重写重写主从复制 - 源码梳理
2.Redis radix tree 源码解析
3.Redis 源码分析字典（dict）
4.Springboot基于Redisson实现Redis分布式可重入锁案例到源码分析
5.Redis 哨兵模式 - 源码梳理
6.Redis 源码剖析 3 -- redisCommand
Redis 主从复制 - 源码梳理
本文主要剖析Redis主从复制机制中的核心组件之一——复制积压缓冲区（Replication Buffer），旨在为读者提供一个对Redis复制流程和缓冲区机制深入理解的重写重写平台，以下内容仅基于Redis版本7.0.，重写重写若读者在使用过程中发现偏差，重写重写欢迎指正。重写重写
复制积压缓冲区在逻辑上可理解为一个容量最大的重写重写ie源码泄露位整数，其初始值为1，重写重写由offset、重写重写master_repl_offset和repl_backlog-histlen三个变量共同决定缓冲区的重写重写有效范围。offset表示缓冲区内命令起始位置，重写重写master_repl_offset代表结束位置，重写重写二者之间的重写重写长度由repl_backlog-histlen表示。
每当主节点执行写命令，重写重写新生成的重写重写积压缓冲区大小增加，同时增加master_repl_offset和repl_backlog-histlen的重写重写值，直至达到预设的最大容量（默认为1MB）。一旦所有从节点接收到命令并确认同步无误，缓冲区内过期的命令将被移除，并调整offset和histlen以维持积压区容量的稳定性。
为实现动态分配，复制积压缓冲区被分解成多个block，以链表形式组织。每个block采用引用计数管理策略，初始值为0，每当增加或删除从节点对block的引用时，计数值相应增减。新生成block时，将master_repl_offset+1设置为block的repl_offset值，并将写入命令拷贝至缓冲区内，与此同时，master_repl_offset和repl_backlog-histlen增加。
通过循环遍历所有从节点，为每个从节点设置ref_repl_buf_node指向当前block或最后一个block，确保主从复制能够准确传递命令。当主节点接收到从节点的连接请求时，将开始填充积压缓冲区。在全量复制阶段，从slave-replstate为WAIT_BGSAVE_START至ONLINE，表示redis从后台进程开始执行到完成RDB文件传输和加载，命令传播至此阶段正式开始。源码工具怎么使用
针对每个从节点，主节点从slave-ref_block_pos开始发送积压缓冲区内的命令，每发送成功，slave-ref_block_pos相应更新。当积压缓冲区超过预设阈值，即复制积压缓冲区中的有效长度超过repl-backlog-size（默认1MB）时，主节点将清除已发送的缓冲区，释放内存。如果主节点写入命令频繁或从节点断线重连时间长，则需合理调整缓冲区大小（推荐值为2 * second * write_size_per_second）以保持增量复制的稳定运行。
当最后一个从节点与主节点的连接断开超过repl-backlog-ttl（默认为秒）时，主节点将释放repl_backlog和复制积压缓冲区以确保资源的有效使用。不过需要注意的是，从节点的释放操作依赖于节点是否可能成为新的主节点，因此在最后处理逻辑上需保持谨慎。
Redis radix tree 源码解析
Redis 实现了不定长压缩前缀的 radix tree，用于集群模式下存储 slot 对应的所有 key 信息。本文解析在 Redis 中实现 radix tree 的核心内容。
核心数据结构的定义如下：
每个节点结构体 (raxNode) 包含了指向子节点的指针、当前节点的 key 的长度、以及是否为叶子节点的标记。
以下是插入流程示例：
场景一：仅插入 "abcd"。此节点为叶子节点，使用压缩前缀。
场景二：在 "abcd" 之后插入 "abcdef"。从 "abcd" 的父节点遍历至压缩前缀，找到 "abcd" 空子节点，插入 "ef" 并标记为叶子节点。
场景三：在 "abcd" 之后插入 "ab"。ab 为 "abcd" 的前缀，插入 "ab" 为子节点，并标记为叶子节点。同时保留 "abcd" 的前缀结构。
场景四：在 "abcd" 之后插入 "abABC"。ab 为前缀，创建 "ab" 和 "ABC" 分别为子节点，保持压缩前缀结构。
删除流程则相对简单，找到指定 key 的航班预定系统源码叶子节点后，向上遍历并删除非叶子节点。若删除后父节点非压缩且大小大于1，则需处理合并问题，以优化树的高度。
合并的条件涉及：删除节点后，检查父节点是否仍为非压缩节点且包含多个子节点，以此决定是否进行合并操作。
结束语：云数据库 Redis 版提供了稳定可靠、性能卓越、可弹性伸缩的数据库服务，基于飞天分布式系统和全SSD盘高性能存储，支持主备版和集群版高可用架构。提供全面的容灾切换、故障迁移、在线扩容、性能优化的数据库解决方案，欢迎使用。
Redis 源码分析字典（dict）
Redis 的内部字典世界：从哈希表到高效管理的深度解析
Redis，作为开源的高性能键值存储系统，其内部实现的字典数据结构是其核心组件之一。这个数据结构采用自定义的哈希表——dictEntry，巧妙地存储和管理着键值对。让我们一起深入理解这一强大工具的运作机制。
首先，Redis的字典是基于哈希表的，通过哈希函数将键转换为数组索引，实现高效查找。dictEntry结构巧妙地封装了键（key）、值（value）以及指向下一个节点的指针，构成了数据存储的基本单元。同时，dict包含一系列操作函数，包括哈希计算、键值复制、比较以及销毁操作，这些函数的指针类型（dictType）和实际数据结构共同构建了其高效性能。
在字典的管理中，rehash是一个关键概念，它标志着哈希表的教育平台源码交付重新分布过程。rehash标志是一个计数器，用于跟踪当前哈希表实例的状态，确保在负载过高时进行扩容。当ht_used[0]非零，且满足特定条件（如元素数量超过初始桶数），服务器会触发resize操作，这通常在serverCron定时任务中进行，以避免磁盘I/O竞争。
rehash过程中，Redis采取渐进式策略，通过dictRehash函数，逐个移动键值对到新哈希表，确保操作的线程安全。为了避免长时间阻塞，这个过程被分散到函数中，并通过serverCron定时任务，以毫秒级的步长进行，确保在无磁盘写操作时进行。
在处理过期键时，dictRehashMilliseconds()函数扮演重要角色，它在rehash时监控时间消耗，确保性能。rehash过程中，dictAdd负责插入新哈希表，而dictFind和dictDelete则需处理ht_table[0]和ht_table[1]的键值对。
Redis的默认哈希算法采用SipHash，保证了数据的分布均匀性。在持久化时，负载因子默认设置为5，而rehash后，数据结构会采用迭代器的形式，分为安全和非安全两种，以满足不同场景的需求。
在实际操作中，如keysCommand，会选择安全模式以避免重复遍历，而在处理大规模数据时，如scan命令，可能需要使用非安全模式，广东到天津源码但需注意可能带来的问题。
总的来说，Redis的字典数据结构是其高效性能的基石，通过精细的哈希管理、rehash策略以及迭代器设计，确保了在高并发和频繁操作下的稳定性和性能。深入理解这些内部细节，对于优化Redis性能和应对复杂应用场景至关重要。
Springboot基于Redisson实现Redis分布式可重入锁案例到源码分析
一、前言
实现Redis分布式锁，最初常使用SET命令，配合Lua脚本确保原子性。然而手动操作较为繁琐，官网推荐使用Redisson，简化了分布式锁的实现。本文将从官网至整合Springboot，直至深入源码分析，以单节点为例，详细解析Redisson如何实现分布式锁。
二、为什么使用Redisson
通过访问Redis中文官网，我们发现官方明确指出Java版分布式锁推荐使用Redisson。官网提供了详细的文档和结构介绍，帮助开发者快速上手。
三、Springboot整合Redisson
为了实现与Springboot的集成，首先导入Redisson依赖。接下来，参照官网指导进行配置，并编写配置类。结合官网提供的加锁示例，编写简单的Controller接口，最终测试其功能。
四、lock.lock()源码分析
在RedissonLock实现类中，`lock`方法的实现揭示了锁获取的流程。深入至`tryLockInnerAsync`方法，发现其核心逻辑。进一步调用`scheduleExpirationRenewal`方法，用于定时刷新锁的过期时间，确保锁的有效性。此过程展示了锁实现的高效与自适应性。
五、lock.lock(, TimeUnit.SECONDS)源码分析
当使用带有超时时间的`lock`方法时，实际调用的逻辑与常规版本类似，关键差异在于`leaseTime`参数的不同设置。这允许开发者根据需求灵活控制锁的持有时间。
六、lock.unlock()源码分析
解锁操作通过`unlockAsync`方法实现，进一步调用`unlockInnerAsync`方法完成。这一过程确保了锁的释放过程也是异步的，增强了系统的并发处理能力。
七、总结
通过本文，我们跟随作者深入Redisson的底层源码，理解了分布式锁的实现机制。这一过程不仅提升了对Redisson的理解，也激发了面对复杂技术挑战时的勇气。希望每位开发者都能勇敢探索技术的边界，共同进步。欢迎关注公众号，获取更多技术文章首发信息。
Redis 哨兵模式 - 源码梳理
本文以Redis 7.0.版本为基准，如有不妥之处，敬请指正。
哨兵模式的代码流程逻辑如下：哨兵节点每秒（主从切换时为1秒）向已知的主节点和从节点发送info命令。接收到主节点的info回复后，解析其中的slave字段信息，进而创建相应的从节点instance。收到从节点的info回复后，解析其中的slave_master_host、slave_master_port、slave_master_link_status、slave_priority、slave_repl_offset、replica_announced等信息（步骤2和sentinelInfoReplyCallback）。
在sentinel.masters的初始数据中，来自于sentinel.conf中的monitor，利用info命令探测主节点及其所属的从节点。通过订阅__sentinel__:hello频道，获取其他哨兵节点的信息。其中，link->act_ping_time表示最早一次未收到回复的ping请求发送时间，收到回复后其会被重置为0。因此，其不为0时，表示有未收到回复的ping请求。link->last_avail_time表示最近一次收到对ping有效回复的时间，link->last_pong_time表示最近一次收到对ping回复（有效和无效）的时间，link->pc_last_activity表示最近一次收到publish的消息，ri->role_reported_time表示最近一次收到info且回复中role相比于上次发生改变的时间。
Raft一致性算法
thesecretlivesofdata.com...
Redis 源码剖析 3 -- redisCommand
Redis 使用 redisCommand 结构体处理命令请求，其内包含一个指向对应处理函数的 proc 指针。redisCommandTable 是一个存储所有 Redis 命令的数组，位于 server.c 文件中。此数组通过 populateCommandTable() 函数填充，该函数将 redisCommandTable 的内容添加到 server.commands 字典，将 Redis 支持的所有命令及其实现整合。
populateCommandTable() 函数中包含 populateCommandTableParseFlags() 子函数，用于将 sflags 字符串转换为对应的 flags 值。lookupCommand*() 函数族负责从 server.commands 中查找相应的命令。
[redis 源码走读] maxmemory 数据淘汰策略
Redis 是一个内存数据库，通过配置 `maxmemory` 来限定其内存使用量。当 Redis 主库内存超出限制时，会触发数据淘汰机制，以减少内存使用量，直至达到限制阈值。
当 `maxmemory` 配置被应用，Redis 会根据配置采用相应的数据淘汰策略。`volatile-xxx` 类型配置仅淘汰设置了过期时间的数据，而 `allkeys-xxx` 则淘汰数据库中所有数据。若 Redis 主要作为缓存使用，可选择 `allkeys-xxx`。
数据淘汰时机发生在事件循环处理命令时。有多种淘汰策略可供选择，从简单到复杂包括：不淘汰数据（`noeviction`）、随机淘汰（`volatile-random`、`allkeys-random`）、采样淘汰（`allkeys-lru`、`volatile-lru`、`volatile-ttl`、`volatile-freq`）以及近似 LRU 和 LRU 策略（`volatile-lru` 和 `allkeys-lru`）。
`noeviction` 策略允许读操作但禁止大多数写命令，返回 `oomerr` 错误，仅允许执行少量写命令，如删除命令 `del`、`hdel` 和 `unlink`。
`volatile-random` 和 `allkeys-random` 机制相对直接，随机淘汰数据，策略相对暴力。
`allkeys-lru` 策略根据最近最少使用（LRU）算法淘汰数据，优先淘汰最久未使用的数据。
`volatile-lru` 结合了过期时间与 LRU 算法，优先淘汰那些最久未访问且即将过期的数据。
`volatile-ttl` 策略淘汰即将过期的数据，而 `volatile-freq` 则根据访问频率（LFU）淘汰数据，考虑数据的使用热度。
`volatile-lru` 和 `allkeys-lru` 策略通过采样来近似 LRU 算法，维护一个样本池来确定淘汰顺序，以提高淘汰策略的精确性。
总结而言，Redis 的数据淘汰策略旨在平衡内存使用与数据访问需求，通过灵活的配置实现高效的数据管理。策略的选择应基于具体应用场景的需求，如数据访问模式、性能目标等。
Redisson可重入锁加锁源码分析
在分布式环境中，控制并发的关键往往需要分布式锁。Redisson，作为Redis的高效客户端，其源码清晰易懂，这里主要探讨Redisson可重入锁的加锁原理，以版本3..5为例，但重点是理解其核心逻辑，而非特定版本。
加锁始于用户通过`redissonClient`获取RLock实例，并通过`lock`方法调用。这个过程最后会进入`RLock`类的`lock`方法，核心步骤是`tryAcquire`方法。
`tryAcquire`方法中，首先获取线程ID，用于标识是哪个线程在请求锁。接着，尝试加锁的真正核心在`tryAcquireAsync`，它嵌套了`get`方法，这个get方法会阻塞等待异步获取锁的结果。
在`tryAcquireAsync`中，如果锁的租期未设置，会使用默认的秒。脚本执行是加锁的核心，一个lua脚本负责保证命令的原子性。脚本中，`keys`和`argv`参数处理至关重要，尤其是判断哈希结构`_come`的键值对状态。
脚本逻辑分为三个条件：如果锁不存在，会设置并设置过期时间；如果当前线程已持有锁，会增加重入次数并更新过期时间；若其他线程持有，加锁失败并返回剩余存活时间。加锁失败时，系统会查询锁的剩余时间，用于后续的重试策略。
加锁成功后，会进行自动续期，通过`Future`监听异步操作结果。如果锁已成功获取且未设置过期时间，会定时执行`scheduleExpirationRenewal`，每秒检查锁状态，延长锁的存活时间。
整个流程总结如下：首先通过lua脚本在Redis中创建和更新锁的哈希结构，对线程进行标识。若无过期时间，定时任务会确保锁的持续有效。重入锁通过`hincrby`增加键值对实现。加锁失败后，客户端会等待锁的剩余存活时间，再进行重试。
至于加锁失败的处理，客户端会根据剩余存活时间进行阻塞，等待后尝试再次获取锁。这整个流程展现了Redisson可重入锁的简洁设计，主要涉及线程标识、原子操作和定时续期等关键点。
Redis源码阅读（1）——zmalloc
zmalloc是一个简化内存分配的库，包含以下API函数：zmalloc
zcalloc
zrealloc
zfree
zstrdup
zmalloc_used_memory
zmalloc_set_oom_handler
zmalloc_get_rss
zmalloc_get_allocator_info
zmalloc_get_private_dirty
zmalloc_get_smap_bytes_by_field
zmalloc_get_memory_size
zlibc_free
其中，zmalloc用于分配内存，zcalloc在分配内存的同时初始化为0，zrealloc用于重新分配内存，zfree用于释放内存，zstrdup用于复制字符串并分配内存，zmalloc_used_memory用于获取已分配内存的大小，zmalloc_set_oom_handler用于设置内存溢出处理器，zmalloc_get_rss用于获取当前进程的内存使用量，zmalloc_get_allocator_info用于获取分配器信息，zmalloc_get_private_dirty用于获取私有脏数据，zmalloc_get_smap_bytes_by_field用于获取指定字段的内存使用量，zmalloc_get_memory_size用于获取内存大小，zlibc_free用于释放内存。 在zmalloc中，宏函数update_zmalloc_stat_alloc用于更新used_memory的值。这个宏函数中的if语句用于补齐分配的内存字节数到sizeof(long)，但是我不太理解5.0源码中为什么atomicIncr使用的是__n而不是直接对_n进行操作。测试发现，used_memory的值并未对齐到8，那么if语句的存在意义何在呢？ 同样地，update_zmalloc_stat_free宏函数用于更新已释放内存的统计信息。与update_zmalloc_stat_alloc相比，虽然malloc_usable_size已经返回精确的字节数，但update_zmalloc_stat_alloc为何不直接使用atomicIncr更新used_memory呢？在Unstable分支中，已有开发者对此进行了优化。