一、缓存与数据库的使用场景及性能差异

1. 缓存的适用场景

• 高频读、低频写场景：如商品详情页、用户信息等读多写少的数据，减少数据库压力。
• 实时性要求不高的数据：如首页推荐列表、统计数据（非实时更新），允许短时间内数据不一致。
• 高并发场景下的性能优化：通过缓存抗住流量峰值，避免数据库直接被击穿（如秒杀活动中的库存查询）。

2. 数据库的适用场景

• 数据持久化与强一致性场景：如用户交易记录、订单状态变更，需保证数据不丢失且事务完整。
• 复杂查询与业务逻辑：涉及多表关联、聚合统计（如SQL的JOIN、GROUP BY），数据库更擅长处理此类结构化查询。
• 数据一致性要求高的场景：如金融交易、库存扣减，需通过数据库事务（ACID）保证操作原子性。

3. 数据库读写慢于缓存的根本原因

• 存储介质差异：

• • 缓存（如Redis）基于内存（RAM），读写速度可达纳秒级（10⁻⁹秒）。
  • 数据库（如MySQL）依赖磁盘（SSD/HDD），随机读写延迟在毫秒级（10⁻³秒），比内存慢约百万倍。

• 数据结构与查询开销：

• • 缓存使用哈希表、跳表等内存友好的数据结构，查询复杂度低（如O(1)）。
  • 数据库需维护索引（如B+树）、事务日志（redo/undo log），且涉及磁盘I/O寻址，开销更高。

二、MySQL核心问题

1. 事务隔离级别

MySQL支持4种隔离级别（由低到高）：

隔离级别	脏读	不可重复读	幻读
读未提交	允许	允许	允许
读已提交	禁止	允许	允许
可重复读	禁止	禁止	部分禁止
串行化	禁止	禁止	禁止

不可重复读的场景：
在一个事务内，两次读取同一数据时结果不一致。例如：

• 事务A查询用户余额为100元（未提交）。
• 事务B修改余额为80元并提交。
• 事务A再次查询时，余额变为80元，导致前后结果不一致。
  原因：读已提交和可重复读隔离级别下，普通查询（非快照读）会读取最新提交的数据，而可重复读通过MVCC（多版本并发控制）避免此问题。

2. 底层存储数据结构：B+树

• 为什么不用平衡二叉树？
  平衡二叉树的树高为O(logN)，当数据量大时，磁盘I/O次数多（每次I/O对应树的一层）。而B+树通过以下特性优化：

• • 多叉树结构：每个节点可存储多个键值对，树高更低（如三层B+树可存储百万级数据）。
  • 数据全在叶子节点：非叶子节点仅存索引，叶子节点存数据且有序连接，便于范围查询（如WHERE age > 18）。

3. 三层B+树最大数据量计算

InnoDB的叶子节点存储的单位是页

mysql页默认存储的单位是 16384 个字节 16kb 也就是一个节点的大小 节点大小为16KB

非叶子节点存储的是索引键值和页指针

索引键值 BigInt 8字节

页指针 6字节

那么根节点有

16384 字节 / 14 字节 = 1170 个页指针

第二层有1170个子节点 每个子节点又指向1180个子节点

第三层都是叶子节点

每个叶子节点存16kb

那么总大小就是 1170 * 1170 * 16 =21902400 条

2200万kb的数据

假设：

• 节点大小为16KB（MySQL默认页大小），键值（索引）为8字节（如BIGINT），指针为6字节（指向子节点或数据）。
• 非叶子节点：每个节点存储 16KB/(8+6B)≈1170 个键值对。
• 叶子节点：每个节点存储数据（假设一行数据1KB），则每个叶子节点存16条数据。
• 三层B+树结构：

• • 第一层（根节点）：1个节点，1170个子节点。
  • 第二层（中间层）：1170个节点，每个节点1170个子节点，共 1170×1170 个叶子节点。
  • 第三层（叶子层）：1170×1170×16 ≈ 22 million（约2200万） 条数据。

三、HTTPS与HTTP的区别

特性	HTTP	HTTPS
端口	80	443
安全性	明文传输，无加密	基于TLS/SSL加密，防篡改、窃听
证书	无需证书	需要CA机构颁发的SSL证书
性能	低延迟，适合简单场景	需握手协商加密参数，延迟略高
信任机制	无	通过数字证书验证服务器身份

四、Redis持久化

1. 持久化方式

• RDB（快照）：定期将内存数据全量写入磁盘，生成二进制文件（.rdb）。
• AOF（日志）：记录每条写命令，重启时重放命令恢复数据。

2. AOF快照形式

AOF文件以文本形式存储命令（如SET key value），可通过BGREWRITEAOF压缩日志（合并同类命令，如先INCR后DECR可合并为SET）。

3. RDB快照原理（BGSAVE）

• fork子进程：主进程执行BGSAVE时，通过操作系统fork创建子进程，子进程共享主进程内存数据。
• 写入快照：子进程将内存数据按RDB格式写入磁盘，主进程继续处理请求，避免阻塞。
• 替换旧文件：写入完成后，用新快照文件替换旧文件，重启时通过加载.rdb恢复数据。

五、虚拟内存与页表

1. 虚拟内存

• 概念：操作系统为每个进程分配的独立地址空间（如32位系统为4GB），通过内存与磁盘的换入换出（Swap），允许程序使用超过物理内存的空间。
• 作用：

• • 隔离进程地址空间，避免内存冲突。
  • 支持大程序运行，通过分页机制（Page）将不常用数据暂存磁盘。

2. 页表

• 概念：虚拟地址到物理地址的映射表，存储每个页（Page，如4KB）对应的物理内存地址或磁盘位置。
• 结构：

• • 一级页表：适用于小内存系统，虚拟地址直接对应页表项。
  • 多级页表：如二级页表，将虚拟地址分为目录和页号，减少页表内存占用（如x86的CR3寄存器指向页目录）。

• 查询过程：CPU通过MMU（内存管理单元）查询页表，若页不在内存中（缺页中断），则从磁盘加载到内存。

六、Redis内存占用比预期大的原因

• 数据结构额外开销：

• • 例如，存储字符串"a"时，Redis使用sdshdr结构体（包含长度、容量、标志位等），实际占用内存大于1字节。
  • 哈希表、列表等复杂结构需存储指针、长度等元数据。

• 内存对齐与分配策略：

• • Redis按2的幂次分配内存（如存储10字节数据，分配16字节空间），避免频繁申请小块内存导致的碎片。
  • 操作系统分配内存时的对齐要求（如8字节对齐）也会增加占用。

• 持久化与复制机制：

• • RDB/AOF文件生成时的临时内存开销，主从复制时的缓冲区等。

七、分库分表的适用场景

1. 单表数据量过大：如单表超过500万条，查询性能显著下降（索引效率降低，磁盘I/O增加）。
2. 高并发导致性能瓶颈：单机数据库连接数、CPU/内存资源不足，无法支撑请求量。
3. 数据热点问题：某部分数据被频繁访问（如社交APP的用户消息表），需分散到不同库表。
4. 业务垂直拆分：按功能模块分库（如用户库、订单库），降低耦合度，便于扩展。
5. 跨地域/多租户需求：数据需按区域或租户隔离存储（如多商户SaaS系统）。

注意：分库分表会引入分布式事务、跨库查询等复杂性，需权衡使用（如优先优化索引、读写分离，再考虑分库分表）。