Redis在高并发环境下的场景面试题

1. 如何记录上亿个用户的签到情况？

解释：这个问题的突出是数据量大，并发高（如果好多用户同时进行签到），所以这里可以使用Redis进行解决
统计大数据量用户的签到情况可以使用redis来实现。
在redis中，有一个bitmap的数据类型可以统计0或者1的比特位(当然只能是0和1)，bitmap本质是一个str类型，由于str类型支持最大为512mb，所以bitmap最大可以存储42亿多个比特位。
对于这种签到的场景，我想到两种方法，一种是利用日期作为bitmap的key，需要将用户的id进行映射到bitmap的比特位上，所以需要保证用户id是唯一的。
但是这种情况对于单个用户不是很友好，如果需要查这个用户的签到情况需要遍历多个bitmap进行查询。
还有一种方法是利用用户id作为bitmap的key，用1-30作为一个月的签到，或者用1-365作为一年的签到。
但是这种方法对于记录每天有多少用户签到了，需要遍历所有用户进行统计。

BitMap的实现原理

Redis 的 Bitmap（位图）本质上是基于字符串（String）类型实现的一种底层二进制位操作机制。
其核心原理在于：Redis 将一个 String 值视为由连续字节组成的二进制序列，每个字节包含 8 个 bit，每个 bit 可独立设为 0 或 1。
用户通过偏移量（offset）直接访问和修改特定位置的 bit，而无需操作整个字符串。
例如，执行 SETBIT key 100 1 会将 key 对应字符串中第 100 位（从 0 开始计数）设为 1，若原字符串长度不足，Redis 会自动扩容并用零填充。
这种设计利用了内存对齐与紧凑存储的优势，极大提升了空间效率——1 亿用户的每日活跃状态仅需约 12.5 MB 内存。
此外，Redis 提供 BITCOUNT（统计 1 的数量）、BITOP（执行位级逻辑运算）等命令，使 Bitmap 不仅能高效存储布尔状态，还能支持集合运算、交并差等复杂分析。
因此，Bitmap 在签到系统、实时去重、用户行为统计等场景中被广泛应用，兼具高性能与低开销的特点。

2. 给你一个亿的redis key，如何统计用户双方共同的好友？

这个问题首先想到的解决方法就是利用redis的set集合进行交集判断，但是在实际中，在一亿个数据中查找两个数据的交集也不是特别快。
所以可以以下几个方法进行计算：

采用数据库分表分库的异步操作去查找
采用neo4j技术，neo4j是专门查找数据库中两个数据的关系图的技术
使用大数据工具：HBase+Hadoop的离线计算来查找

3. redis如何实现上亿用户实时积分榜？

对于这个问题，可以使用redis的zset进行实时排序，但是对于这种大数据量的实时排序单使用zset还是太慢了。
1 亿用户 ≈ 每条记录约 30~~50 字节（含 member 字符串），总内存可能达 3~~5 GB 甚至更高。查询全量排名（如查某用户全局 rank）为 O(N)，是不推荐的。
但 Top-K 查询（如前 1000）依然高效，因为 Redis 使用跳表，无需遍历全部。
所以可以采用zset分桶分治（分片）的方法来进行实时积分排行。其核心思想是将海量用户按某种规则（如用户 ID 哈希取模）分散到多个 ZSET 中，
例如 rank:0、rank:1 等，从而降低单个有序集合的规模，缓解内存和操作压力。
然而，这种分片方式仅适用于局部排行榜（如分区内的排名），无法高效支持全局 Top-K 查询，因为需合并所有分片结果，计算开销大。
因此，分片虽能提升单节点性能，却不适合需要精确全局排序的实时积分总榜场景，实际应用中常结合热数据缓存、异步更新或混合存储策略来平衡性能与功能需求。
这里其实也可以（如1-1000为一桶，1001-2000为一桶….）最后进行排序就可以。

Zset的实现原理

Redis 的 ZSET（Sorted Set，有序集合）是一种复合数据结构，其核心原理结合了跳跃表（Skip List）和哈希表（Hash Table）。
每个成员（member）唯一，关联一个浮点数分数（score），ZSET 按 score 升序自动排序。哈希表用于 O(1) 时间内快速判断成员是否存在及获取其 score；
跳跃表则维护成员的有序链表结构，支持高效的范围查询、插入和删除，平均时间复杂度为 O(log N)。
例如，ZADD 通过哈希表检查 member 是否存在，再在跳表中定位插入位置；ZRANGE 则直接遍历跳表的有序节点。
这种双结构设计使 ZSET 在保证排序能力的同时，兼顾了成员查找与范围操作的性能。正因如此，ZSET 被广泛用于实时排行榜、带权重的任务队列等场景。
虽然内存开销略高于普通集合，但其在亿级数据下仍能高效支持 Top-K 查询（如前 100 名），是 Redis 实现高性能实时排序的核心数据结构。