我：Redis内存数据满了导致宕机。CTO：你太无知了....一脸懵-redis内存满了缓存到磁盘

Redis 数据库内存数据满了，会宕机吗？答案是：不会让他出现存满的情况，在使用Redis的时候我们要配置Redis能使用的最大的内存大小，存到一定容量的时候还有Redis的内存淘汰策略呢，还有LRU算法进行淘汰，等等。。。接下来就跟着作者一起探讨，Redis的内存淘汰策略。

Redis占用内存大小

我们知道Redis是基于内存的key-value数据库，因为系统的内存大小有限，所以我们在使用Redis的时候可以配置Redis能使用的最大的内存大小。

1、通过配置文件配置

通过在Redis安装目录下面的redis.conf配置文件中添加以下配置设置内存大小

//设置Redis最大占用内存大小为100M  
  maxmemory 100mb 
1.
2.

redis的配置文件不一定使用的是安装目录下面的redis.conf文件，启动redis服务的时候是可以传一个参数指定redis的配置文件的

2、通过命令修改

Redis支持运行时通过命令动态修改内存大小

//设置Redis最大占用内存大小为100M  
127.0.0.1:6379> config set maxmemory 100mb  
//获取设置的Redis能使用的最大内存大小  
127.0.0.1:6379> config get maxmemory 
1.
2.
3.
4.

如果不设置最大内存大小或者设置最大内存大小为0，在64位操作系统下不限制内存大小，在32位操作系统下最多使用3GB内存

Redis的内存淘汰

既然可以设置Redis最大占用内存大小，那么配置的内存就有用完的时候。那在内存用完的时候，还继续往Redis里面添加数据不就没内存可用了吗？

实际上Redis定义了几种策略用来处理这种情况：

noeviction(默认策略)：对于写请求不再提供服务，直接返回错误（DEL请求和部分特殊请求除外）

allkeys-lru：从所有key中使用LRU算法进行淘汰

volatile-lru：从设置了过期时间的key中使用LRU算法进行淘汰

allkeys-random：从所有key中随机淘汰数据

volatile-random：从设置了过期时间的key中随机淘汰

volatile-ttl：在设置了过期时间的key中，根据key的过期时间进行淘汰，越早过期的越优先被淘汰

当使用volatile-lru、volatile-random、volatile-ttl这三种策略时，如果没有key可以被淘汰，则和noeviction一样返回错误

如何获取及设置内存淘汰策略

获取当前内存淘汰策略：

127.0.0.1:6379> config get maxmemory-policy  
复制代码 
1.
2.

通过配置文件设置淘汰策略（修改redis.conf文件）：

maxmemory-policy allkeys-lru  
复制代码 
1.
2.

通过命令修改淘汰策略：

127.0.0.1:6379> config set maxmemory-policy allkeys-lru 
1.

LRU算法

什么是LRU?

上面说到了Redis可使用最大内存使用完了，是可以使用LRU算法进行内存淘汰的，那么什么是LRU算法呢？

LRU(Least Recently Used)，即最近最少使用，是一种缓存置换算法。在使用内存作为缓存的时候，缓存的大小一般是固定的。当缓存被占满，这个时候继续往缓存里面添加数据，就需要淘汰一部分老的数据，释放内存空间用来存储新的数据。这个时候就可以使用LRU算法了。其核心思想是：如果一个数据在最近一段时间没有被用到，那么将来被使用到的可能性也很小，所以就可以被淘汰掉。

使用java实现一个简单的LRU算法

publicclassLRUCache<k, v> {  
    //容量  
    privateint capacity;  
    //当前有多少节点的统计  
    privateint count;  
    //缓存节点  
    privateMap<k, Node<k, v>> nodeMap;  
    privateNode<k, v> head;  
    privateNode<k, v> tail;  
    publicLRUCache(int capacity) {  
    if(capacity < 1) {  
    thrownewIllegalArgumentException(String.valueOf(capacity));  
    }  
    this.capacity = capacity;  
    this.nodeMap = newHashMap<>();  
    //初始化头节点和尾节点，利用哨兵模式减少判断头结点和尾节点为空的代码  
    Node headNode = newNode(null, null);  
    Node tailNode = newNode(null, null);  
            headNode.next= tailNode;  
            tailNode.pre = headNode;  
    this.head = headNode;  
    this.tail = tailNode;  
    }  
    publicvoid put(k key, v value) {  
    Node<k, v> node = nodeMap.get(key);  
    if(node == null) {  
    if(count >= capacity) {  
    //先移除一个节点  
                    removeNode();  
    }  
                node = newNode<>(key, value);  
    //添加节点  
                addNode(node);  
    } else{  
    //移动节点到头节点  
                moveNodeToHead(node);  
    }  
    }  
    publicNode<k, v> get(k key) {  
    Node<k, v> node = nodeMap.get(key);  
    if(node != null) {  
                moveNodeToHead(node);  
    }  
    return node;  
    }  
    privatevoid removeNode() {  
    Node node = tail.pre;  
    //从链表里面移除 
             removeFromList(node);  
            nodeMap.remove(node.key);  
            count--;  
    }  
    privatevoid removeFromList(Node<k, v> node) {  
    Node pre = node.pre;  
    Nodenext= node.next;  
            pre.next= next;  
    next.pre = pre;  
            node.next= null;  
            node.pre = null;  
    }  
    privatevoid addNode(Node<k, v> node) {  
    //添加节点到头部  
            addToHead(node);  
            nodeMap.put(node.key, node);  
            count++;  
    }  
    privatevoid addToHead(Node<k, v> node) {  
    Nodenext= head.next;  
    next.pre = node;  
            node.next= next;  
            node.pre = head;  
            head.next= node;  
    }  
    publicvoid moveNodeToHead(Node<k, v> node) {  
    //从链表里面移除  
            removeFromList(node);  
    //添加节点到头部  
            addToHead(node);  
    }  
    classNode<k, v> {  
            k key;  
            v value;  
    Node pre;  
    Nodenext;  
    publicNode(k key, v value) { 
    this.key = key;  
    this.value = value;  
    }  
    }  
    } 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
66.
67.
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.
84.
85.
86.
87.
88.
89.
90.

上面这段代码实现了一个简单的LUR算法，代码很简单，也加了注释，仔细看一下很容易就看懂。

LRU在Redis中的实现

近似LRU算法

Redis使用的是近似LRU算法，它跟常规的LRU算法还不太一样。近似LRU算法通过随机采样法淘汰数据，每次随机出5（默认）个key，从里面淘汰掉最近最少使用的key。

可以通过maxmemory-samples参数修改采样数量：例：maxmemory-samples 10 maxmenory-samples配置的越大，淘汰的结果越接近于严格的LRU算法

Redis为了实现近似LRU算法，给每个key增加了一个额外增加了一个24bit的字段，用来存储该key最后一次被访问的时间。

Redis3.0对近似LRU的优化

Redis3.0对近似LRU算法进行了一些优化。新算法会维护一个候选池（大小为16），池中的数据根据访问时间进行排序，第一次随机选取的key都会放入池中，随后每次随机选取的key只有在访问时间小于池中最小的时间才会放入池中，直到候选池被放满。当放满后，如果有新的key需要放入，则将池中最后访问时间最大（最近被访问）的移除。

当需要淘汰的时候，则直接从池中选取最近访问时间最小（最久没被访问）的key淘汰掉就行。

LRU算法的对比

我们可以通过一个实验对比各LRU算法的准确率，先往Redis里面添加一定数量的数据n，使Redis可用内存用完，再往Redis里面添加n/2的新数据，这个时候就需要淘汰掉一部分的数据，如果按照严格的LRU算法，应该淘汰掉的是最先加入的n/2的数据。生成如下各LRU算法的对比图

你可以看到图中有三种不同颜色的点：

浅灰色是被淘汰的数据
灰色是没有被淘汰掉的老数据
绿色是新加入的数据

我们能看到Redis3.0采样数是10生成的图最接近于严格的LRU。而同样使用5个采样数，Redis3.0也要优于Redis2.8。

LFU算法

LFU算法是Redis4.0里面新加的一种淘汰策略。它的全称是Least Frequently Used，它的核心思想是根据key的最近被访问的频率进行淘汰，很少被访问的优先被淘汰，被访问的多的则被留下来。

LFU算法能更好的表示一个key被访问的热度。假如你使用的是LRU算法，一个key很久没有被访问到，只刚刚是偶尔被访问了一次，那么它就被认为是热点数据，不会被淘汰，而有些key将来是很有可能被访问到的则被淘汰了。如果使用LFU算法则不会出现这种情况，因为使用一次并不会使一个key成为热点数据。

LFU一共有两种策略：

volatile-lfu：在设置了过期时间的key中使用LFU算法淘汰key

allkeys-lfu：在所有的key中使用LFU算法淘汰数据

设置使用这两种淘汰策略跟前面讲的一样，不过要注意的一点是这两周策略只能在Redis4.0及以上设置，如果在Redis4.0以下设置会报错