一、Redis 的配置文件位置
在 Redis 的安装目录下有一个 redis.conf 就是 Redis 的配置文件。
二、###Units单位###
配置大小单位，开头定义了一些基本的度量单位，只支持bytes，不支持bit
大小写不敏感
三、###INCLUDES包含###
类似jsp中的include，多实例的情况可以把公用的配置文件提取出来。
四、###网络相关配置 ###
1、bind
默认情况bind=127.0.0.1只能接受本机的访问请求，不写的情况下，无限制接受任何ip地址的访问；
生产环境肯定要写你应用服务器的地址；服务器是需要远程访问的，所以需要将其注释掉；
如果开启了protected-mode，那么在没有设定 bind ip且没有设密码的情况下，Redis只允许接受本机的响应
保存配置，停止服务，重启启动查看进程，不再是本机访问了。
2、protected-mode
将本机访问保护模式设置no
3、Port
端口号，默认 6379
4、tcp-backlog
设置tcp的backlog，backlog其实是一个连接队列，backlog队列总和=未完成三次握手队列 + 已经完成三次握手队列。
在高并发环境下你需要一个高backlog值来避免慢客户端连接问题。
注意Linux内核会将这个值减小到/proc/sys/net/core/somaxconn的值（128），所以需要确认增大/proc/sys/net/core/somaxconn和/proc/sys/net/ipv4/tcp_max_syn_backlog（128）两个值来达到想要的效果
5、timeout
一个空闲的客户端维持多少秒会关闭，0表示关闭该功能。即永不关闭。
6、tcp-keepalive
对访问客户端的一种心跳检测，每个n秒检测一次。
单位为秒，如果设置为0，则不会进行Keepalive检测，建议设置成60
五、###GENERAL通用###
1、daemonize
是否为后台进程，设置为yes
守护进程，后台启动
2、pidfile
存放pid文件的位置，每个实例会产生一个不同的pid文件
3、loglevel
指定日志记录级别，Redis总共支持四个级别：debug、verbose、notice、warning，默认为 notice
四个级别根据使用阶段来选择，生产环境选择notice 或者warning
4、logfile
日志文件名称
5、database 16
设定库的数量 默认16，默认数据库为0，可以使用SELECT <dbid>命令在连接上指定数据库id
六、###SECURITY安全###
设置密码
访问密码的查看、设置和取消
在命令中设置密码，只是临时的。重启redis服务器，密码就还原了。
永久设置，需要再配置文件中进行设置。
七、#### LIMITS限制 ###
1、maxclients
-
- 设置redis同时可以与多少个客户端进行连接。
- 默认情况下为10000个客户端。
- 如果达到了此限制，redis则会拒绝新的连接请求，并且向这些连接请求方发出“max number of clients reached”以作回应。
2、maxmemory
- 建议必须设置，否则，将内存占满，造成服务器宕机
- 设置redis可以使用的内存量。一旦到达内存使用上限，redis将会试图移除内部数据，移除规则可以通过maxmemory-policy来指定。
- 如果redis无法根据移除规则来移除内存中的数据，或者设置了“不允许移除”，那么redis则会针对那些需要申请内存的指令返回错误信息，比如SET、LPUSH等。
- 但是对于无内存申请的指令，仍然会正常响应，比如GET等。如果你的redis是主redis（说明你的redis有从redis），那么在设置内存使用上限时，需要在系统中留出一些内存空间给同步队列缓存，只有在你设置的是“不移除”的情况下，才不用考虑这个因素。
3、maxmemory-policy：移除策略
volatile-lru：使用LRU算法移除key，只对设置了过期时间的键；（最近最少使用）
allkeys-lru：在所有集合key中，使用LRU算法移除key
volatile-random：在过期集合中移除随机的key，只对设置了过期时间的键
allkeys-random：在所有集合key中，移除随机的key
volatile-ttl：移除那些TTL值最小的key，即那些最近要过期的key
noeviction：不进行移除。针对写操作，只是返回错误信息
4、maxmemory-samples
-
- 设置样本数量，LRU算法和最小TTL算法都并非是精确的算法，而是估算值，所以你可以设置样本的大小，redis默认会检查这么多个key并选择其中LRU的那个。
- 一般设置3到7的数字，数值越小样本越不准确，但性能消耗越小。
