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

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

注意：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（回收策略）

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：（6种redis内存淘汰策略方案）

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

注意：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

通过配置文件设置淘汰策略（修改redis.conf文件）：

maxmemory-policy allkeys-lru

通过命令修改淘汰策略：

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

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

  1 public class LRUCache<k, v> {
  2     //容量
  3     private int capacity;
  4     //当前有多少节点的统计
  5     private int count;
  6     //缓存节点
  7     private Map<k, Node<k, v>> nodeMap;
  8     private Node<k, v> head;
  9     private Node<k, v> tail;
 10 
 11     public LRUCache(int capacity) {
 12         if (capacity < 1) {
 13             throw new IllegalArgumentException(String.valueOf(capacity));
 14         }
 15         this.capacity = capacity;
 16         this.nodeMap = new HashMap<>();
 17         //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
 18         Node headNode = new Node(null, null);
 19         Node tailNode = new Node(null, null);
 20         headNode.next = tailNode;
 21         tailNode.pre = headNode;
 22         this.head = headNode;
 23         this.tail = tailNode;
 24     }
 25 
 26     public void put(k key, v value) {
 27         Node<k, v> node = nodeMap.get(key);
 28         if (node == null) {
 29             if (count >= capacity) {
 30                 //先移除一个节点，因为该链表中的节点数已经到达容器上限
 31                 removeNode();
 32             }
 33             node = new Node<>(key, value);
 34             //添加节点
 35             addNode(node);
 36         } else {
 37             //移动节点到头节点
 38             moveNodeToHead(node);
 39         }
 40     }
 41 
 42     public Node<k, v> get(k key) {
 43         Node<k, v> node = nodeMap.get(key);
 44         if (node != null) {
 45             moveNodeToHead(node);
 46         }
 47         return node;
 48     }
 49 
 50     private void removeNode() {
 51         Node node = tail.pre;
 52         //从链表里面移除
 53         removeFromList(node);
 54         nodeMap.remove(node.key);
 55         count--;
 56     }
 57 　　//画图理解从链表中移除节点的过程
 58     private void removeFromList(Node<k, v> node) {
 59         Node pre = node.pre;
 60         Node next = node.next;
 61 
 62         pre.next = next;
 63         next.pre = pre;
 64 
 65         node.next = null;
 66         node.pre = null;
 67     }
 68 
 69     private void addNode(Node<k, v> node) {
 70         //添加节点到头部
 71         addToHead(node);
 72         nodeMap.put(node.key, node);
 73         count++;
 74     }
 75 
 76     private void addToHead(Node<k, v> node) {
 77         Node next = head.next;
 78         next.pre = node;
 79         node.next = next;
 80         node.pre = head;
 81         head.next = node;
 82     }
 83 
 84     public void moveNodeToHead(Node<k, v> node) {
 85         //从链表里面移除
 86         removeFromList(node);
 87         //添加节点到头部
 88         addToHead(node);
 89     }
 90 
 91     class Node<k, v> {
 92         k key;
 93         v value;
 94         Node pre;
 95         Node next;
 96 
 97         public Node(k key, v value) {
 98             this.key = key;
 99             this.value = value;
100         }
101     }
102 }

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。

补充：redis这里为什么使用的是近似LRU算法，而不是精准的LRU算法呢？

　　　　Redis为什么不使用真实的LRU实现是因为这需要太多的内存。不过近似的LRU算法对于应用而言应该是等价的。使用真实的LRU算法与近似的算法可以通过下面的各LRU算法的对比图（参看下文中的图片）。

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，但是同时对内存的消耗也越大。

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：

图片来源：https://segmentfault.com/a/1190000017555834

可以看到上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（只能在redis4.0之后的版本使用）

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