面試官問我：Redis 內存滿了怎麼辦

轉載自 想不到！面試官問我：Redis 內存滿了怎麼辦

• Redis佔用內存大小

• Redis的內存淘汰

• LRU算法

• LRU在Redis中的實現

• LFU算法

• 問題

---

Redis佔用內存大小

我們知道Redis是基於內存的key-value數據庫，因爲系統的內存大小有限，所以我們在使用Redis的時候可以配置Redis能使用的最大的內存大小。

1、通過配置文件配置

通過在Redis安裝目錄下面的redis.conf配置文件中添加以下配置設置內存大小

//設置Redis最大佔用內存大小爲100M
maxmemory 100mb

redis的配置文件不一定使用的是安裝目錄下面的redis.conf文件，啓動redis服務的時候是可以傳一個參數指定redis的配置文件的

2、通過命令修改

Redis支持運行時通過命令動態修改內存大小

//設置Redis最大佔用內存大小爲100M
127.0.0.1:6379> config set maxmemory 100mb
//獲取設置的Redis能使用的最大內存大小
127.0.0.1:6379> config get maxmemory

如果不設置最大內存大小或者設置最大內存大小爲0，在64位操作系統下不限制內存大小，在32位操作系統下最多使用3GB內存

Redis的內存淘汰

既然可以設置Redis最大佔用內存大小，那麼配置的內存就有用完的時候。那在內存用完的時候，還繼續往Redis裏面添加數據不就沒內存可用了嗎？

實際上Redis定義了幾種策略用來處理這種情況：

noeviction(默認策略)：對於寫請求不再提供服務，直接返回錯誤（DEL請求和部分特殊請求除外）

allkeys-lru：從所有key中使用LRU算法進行淘汰

volatile-lru：從設置了過期時間的key中使用LRU算法進行淘汰

allkeys-random：從所有key中隨機淘汰數據

volatile-random：從設置了過期時間的key中隨機淘汰

volatile-ttl：在設置了過期時間的key中，根據key的過期時間進行淘汰，越早過期的越優先被淘汰

當使用volatile-lru、volatile-random、volatile-ttl這三種策略時，如果沒有key可以被淘汰，則和noeviction一樣返回錯誤

如何獲取及設置內存淘汰策略

獲取當前內存淘汰策略：

127.0.0.1:6379> config get maxmemory-policy

通過配置文件設置淘汰策略（修改redis.conf文件）：

maxmemory-policy allkeys-lru

通過命令修改淘汰策略：

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

LRU算法

什麼是LRU?

上面說到了Redis可使用最大內存使用完了，是可以使用LRU算法進行內存淘汰的，那麼什麼是LRU算法呢？

LRU(Least Recently Used)，即最近最少使用，是一種緩存置換算法。在使用內存作爲緩存的時候，緩存的大小一般是固定的。當緩存被佔滿，這個時候繼續往緩存裏面添加數據，就需要淘汰一部分老的數據，釋放內存空間用來存儲新的數據。這個時候就可以使用LRU算法了。其核心思想是：如果一個數據在最近一段時間沒有被用到，那麼將來被使用到的可能性也很小，所以就可以被淘汰掉。

使用java實現一個簡單的LRU算法

public class LRUCache<k, v> {
    //容量
    private int capacity;
    //當前有多少節點的統計
    private int count;
    //緩存節點
    private Map<k, Node<k, v>> nodeMap;
    private Node<k, v> head;
    private Node<k, v> tail;

    public LRUCache(int capacity) {
        if (capacity < 1) {
            throw new IllegalArgumentException(String.valueOf(capacity));
        }
        this.capacity = capacity;
        this.nodeMap = new HashMap<>();
        //初始化頭節點和尾節點，利用哨兵模式減少判斷頭結點和尾節點爲空的代碼
        Node headNode = new Node(null, null);
        Node tailNode = new Node(null, null);
        headNode.next = tailNode;
        tailNode.pre = headNode;
        this.head = headNode;
        this.tail = tailNode;
    }

    public void put(k key, v value) {
        Node<k, v> node = nodeMap.get(key);
        if (node == null) {
            if (count >= capacity) {
                //先移除一個節點
                removeNode();
            }
            node = new Node<>(key, value);
            //添加節點
            addNode(node);
        } else {
            //移動節點到頭節點
            moveNodeToHead(node);
        }
    }

    public Node<k, v> get(k key) {
        Node<k, v> node = nodeMap.get(key);
        if (node != null) {
            moveNodeToHead(node);
        }
        return node;
    }

    private void removeNode() {
        Node node = tail.pre;
        //從鏈表裏面移除
        removeFromList(node);
        nodeMap.remove(node.key);
        count--;
    }

    private void removeFromList(Node<k, v> node) {
        Node pre = node.pre;
        Node next = node.next;

        pre.next = next;
        next.pre = pre;

        node.next = null;
        node.pre = null;
    }

    private void addNode(Node<k, v> node) {
        //添加節點到頭部
        addToHead(node);
        nodeMap.put(node.key, node);
        count++;
    }

    private void addToHead(Node<k, v> node) {
        Node next = head.next;
        next.pre = node;
        node.next = next;
        node.pre = head;
        head.next = node;
    }

    public void moveNodeToHead(Node<k, v> node) {
        //從鏈表裏面移除
        removeFromList(node);
        //添加節點到頭部
        addToHead(node);
    }

    class Node<k, v> {
        k key;
        v value;
        Node pre;
        Node next;

        public Node(k key, v value) {
            this.key = key;
            this.value = value;
        }
    }
}

上面這段代碼實現了一個簡單的LUR算法，代碼很簡單，也加了註釋，仔細看一下很容易就看懂。

LRU在Redis中的實現

近似LRU算法

Redis使用的是近似LRU算法，它跟常規的LRU算法還不太一樣。近似LRU算法通過隨機採樣法淘汰數據，每次隨機出5（默認）個key，從裏面淘汰掉最近最少使用的key。

可以通過maxmemory-samples參數修改採樣數量：例：maxmemory-samples 10 maxmenory-samples配置的越大，淘汰的結果越接近於嚴格的LRU算法

Redis爲了實現近似LRU算法，給每個key增加了一個額外增加了一個24bit的字段，用來存儲該key最後一次被訪問的時間。

Redis3.0對近似LRU的優化

Redis3.0對近似LRU算法進行了一些優化。新算法會維護一個候選池（大小爲16），池中的數據根據訪問時間進行排序，第一次隨機選取的key都會放入池中，隨後每次隨機選取的key只有在訪問時間小於池中最小的時間纔會放入池中，直到候選池被放滿。當放滿後，如果有新的key需要放入，則將池中最後訪問時間最大（最近被訪問）的移除。

當需要淘汰的時候，則直接從池中選取最近訪問時間最小（最久沒被訪問）的key淘汰掉就行。

LRU算法的對比

我們可以通過一個實驗對比各LRU算法的準確率，先往Redis裏面添加一定數量的數據n，使Redis可用內存用完，再往Redis裏面添加n/2的新數據，這個時候就需要淘汰掉一部分的數據，如果按照嚴格的LRU算法，應該淘汰掉的是最先加入的n/2的數據。生成如下各LRU算法的對比圖（圖片來源）：

你可以看到圖中有三種不同顏色的點：

• 淺灰色是被淘汰的數據

• 灰色是沒有被淘汰掉的老數據

• 綠色是新加入的數據

我們能看到Redis3.0採樣數是10生成的圖最接近於嚴格的LRU。而同樣使用5個採樣數，Redis3.0也要優於Redis2.8。

LFU算法

LFU算法是Redis4.0裏面新加的一種淘汰策略。它的全稱是Least Frequently Used，它的核心思想是根據key的最近被訪問的頻率進行淘汰，很少被訪問的優先被淘汰，被訪問的多的則被留下來。

LFU算法能更好的表示一個key被訪問的熱度。假如你使用的是LRU算法，一個key很久沒有被訪問到，只剛剛是偶爾被訪問了一次，那麼它就被認爲是熱點數據，不會被淘汰，而有些key將來是很有可能被訪問到的則被淘汰了。如果使用LFU算法則不會出現這種情況，因爲使用一次並不會使一個key成爲熱點數據。

LFU一共有兩種策略：

• volatile-lfu：在設置了過期時間的key中使用LFU算法淘汰key

• allkeys-lfu：在所有的key中使用LFU算法淘汰數據

設置使用這兩種淘汰策略跟前面講的一樣，不過要注意的一點是這兩週策略只能在Redis4.0及以上設置，如果在Redis4.0以下設置會報錯

問題

最後留一個小問題，可能有的人注意到了，我在文中並沒有解釋爲什麼Redis使用近似LRU算法而不使用準確的LRU算法，可以在評論區給出你的答案，大家一起討論學習。