面试官问我：Redis 内存满了怎么办

柔情只为你懂 2023-03-14 10:36 26阅读 0赞

转载自 [想不到！面试官问我：Redis 内存满了怎么办][Redis]

*  Redis占用内存大小
 *  Redis的内存淘汰
 *  LRU算法
 *  LRU在Redis中的实现
 *  LFU算法
 *  问题

--------------------

# 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

> 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

> 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

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 ###

public class LRUCache<k, v> {
        //容量
        private int capacity;
        //当前有多少节点的统计
        private int count;
        //缓存节点
        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 = 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) {
                    //先移除一个节点
                    removeNode();
                }
                node = new Node<>(key, value);
                //添加节点
                addNode(node);
            } else {
                //移动节点到头节点
                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;
            //从链表里面移除
            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) {
            //添加节点到头部
            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) {
            //从链表里面移除
            removeFromList(node);
            //添加节点到头部
            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（图片来源）：

![format_png][]

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

# 问题 #

最后留一个小问题，可能有的人注意到了，我在文中并没有解释为什么Redis使用近似LRU算法而不使用准确的LRU算法，可以在评论区给出你的答案，大家一起讨论学习。

[Redis]: https://mp.weixin.qq.com/s?__biz=MzUzMTA2NTU2Ng==&mid=2247487819&idx=1&sn=a6cc820148b729d113c70cc95b4635bd&chksm=fa496efacd3ee7ec32190310e11ac01a9ff9bee3d87e825222feb1b917cc56505c88678b7c12&mpshare=1&scene=23&srcid=&sharer_sharetime=1569632856709&sharer_shareid=94d57563d95d90af139479e3745fcada#rd
[format_png]: /images/20230312/e74de429741d4ffba4af614f69d46c16.png