我們知道Redis是基于內(nèi)存的key-value數(shù)據(jù)庫，因為系統(tǒng)的內(nèi)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(nèi)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(shè)置內(nèi)存大小。 

//設(shè)置Redis最大占用內(nèi)存大小為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，啟動redis服務(wù)的時候是可以傳一個參數(shù)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(tài)修改內(nèi)存大小 

//設(shè)置Redis最大占用內(nèi)存大小為100M  
127.0.0.1:6379> config set maxmemory 100mb  
//獲取設(shè)置的Redis能使用的最大內(nèi)存大小  
127.0.0.1:6379> config get maxmemory 

如果不設(shè)置最大內(nèi)存大小或者設(shè)置最大內(nèi)存大小為0，在64位操作系統(tǒng)下不限制內(nèi)存大小，在32位操作系統(tǒng)下最多使用3GB內(nèi)存

Redis的內(nèi)存淘汰

既然可以設(shè)置Redis最大占用內(nèi)存大小，那么配置的內(nèi)存就有用完的時候。那在內(nèi)存用完的時候，還繼續(xù)往Redis里面添加數(shù)據(jù)不就沒內(nèi)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)：對于寫請求不再提供服務(wù)，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(shè)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(shù)據(jù)
•  volatile-random：從設(shè)置了過期時間的key中隨機淘汰
•  volatile-ttl：在設(shè)置了過期時間的key中，根據(jù)key的過期時間進行淘汰，越早過期的越優(yōu)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(shè)置內(nèi)存淘汰策略

獲取當前內(nèi)存淘汰策略： 

127.0.0.1:6379> config get maxmemory-policy 

通過配置文件設(shè)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

什么是LRU?

上面說到了Redis可使用最大內(nèi)存使用完了，是可以使用LRU算法進行內(nèi)存淘汰的，那么什么是LRU算法呢？

LRU(Least Recently Used)，即最近最少使用，是一種緩存置換算法。在使用內(nèi)存作為緩存的時候，緩存的大小一般是固定的。當緩存被占滿，這個時候繼續(xù)往緩存里面添加數(shù)據(jù)，就需要淘汰一部分老的數(shù)據(jù)，釋放內(nèi)存空間用來存儲新的數(shù)據(jù)。

這個時候就可以使用LRU算法了。其核心思想是：如果一個數(shù)據(jù)在最近一段時間沒有被用到，那么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(xiàn)一個簡單的LRU算法。 

public class LRUCache<k, v> {  
    //容量  
    private int capacity;  
    //當前有多少節(jié)點的統(tǒng)計  
    private int count;  
    //緩存節(jié)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(jié)點和尾節(jié)點，利用哨兵模式減少判斷頭結(jié)點和尾節(jié)點為空的代碼  
        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(jié)點  
                removeNode();  
            }  
            node = new Node<>(key, value);  
            //添加節(jié)點  
            addNode(node);  
        } else {  
            //移動節(jié)點到頭節(jié)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) {  
        //添加節(jié)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) {  
        //從鏈表里面移除  
        removeFromList(node);  
        //添加節(jié)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(xiàn)了一個簡單的LUR算法，代碼很簡單，也加了注釋，仔細看一下很容易就看懂。常用緩存淘汰算法（LFU、LRU、ARC、FIFO、MRU），這篇了解下。

LRU在Redis中的實現(xiàn)

近似LRU算法

Redis使用的是近似LRU算法，它跟常規(guī)的LRU算法還不太一樣。近似LRU算法通過隨機采樣法淘汰數(shù)據(jù)，每次隨機出5（默認）個key，從里面淘汰掉最近最少使用的key。

可以通過maxmemory-samples參數(shù)修改采樣數(shù)量：

例：maxmemory-samples 10

maxmenory-samples配置的越大，淘汰的結(jié)果越接近于嚴格的LRU算法

Redis為了實現(xiàn)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最后一次被訪問的時間。

Redis3.0對近似LRU的優(yōu)化

Redis3.0對近似LRU算法進行了一些優(yōu)化。新算法會維護一個候選池（大小為16），池中的數(shù)據(jù)根據(jù)訪問時間進行排序，第一次隨機選取的key都會放入池中，隨后每次隨機選取的key只有在訪問時間小于池中最小的時間才會放入池中，直到候選池被放滿。當放滿后，如果有新的key需要放入，則將池中最后訪問時間最大（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?。ㄗ罹脹]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里面添加一定數(shù)量的數(shù)據(jù)n，使Redis可用內(nèi)存用完，再往Redis里面添加n/2的新數(shù)據(jù)，這個時候就需要淘汰掉一部分的數(shù)據(jù)，如果按照嚴格的LRU算法，應(yīng)該淘汰掉的是最先加入的n/2的數(shù)據(jù)。

生成如下各LRU算法的對比圖

圖片來源：segmentfault.com/a/1190000017555834

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(shù)據(jù)
•  灰色是沒有被淘汰掉的老數(shù)據(jù)
•  綠色是新加入的數(shù)據(jù)

我們能看到Redis3.0采樣數(shù)是10生成的圖最接近于嚴格的LRU。而同樣使用5個采樣數(shù)，Redis3.0也要優(yōu)于Redis2.8。

LFU算法

LFU算法是Redis4.0里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(jù)key的最近被訪問的頻率進行淘汰，很少被訪問的優(yōu)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，那么它就被認為是熱點數(shù)據(jù)，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(xiàn)這種情況，因為使用一次并不會使一個key成為熱點數(shù)據(jù)。

LFU一共有兩種策略：

•  volatile-lfu：在設(shè)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(shù)據(jù)

設(shè)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周策略只能在Redis4.0及以上設(shè)置，如果在Redis4.0以下設(shè)置會報錯。

問題

最后留一個小問題，可能有的人注意到了，我在文中并沒有解釋為什么Redis使用近似LRU算法而不使用準確的LRU算法，可以在評論區(qū)給出你的答案，大家一起討論學(xué)習。