redis缓存过期淘汰策略

素颜马尾好姑娘i 2022-12-28 08:10 224阅读 0赞

1.如何查看redis的最大占用内存?

![20201215175627179.png][]

打开redis配置文件,设置maxmemory参数,maxmemory单位是bytes字节类型,注意单位转换

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3G内存

2.生产上配置多少?

一般推荐redis设置内存为最大物理内存的3/4

3.怎么配置redis的最大内存?

*  通过修改redis.conf

![20201215182533436.png][]示例配置最大内存100MB

*    通过命令修改

![20201215182857963.png][]

4.怎么查看redis内存使用情况?

![20201215183128365.png][]

5.如果redis内存使用超出了设置的最大值会怎样?

会报OOM异常

6.redis三种不同的删除策略

⑴**定时删除**: redis遍历所有设置了过期时间的key,来检测数据是否已经达到过期时间,然后对它进行删除.这种方式会对CPU产生额外压力,造成大量性能消耗,还会影响数据的读取操作. 对CPU不友好,用处理器性能换取存储空间(拿时间换空间)

⑵**惰性删除**: 数据到达过期时间,不作处理,等下次访问改数据时,如果数据未过期,返回数据;如果过期,删除,返回不存在.这种方式会导致大量无用数据占用内存,造成内存浪费. 对内存不友好,用存储空间换取处理器性能(拿空间换时间)

⑶**定期删除**: 定期删除是定时删除和惰性删除的折中.定期删除策略每隔一段时间执行一次删除过期键的操作,并通过限制删除操作执行的时长和频率来减少删除操作对CPU的影响. 周期性轮询redis中的数据,采用随机抽取的策略,利用过期数据占比的方式控制删除频度.定期删除策略的难点是确定删除操作执行的时长和频率.这种方式也会过期的key堆积在内存中,造成内存资源浪费.

**7.redis内存淘汰策略**

**  ①noeviction:不会驱逐任何key(默认)**

**  ②allkeys-lru:对所有key使用lru算法进行删除**

**  ③volatile-lru:对所有设置了过期时间的key使用lru算法进行删除**

**  ④allkeys-random:对所有key随机删除**

**  ⑤volatile-random:对所有设置了过期时间的key随机删除**

**  ⑥volatile-ttl:删除马上要过期的key**

**  ⑦allkeys-lfu:对所有key使用lfu算法进行删除**

**  ⑧volatile-lfu:对所有设置了过期时间的key使用lfu算法进行删除**

**  一般使用的是allkeys-lru:对所有key使用lru算法进行删除**

8.如何配置redis内存淘汰策略?

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTQwMjA1_size_16_color_FFFFFF_t_70][]     或者使用命令配置![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTQwMjA1_size_16_color_FFFFFF_t_70 1][]

9.LRU算法

LRU是Least Recently Used的缩写,即**最近最少使用**,是一种常用的页面置换算法,选择最近最久未使用的数据进行淘汰

**LRU算法核心是哈希链表**,即HashMap+DoubleLinkedList,时间复杂度是O(1),哈希表+双向链表的结合体. **查询用哈希, 增删用链表**

10.手写LRU算法

*     **LinkedHashMap **利用现成的数据结构来实现

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTQwMjA1_size_16_color_FFFFFF_t_70 2][]

import java.util.LinkedHashMap;
    import java.util.Map;
    
    public class LRUCacheDemo<K, V> extends LinkedHashMap<K, V> {
    
        private int capacity; // 容量
    
        public LRUCacheDemo(int capacity) {
            // 初始容量、加载因子、排序模式(true:access-order访问顺序 false:insertion-order插入顺序)
            super(capacity, .75F, true);
            this.capacity = capacity;
        }
    
        @Override
        protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
            return super.size() > capacity;
        }
    
        public static void main(String[] args) {
            LRUCacheDemo<String,String> lruCacheDemo = new LRUCacheDemo<>(3);
            lruCacheDemo.put("1","a");
            lruCacheDemo.put("2","b");
            lruCacheDemo.put("3","c");
            System.out.println(lruCacheDemo.keySet());
            lruCacheDemo.put("4","d");
            System.out.println(lruCacheDemo.keySet());
            lruCacheDemo.put("3","c");
            System.out.println(lruCacheDemo.keySet());
            lruCacheDemo.put("3","c");
            System.out.println(lruCacheDemo.keySet());
        }
    }

![20201216112115483.png][]

*  不使用LinkedHashMap

public class LRUCache {
    
        // 定义一个双向链表
        class DLinkedNode {
            int key;
            int value;
            DLinkedNode prev;
            DLinkedNode next;
    
            public DLinkedNode() {
            }
    
            public DLinkedNode(int key, int value) {
                this.key = key;
                this.value = value;
            }
        }
    
        // 用来快速定位节点和记录节点数量
        private Map<Integer, DLinkedNode> cache;
        private int capacity;
        // 虚拟头节点,虚拟尾节点
        private DLinkedNode head, tail;
    
        /**
         * 初始化方法
         * @param capacity 指定缓存的容量
         */
        public LRUCache(int capacity) {
            this.capacity = capacity;
            cache = new HashMap<>(capacity);
            head = new DLinkedNode();
            tail = new DLinkedNode();
            // 建立虚拟头和虚拟尾节点的关系
            head.next = tail;
            tail.prev = head;
        }
    
        /**
         * 从缓存中获取数据
         * @param key 缓存的键
         * @return 缓存的值
         */
        public int get(int key) {
            // 如果map中没有这个key,证明没有命中缓存,直接返回-1即可
            if (!cache.containsKey(key)) {
                return -1;
            }
            // 如果 key 存在，先通过哈希表定位，再移到头部
            DLinkedNode node = cache.get(key);
            moveToHead(node);
            return node.value;
        }
    
        /**
         * 向缓存中写入数据
         * @param key 写入的键
         * @param value 写入的值
         */
        public void put(int key, int value) {
            if (!cache.containsKey(key)) {
                // 如果 key 不存在，创建一个新的节点
                DLinkedNode newNode = new DLinkedNode(key, value);
                // 添加进哈希表
                cache.put(key, newNode);
                // 新节点添加至双向链表的头部(虚拟头节点后面)
                addToHead(newNode);
                if (cache.size() > capacity) {
                    // 如果超出容量，删除双向链表的尾部节点(虚拟尾节点前面)
                    DLinkedNode tail = removeTail();
                    // 删除哈希表中对应的项
                    cache.remove(tail.key);
                }
            } else {
                // 如果 key 存在，先通过哈希表定位，再修改 value，并移到头部
                DLinkedNode node = cache.get(key);
                node.value = value;
                moveToHead(node);
            }
        }
    
        // 插入头节点
        private void addToHead(DLinkedNode node) {
            node.prev = head;
            node.next = head.next;
            head.next.prev = node;
            head.next = node;
        }
    
        // 删除节点
        private void removeNode(DLinkedNode node) {
            node.prev.next = node.next;
            node.next.prev = node.prev;
        }
    
        // 移动到头部
        private void moveToHead(DLinkedNode node) {
            removeNode(node);
            addToHead(node);
        }
    
        // 删除尾节点
        private DLinkedNode removeTail() {
            DLinkedNode res = tail.prev;
            removeNode(res);
            return res;
        }
    }

**11.LFU算法**

**LFU,全称是:Least Frequently Used，最不经常使用策略,在一段时间内,数据被使用频次最少的,优先被淘汰。最少使用（LFU）是一种用于管理计算机内存的缓存算法。主要是记录和追踪内存块的使用次数,当缓存已满并且需要更多空间时，系统将以最低内存块使用频率清除内存.采用LFU算法的最简单方法是为每个加载到缓存的块分配一个计数器。每次引用该块时，计数器将增加一。当缓存达到容量并有一个新的内存块等待插入时，系统将搜索计数器最低的块并将其从缓存中删除**

[20201215175627179.png]: /images/20221120/e4cd8d492584435db20d6bd20ceab31b.png
[20201215182533436.png]: /images/20221120/b81f1c937bf34cbfa833a3fd70eb59c2.png
[20201215182857963.png]: /images/20221120/e062a1daeda1493485f83e28121b4dd0.png
[20201215183128365.png]: /images/20221120/90ec57af1bc34f84886b595bdb38dfb7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTQwMjA1_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20201216100426112.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTQwMjA1,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTQwMjA1_size_16_color_FFFFFF_t_70 1]: /images/20221120/422ec437bc9642819a2e99e413f351d3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTQwMjA1_size_16_color_FFFFFF_t_70 2]: /images/20221120/181e378189aa4fccac1bd4f2b31a1c0f.png
[20201216112115483.png]: /images/20221120/97cf745024654b00bce7d3d45a62a684.png