面试被问：Redis 内存满了怎么办？

骑猪看日落 2023-06-01 06:26 9阅读 0赞

公众号后台回复“**学习**”，获取作者独家秘制精品资料

![640?wx\_fmt=png][640_wx_fmt_png]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg]

扫描下方海报二维码，试听课程：

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 1]

![640?wx\_fmt=png][640_wx_fmt_png]

来源：

https://juejin.im/post/5d674ac2e51d4557ca7fdd70

*  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> nodeMap;  
    private Node head;  
    private Node 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 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 get(k key) \{  
        Node 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 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 node) \{  
        //添加节点到头部  
        addToHead(node);  
        nodeMap.put(node.key, node);  
        count++;  
    \}  
  
    private void addToHead(Node node) \{  
        Node next = head.next;  
        next.pre = node;  
        node.next = next;  
        node.pre = head;  
        head.next = node;  
    \}  
  
    public void moveNodeToHead(Node 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）：

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 2]

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。

关于这个问题，大家可以打开脑洞思考一下，一起讨论学习。

**END**

**如有收获，请划至底部，点击“在看”，谢****谢****！**

![640?wx\_fmt=png][640_wx_fmt_png]

欢迎长按下图关注公众号**石杉的架构笔记**

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 3]

**BAT架构经验倾囊相授**

[640_wx_fmt_png]: /images/20230601/dcf6bffb3fdf4a0a83d483768e66e016.png
[640_wx_fmt_jpeg]: /images/20230601/8f1cd4ff71494c0a84aae1c0210e0399.png
[640_wx_fmt_jpeg 1]: /images/20230601/33e2900ab98441aaae64c3cbff04a1c8.png
[640_wx_fmt_jpeg 2]: /images/20230601/43a7d1315d7d468daa5312f7df50bca9.png
[640_wx_fmt_jpeg 3]: /images/20230601/354668d7e0be48a1ac42a20e23f6a946.png