redis中如何使用內(nèi)存淘汰策略，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

成都創(chuàng)新互聯(lián)公司專業(yè)為企業(yè)提供中山網(wǎng)站建設(shè)、中山做網(wǎng)站、中山網(wǎng)站設(shè)計、中山網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計與制作、中山企業(yè)網(wǎng)站模板建站服務(wù)，十載中山做網(wǎng)站經(jīng)驗，不只是建網(wǎng)站，更提供有價值的思路和整體網(wǎng)絡(luò)服務(wù)。

Redis配置內(nèi)存

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：

1.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）

2.allkeys-lru：從所有key中使用LRU算法進行淘汰

3.volatile-lru：從設(shè)置了過期時間的key中使用LRU算法進行淘汰

4.allkeys-random：從所有key中隨機淘汰數(shù)據(jù)

5.volatile-random：從設(shè)置了過期時間的key中隨機淘汰

6.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

1.什么是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 {      //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> 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 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 get(k key) {          Node 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 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) {          //添加節(jié)點到頭部          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) {          //從鏈表里面移除          removeFromList(node);          //添加節(jié)點到頭部          addToHead(node);      }      class Node {          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。

LRU在Redis中的實現(xiàn)

1.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。

2.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。

3.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

你可以看到圖中有三種不同顏色的點：

1.淺灰色是被淘汰的數(shù)據(jù)

2.灰色是沒有被淘汰掉的老數(shù)據(jù)

3.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

看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章，請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對創(chuàng)新互聯(lián)的支持。