Redis

Redis占用内存大小

都知道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

  1. //设置Redis最大占用内存大小为100M
  2. 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

  1. //设置Redis最大占用内存大小为100M
  2. 127.0.0.1:6379> config set maxmemory 100mb
  4. //获取设置的Redis能使用的最大内存大小
  5. 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：

  1. 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：

  1. 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

  1. public class LRUCache<k, v> {
  2.     //容量
  3.     private int capacity;
  4.     //当前有多少节点的统计
  5.     private int count;
  6.     //缓存节点
  7.     private Map<k, node> nodeMap;
  8.     private Node head;
  9.     private Node tail;
  11.     public LRUCache(int capacity) {
  12.         if (capacity < 1) {
  13.             throw new IllegalArgumentException(String.valueOf(capacity));
  14.         }
  15.         this.capacity = capacity;
  16.         this.nodeMap = new HashMap<>();
  17.         //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
  18.         Node headNode = new Node(null, null);
  19.         Node tailNode = new Node(null, null);
  20.         headNode.next = tailNode;
  21.         tailNode.pre = headNode;
  22.         this.head = headNode;
  23.         this.tail = tailNode;
  24.     }
  26.     public void put(k key, v value) {
  27.         Node node = nodeMap.get(key);
  28.         if (node == null) {
  29.             if (count >= capacity) {
  30.                 //先移除一个节点
  31.                 removeNode();
  32.             }
  33.             node = new Node<>(key, value);
  34.             //添加节点
  35.             addNode(node);
  36.         } else {
  37.             //移动节点到头节点
  38.             moveNodeToHead(node);
  39.         }
  40.     }
  42.     public Node get(k key) {
  43.         Node node = nodeMap.get(key);
  44.         if (node != null) {
  45.             moveNodeToHead(node);
  46.         }
  47.         return node;
  48.     }
  50.     private void removeNode() {
  51.         Node node = tail.pre;
  52.         //从链表里面移除
  53.         removeFromList(node);
  54.         nodeMap.remove(node.key);
  55.         count--;
  56.     }
  58.     private void removeFromList(Node node) {
  59.         Node pre = node.pre;
  60.         Node next = node.next;
  62.         pre.next = next;
  63.         next.pre = pre;
  65.         node.next = null;
  66.         node.pre = null;
  67.     }
  69.     private void addNode(Node node) {
  70.         //添加节点到头部
  71.         addToHead(node);
  72.         nodeMap.put(node.key, node);
  73.         count++;
  74.     }
  76.     private void addToHead(Node node) {
  77.         Node next = head.next;
  78.         next.pre = node;
  79.         node.next = next;
  80.         node.pre = head;
  81.         head.next = node;
  82.     }
  84.     public void moveNodeToHead(Node node) {
  85.         //从链表里面移除
  86.         removeFromList(node);
  87.         //添加节点到头部
  88.         addToHead(node);
  89.     }
  91.     class Node<k, v> {
  92.         k key;
  93.         v value;
  94.         Node pre;
  95.         Node next;
  97.         public Node(k key, v value) {
  98.             this.key = key;
  99.             this.value = value;
  100.         }
  101.     }
  102. }

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

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）：
内存耗尽后，Redis会发生什么？ - 图1
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

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 :::tips 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 :::