93面試常問：Redis 記憶體滿了怎麼辦？

 

Redis佔用記憶體大小

我們知道Redis是基於記憶體的key-value資料庫，因為系統的記憶體大小有限，所以我們在使用Redis的時候可以配置Redis能使用的最大的記憶體大小。

1、通過配置檔案配置

通過在Redis安裝目錄下面的redis.conf配置檔案中新增以下配置設定記憶體大小

//設定Redis最大佔用記憶體大小為100M
maxmemory 100mb

redis的配置檔案不一定使用的是安裝目錄下面的redis.conf檔案，啟動redis服務的時候是可以傳一個引數指定redis的配置檔案的

2、通過命令修改

Redis支援執行時通過命令動態修改記憶體大小

//設定Redis最大佔用記憶體大小為100M
127.0.0.1:6379> config set maxmemory 100mb
//獲取設定的Redis能使用的最大記憶體大小
127.0.0.1:6379> config get maxmemory

如果不設定最大記憶體大小或者設定最大記憶體大小為0，在64位作業系統下不限制記憶體大小，在32位作業系統下最多使用3GB記憶體

Redis的記憶體淘汰

既然可以設定Redis最大佔用記憶體大小，那麼配置的記憶體就有用完的時候。那在記憶體用完的時候，還繼續往Redis裡面新增資料不就沒記憶體可用了嗎？

實際上Redis定義了幾種策略用來處理這種情況：

• noeviction(預設策略)：對於寫請求不再提供服務，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演算法進行淘汰

• volatile-lru：從設定了過期時間的key中使用LRU演算法進行淘汰

• allkeys-random：從所有key中隨機淘汰資料

• volatile-random：從設定了過期時間的key中隨機淘汰

• volatile-ttl：在設定了過期時間的key中，根據key的過期時間進行淘汰，越早過期的越優先被淘汰

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

如何獲取及設定記憶體淘汰策略

獲取當前記憶體淘汰策略：

127.0.0.1:6379> config get maxmemory-policy

通過配置檔案設定淘汰策略（修改redis.conf檔案）：

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演算法

什麼是LRU?

上面說到了Redis可使用最大記憶體使用完了，是可以使用LRU演算法進行記憶體淘汰的，那麼什麼是LRU演算法呢？

LRU(Least Recently Used)，即最近最少使用，是一種快取置換演算法。在使用記憶體作為快取的時候，快取的大小一般是固定的。當快取被佔滿，這個時候繼續往快取裡面新增資料，就需要淘汰一部分老的資料，釋放記憶體空間用來儲存新的資料。

這個時候就可以使用LRU演算法了。其核心思想是：如果一個資料在最近一段時間沒有被用到，那麼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實現一個簡單的LRU演算法

public class LRUCache<k, v> {
    //容量
    private int capacity;
    //當前有多少節點的統計
    private int count;
    //快取節點
    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<>();
        //初始化頭節點和尾節點，利用哨兵模式減少判斷頭結點和尾節點為空的程式碼
        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) {
                //先移除一個節點
                removeNode();
            }
            node = new Node<>(key, value);
            //新增節點
            addNode(node);
        } else {
            //移動節點到頭節點
            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;
        //從連結串列裡面移除
        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) {
        //新增節點到頭部
        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) {
        //從連結串列裡面移除
        removeFromList(node);
        //新增節點到頭部
        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;
        }
    }
}

上面這段程式碼實現了一個簡單的LUR演算法，程式碼很簡單，也加了註釋，仔細看一下很容易就看懂。

LRU在Redis中的實現

近似LRU演算法

Redis使用的是近似LRU演算法，它跟常規的LRU演算法還不太一樣。近似LRU演算法通過隨機取樣法淘汰資料，每次隨機出5（預設）個key，從裡面淘汰掉最近最少使用的key。

可以通過maxmemory-samples引數修改取樣數量：

例：maxmemory-samples 10

maxmenory-samples配置的越大，淘汰的結果越接近於嚴格的LRU演算法

Redis為了實現近似LRU演算法，給每個key增加了一個額外增加了一個24bit的欄位，用來儲存該key最後一次被訪問的時間。

Redis3.0對近似LRU的優化

Redis3.0對近似LRU演算法進行了一些優化。新演算法會維護一個候選池（大小為16），池中的資料根據訪問時間進行排序，第一次隨機選取的key都會放入池中，隨後每次隨機選取的key只有在訪問時間小於池中最小的時間才會放入池中，直到候選池被放滿。當放滿後，如果有新的key需要放入，則將池中最後訪問時間最大（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小（最久沒被訪問）的key淘汰掉就行。

LRU演算法的對比

我們可以通過一個實驗對比各LRU演算法的準確率，先往Redis裡面新增一定數量的資料n，使Redis可用記憶體用完，再往Redis裡面新增n/2的新資料，這個時候就需要淘汰掉一部分的資料，如果按照嚴格的LRU演算法，應該淘汰掉的是最先加入的n/2的資料。

生成如下各LRU演算法的對比圖

圖片來源：segmentfault.com/a/1190000017555834

你可以看到圖中有三種不同顏色的點：

• 淺灰色是被淘汰的資料

• 灰色是沒有被淘汰掉的老資料

• 綠色是新加入的資料

我們能看到Redis3.0取樣數是10生成的圖最接近於嚴格的LRU。而同樣使用5個取樣數，Redis3.0也要優於Redis2.8。

LFU演算法

LFU演算法是Redis4.0裡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key的最近被訪問的頻率進行淘汰，很少被訪問的優先被淘汰，被訪問的多的則被留下來。

LFU演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演算法，一個key很久沒有被訪問到，只剛剛是偶爾被訪問了一次，那麼它就被認為是熱點資料，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演算法則不會出現這種情況，因為使用一次並不會使一個key成為熱點資料。

LFU一共有兩種策略：

• volatile-lfu：在設定了過期時間的key中使用LFU演算法淘汰key

• allkeys-lfu：在所有的key中使用LFU演算法淘汰資料

設定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週策略只能在Redis4.0及以上設定，如果在Redis4.0以下設定會報錯

問題

最後留一個小問題，可能有的人注意到了，我在文中並沒有解釋為什麼Redis使用近似LRU演算法而不使用準確的LRU演算法，可以在評論區給出你的答案，大家一起討論學習。

---

最新2020整理收集的一些面試題（都整理成文件），有很多幹貨，包含mysql，netty，spring，執行緒，spring cloud、jvm、原始碼、演算法等詳細講解，也有詳細的學習規劃圖，面試題整理等，需要獲取這些內容的朋友掃描下方二維碼免費獲取：暗號：【CSDN】

 

看完三件事❤️

如果你覺得這篇內容對你還蠻有幫助，我想邀請你幫我三個小忙：

1. 點贊，轉發，有你們的 『點贊和評論』，才是我創造的動力。

2. 關注公眾號 『 java爛豬皮 』，不定期分享原創知識。

3. 同時可以期待後續文章ing🚀