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:
-
點贊,轉發,有你們的 『點贊和評論』,才是我創造的動力。
-
關注公眾號 『 java爛豬皮 』,不定期分享原創知識。
-
同時可以期待後續文章ing🚀
相關文章
- SpringBoot整合Redis
- Linux下安裝Redis
- 認識Redis叢集——Redis Cluster
- 吐血整理Redis面試題66道
- Android 記憶體洩漏
- Redis-11-持久化詳解
- Redis主從複製原理剖析
- 【Redis】利用 Redis 實現分散式鎖
- 菲波那契數 時間限制: 1000 ms 記憶體限制: 65536 KB 提交數: 51737 通過數: 26371 【題目描述】 菲波那契數列是指這樣的數列: 數列的第一個和
- Redis雪崩、擊穿、穿透
- 用了Redisson的Spring Boot Starter搞的我都想重寫個
- 《.NET 5.0 背鍋案》第7集-大結局:捉拿真凶 StackExchange.Redis.Extensions 歸案
- flinkSql join redis的hash結構維表簡單實現
- GO 記憶體對齊
- Redis分散式鎖的使用與實現原理
- Redis5 的新特性 Redis Stream
- 99面試常問:中高階開發面試必問的Redis,看這篇就夠了!
- 結構體記憶體對齊
- 記憶體使用過高點檢checklist
- redis原始碼學習之slowlog