共计 4400 个字符，预计需要花费 11 分钟才能阅读完成。

这篇文章主要讲解了“如何解决 Redis 内存数据满了导致宕机问题”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着丸趣 TV 小编的思路慢慢深入，一起来研究和学习“如何解决 Redis 内存数据满了导致宕机问题”吧！

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  复制代码 

通过配置文件设置淘汰策略（修改 redis.conf 文件）：

maxmemory-policy allkeys-lru  复制代码 

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  

publicclassLRUCache k, v  { // 容量  privateint capacity; // 当前有多少节点的统计  privateint count; // 缓存节点  privateMap k, Node k, v  nodeMap; privateNode k, v  head; privateNode k, v  tail; publicLRUCache(int capacity) { if(capacity   1) { thrownewIllegalArgumentException(String.valueOf(capacity)); } this.capacity = capacity; this.nodeMap = newHashMap (); // 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 = newNode(null, null); Node tailNode = newNode(null, null); headNode.next= tailNode; tailNode.pre = headNode; this.head = headNode; this.tail = tailNode; } publicvoid put(k key, v value) { Node k, v  node = nodeMap.get(key); if(node == null) { if(count  = capacity) { // 先移除一个节点  removeNode(); } node = newNode (key, value); // 添加节点  addNode(node); } else{ // 移动节点到头节点  moveNodeToHead(node); } } publicNode k, v  get(k key) { Node k, v  node = nodeMap.get(key); if(node != null) { moveNodeToHead(node); } return node; } privatevoid removeNode() { Node node = tail.pre; // 从链表里面移除  removeFromList(node); nodeMap.remove(node.key); count--; } privatevoid removeFromList(Node k, v  node) { Node pre = node.pre; Nodenext= node.next; pre.next= next; next.pre = pre; node.next= null; node.pre = null; } privatevoid addNode(Node k, v  node) { // 添加节点到头部  addToHead(node); nodeMap.put(node.key, node); count++; } privatevoid addToHead(Node k, v  node) { Nodenext= head.next; next.pre = node; node.next= next; node.pre = head; head.next= node; } publicvoid moveNodeToHead(Node k, v  node) { // 从链表里面移除  removeFromList(node); // 添加节点到头部  addToHead(node); } classNode k, v  { k key; v value; Node pre; Nodenext; publicNode(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?。ㄗ罹妹槐环梦剩┑?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

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

感谢各位的阅读，以上就是“如何解决 Redis 内存数据满了导致宕机问题”的内容了，经过本文的学习后，相信大家对如何解决 Redis 内存数据满了导致宕机问题这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是丸趣 TV，丸趣 TV 小编将为大家推送更多相关知识点的文章，欢迎关注！