正文如下：
Redis占用記憶體大小
我們知道Redis是基于記憶體的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、通過組態檔配置
通過在Redis安裝目錄下面的redis.conf組態檔中添加以下配置設定記憶體大小
//設定Redis最大占用記憶體大小為100M
maxmemory 100mb
redis的組態檔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的組態檔的
2、通過命令修改
Redis支持運行時通過命令動態修改記憶體大小
//設定Redis最大占用記憶體大小為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最大占用記憶體大小，那么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里面添加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(默認策略)：對于寫請求不再提供服務，直接回傳錯誤（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一樣回傳錯誤
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
通過組態檔設定淘汰策略（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
什么是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，那么什么是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，當快取被占滿，這個時候繼續往快取里面添加資料，就需要淘汰一部分老的資料，釋放記憶體空間用來存盤新的資料，
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實作一個簡單的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<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);
//添加節點
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;
//從鏈表里面移除
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) {
//添加節點到頭部
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) {
//從鏈表里面移除
removeFromList(node);
//添加節點到頭部
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 = https://www.cnblogs.com/rutaha/p/value;
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
}
上面這段代碼實作了一個簡單的LUR演算法，代碼很簡單，也加了注釋，仔細看一下很容易就看懂，
LRU在Redis中的實作
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演算法通過隨機采樣法淘汰資料，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引數修改采樣數量：
例：maxmemory-samples 10
maxmenory-samples配置的越大，淘汰的結果越接近于嚴格的LRU演算法
Redis為了實作近似LRU演算法，給每個key增加了一個額外增加了一個24bit的欄位，用來存盤該key最后一次被訪問的時間，
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里面添加一定數量的資料n，使Redis可用記憶體用完，再往Redis里面添加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
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采樣數是10生成的圖最接近于嚴格的LRU，而同樣使用5個采樣數，Redis3.0也要優于Redis2.8，
LFU演算法
LFU演算法是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，那么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，因為使用一次并不會使一個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周策略只能在Redis4.0及以上設定，如果在Redis4.0以下設定會報錯
問題
最后留一個小問題，可能有的人注意到了，我在文中并沒有解釋為什么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，
來源：juejin.im/post/5d674ac2e51d4557ca7fdd70
最近整理一套Java學習資料，包括了Java語法、面向物件、例外、常用類、集合、IO流、多執行緒、網路編程、JUnit、列舉、注解、反射機制、CSS、HTML、JavaScript、JQuery、ajax、Javaweb、MySQL、JavaEE、SSM框架、springboot、演算法、Git、maven、Linux、設計模式、多執行緒與高并發、視頻教程、視頻原始碼、實戰專案、電子書、簡歷模板、高頻面試題等等資源，需要的朋友可以關注公眾號：有故事的程式員獲取
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/229669.html
標籤：Java
上一篇：ScheduledThreadPoolExecutor原始碼分析-你知道定時執行緒池是如何實作延遲執行和周期執行的嗎？
下一篇：Java 虛擬機垃圾收集機制詳解