如何解決Redis內存數據滿了導致宕機問題

這篇文章主要講解了“如何解決Redis內存數據滿了導致宕機問題”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“如何解決Redis內存數據滿了導致宕機問題”吧！

Redis占用內存大小

我們知道Redis是基于內存的key-value數據庫，因為系統的內存大小有限，所以我們在使用Redis的時候可以配置Redis能使用的最大的內存大小。

1、通過配置文件配置

通過在Redis安裝目錄下面的redis.conf配置文件中添加以下配置設置內存大小

//設置Redis最大占用內存大小為100M    maxmemory 100mb

redis的配置文件不一定使用的是安裝目錄下面的redis.conf文件，啟動redis服務的時候是可以傳一個參數指定redis的配置文件的

2、通過命令修改

Redis支持運行時通過命令動態修改內存大小 

//設置Redis最大占用內存大小為100M  127.0.0.1:6379> config set maxmemory 100mb  //獲取設置的Redis能使用的最大內存大小  127.0.0.1:6379> config get maxmemory

如果不設置最大內存大小或者設置最大內存大小為0，在64位操作系統下不限制內存大小，在32位操作系統下最多使用3GB內存

Redis的內存淘汰

既然可以設置Redis最大占用內存大小，那么配置的內存就有用完的時候。那在內存用完的時候，還繼續往Redis里面添加數據不就沒內存可用了嗎？

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算法進行淘汰

volatile-lru：從設置了過期時間的key中使用LRU算法進行淘汰

allkeys-random：從所有key中隨機淘汰數據

volatile-random：從設置了過期時間的key中隨機淘汰

volatile-ttl：在設置了過期時間的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

如何獲取及設置內存淘汰策略

獲取當前內存淘汰策略： 

127.0.0.1:6379> config get maxmemory-policy  復制代碼

通過配置文件設置淘汰策略（修改redis.conf文件）：

maxmemory-policy allkeys-lru  復制代碼

通過命令修改淘汰策略：

127.0.0.1:6379> config set maxmemory-policy allkeys-lru

LRU算法

什么是LRU?

上面說到了Redis可使用最大內存使用完了，是可以使用LRU算法進行內存淘汰的，那么什么是LRU算法呢？

LRU(Least Recently Used)，即最近最少使用，是一種緩存置換算法。在使用內存作為緩存的時候，緩存的大小一般是固定的。當緩存被占滿，這個時候繼續往緩存里面添加數據，就需要淘汰一部分老的數據，釋放內存空間用來存儲新的數據。這個時候就可以使用LRU算法了。其核心思想是：如果一個數據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實現一個簡單的LRU算法 

publicclassLRUCache<k, v> {      //容量      privateint capacity;      //當前有多少節點的統計      privateint count;      //緩存節點      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 = 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) {      //先移除一個節點                      removeNode();      }                  node = newNode<>(key, value);      //添加節點                  addNode(node);      } else{      //移動節點到頭節點                  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;      //從鏈表里面移除              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) {      //添加節點到頭部              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) {      //從鏈表里面移除              removeFromList(node);      //添加節點到頭部              addToHead(node);      }      classNode<k, v> {              k key;              v value;      Node pre;      Nodenext;      publicNode(k key, v value) {     this.key = key;      this.value = value;      }      }      }

上面這段代碼實現了一個簡單的LUR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中的實現

近似LRU算法

Redis使用的是近似LRU算法，它跟常規的LRU算法還不太一樣。近似LRU算法通過隨機采樣法淘汰數據，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參數修改采樣數量：例：maxmemory-samples 10 maxmenory-samples配置的越大，淘汰的結果越接近于嚴格的LRU算法

Redis為了實現近似LRU算法，給每個key增加了一個額外增加了一個24bit的字段，用來存儲該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算法進行了一些優化。新算法會維護一個候選池（大小為16），池中的數據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算法的對比

我們可以通過一個實驗對比各LRU算法的準確率，先往Redis里面添加一定數量的數據n，使Redis可用內存用完，再往Redis里面添加n/2的新數據，這個時候就需要淘汰掉一部分的數據，如果按照嚴格的LRU算法，應該淘汰掉的是最先加入的n/2的數據。生成如下各LRU算法的對比圖

你可以看到圖中有三種不同顏色的點：

•  淺灰色是被淘汰的數據

•  灰色是沒有被淘汰掉的老數據

•  綠色是新加入的數據

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算法

LFU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數據，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成為熱點數據。

LFU一共有兩種策略：

volatile-lfu：在設置了過期時間的key中使用LFU算法淘汰key

allkeys-lfu：在所有的key中使用LFU算法淘汰數據

設置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及以上設置，如果在Redis4.0以下設置會報錯

感謝各位的閱讀，以上就是“如何解決Redis內存數據滿了導致宕機問題”的內容了，經過本文的學習后，相信大家對如何解決Redis內存數據滿了導致宕機問題這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！