美團面試題：Redis 內存滿了怎麼辦？

正文以下：

Redis佔用內存大小

咱們知道Redis是基於內存的key-value數據庫，由於系統的內存大小有限，因此咱們在使用Redis的時候能夠配置Redis能使用的最大的內存大小。

一、經過配置文件配置

經過在Redis安裝目錄下面的redis.conf配置文件中添加如下配置設置內存大小
//設置Redis最大佔用內存大小爲100M
maxmemory 100mb

redis的配置文件不必定使用的是安裝目錄下面的redis.conf文件，啓動redis服務的時候是能夠傳一個參數指定redis的配置文件的

二、經過命令修改

Redis支持運行時經過命令動態修改內存大小
//設置Redis最大佔用內存大小爲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

若是不設置最大內存大小或者設置最大內存大小爲0，在64位操做系統下不限制內存大小，在32位操做系統下最多使用3GB內存

Redis的內存淘汰

既然能夠設置Redis最大佔用內存大小，那麼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裏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狀況：

noeviction(默認策略)：對於寫請求再也不提供服務，直接返回錯誤（DEL請求和部分特殊請求除外）
allkeys-lru：從全部key中使用LRU算法進行淘汰
volatile-lru：從設置了過時時間的key中使用LRU算法進行淘汰
allkeys-random：從全部key中隨機淘汰數據
volatile-random：從設置了過時時間的key中隨機淘汰
volatile-ttl：在設置了過時時間的key中，根據key的過時時間進行淘汰，越早過時的越優先被淘汰

當使用volatile-lru、volatile-random、volatile-ttl這三種策略時，若是沒有key能夠被淘汰，則和noeviction同樣返回錯誤

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

經過配置文件設置淘汰策略（修改redis.conf文件）：
maxmemory-policy allkeys-lru

經過命令修改淘汰策略：
127.0.0.1:6379> config set maxmemory-policy allkeys-lru

LRU算法

什麼是LRU?

上面說到了Redis可以使用最大內存使用完了，是可使用LRU算法進行內存淘汰的，那麼什麼是LRU算法呢？

LRU(Least Recently Used)，即最近最少使用，是一種緩存置換算法。在使用內存做爲緩存的時候，緩存的大小通常是固定的。當緩存被佔滿，這個時候繼續往緩存裏面添加數據，就須要淘汰一部分老的數據，釋放內存空間用來存儲新的數據。

這個時候就可使用LRU算法了。其核心思想是：若是一個數據在最近一段時間沒有被用到，那麼未來被使用到的可能性也很小，因此就能夠被淘汰掉。

使用java實現一個簡單的LRU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;
//緩存節點
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，利用哨兵模式減小判斷頭結點和尾節點爲空的代碼
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;
//從鏈表裏面移除
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) {
//從鏈表裏面移除
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 = 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
}

上面這段代碼實現了一個簡單的LUR算法，代碼很簡單，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算法

Redis使用的是近似LRU算法，它跟常規的LRU算法還不太同樣。近似LRU算法經過隨機採樣法淘汰數據，每次隨機出5（默認）個key，從裏面淘汰掉最近最少使用的key。

能夠經過maxmemory-samples參數修改採樣數量：

例：maxmemory-samples 10

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

Redis爲了實現近似LRU算法，給每一個key增長了一個額外增長了一個24bit的字段，用來存儲該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算法進行了一些優化。新算法會維護一個候選池（大小爲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纔會放入池中，直到候選池被放滿。當放滿後，若是有新的key須要放入，則將池中最後訪問時間最大（最近被訪問）的移除。

當須要淘汰的時候，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

咱們能夠經過一個實驗對比各LRU算法的準確率，先往Redis裏面添加必定數量的數據n，使Redis可用內存用完，再往Redis裏面添加n/2的新數據，這個時候就須要淘汰掉一部分的數據，若是按照嚴格的LRU算法，應該淘汰掉的是最早加入的n/2的數據。

生成以下各LRU算法的對比圖

你能夠看到圖中有三種不一樣顏色的點：

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

咱們能看到Redis3.0採樣數是10生成的圖最接近於嚴格的LRU。而一樣使用5個採樣數，Redis3.0也要優於Redis2.8。

LFU算法

LFU算法是Redis4.0裏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，不多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好久沒有被訪問到，只剛剛是偶爾被訪問了一次，那麼它就被認爲是熱點數據，不會被淘汰，而有些key未來是頗有可能被訪問到的則被淘汰了。若是使用LFU算法則不會出現這種狀況，由於使用一次並不會使一個key成爲熱點數據。

LFU一共有兩種策略：

volatile-lfu：在設置了過時時間的key中使用LFU算法淘汰key
allkeys-lfu：在全部的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同樣，不過要注意的一點是這兩週策略只能在Redis4.0及以上設置，若是在Redis4.0如下設置會報錯

問題

最後留一個小問題，可能有的人注意到了，我在文中並無解釋爲何Redis使用近似LRU算法而不使用準確的LRU算法，能夠在評論區給出你的答案，你們一塊兒討論學習。
來源：juejin.im/post/5d674ac2e51d4557ca7fdd70

最近整理一套Java學習資料，包括了Java語法、面向對象、異常、經常使用類、集合、IO流、多線程、網絡編程、JUnit、枚舉、註解、反射機制、CSS、HTML、JavaScript、JQuery、ajax、Javaweb、MySQL、JavaEE、SSM框架、springboot、算法、Git、maven、Linux、設計模式、多線程與高併發、視頻教程、視頻源碼、實戰項目、電子書、簡歷模板、高頻面試題等等資源，須要的朋友能夠關注公衆號：有故事的程序員獲取