vlambda博客
学习文章列表

我:Redis内存数据满了导致宕机。CTO:你太无知了....一脸懵

 
   
   
 

优质文章,第一时间送达


juejin.im/post/5d674ac2e51d4557ca7fdd70

Redis 数据库内存数据满了,会宕机吗?答案是:不会让他出现存满的情况,在使用Redis的时候我们要配置Redis能使用的最大的内存大小,存到一定容量的时候还有Redis的内存淘汰策略呢,还有LRU算法进行淘汰,等等。。。接下来就跟着作者一起探讨,Redis的内存淘汰策略。

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

 
   
   
 
  1. //设置Redis最大占用内存大小为100M

  2. 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

 
   
   
 
  1. //设置Redis最大占用内存大小为100M

  2. 127.0.0.1:6379> config set maxmemory 100mb

  3. //获取设置的Redis能使用的最大内存大小

  4. 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:

 
   
   
 
  1. 127.0.0.1:6379> config get maxmemory-policy

  2. 复制代码

通过配置文件设置淘汰策略(修改redis.conf文件):

 
   
   
 
  1. maxmemory-policy allkeys-lru

  2. 复制代码

通过命令修改淘汰策略:

 
   
   
 
  1. 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
 
   
   
 
  1. publicclassLRUCache<k, v> {

  2. //容量

  3. privateint capacity;

  4. //当前有多少节点的统计

  5. privateint count;

  6. //缓存节点

  7. privateMap<k, Node<k, v>> nodeMap;

  8. privateNode<k, v> head;

  9. privateNode<k, v> tail;


  10. publicLRUCache(int capacity) {

  11. if(capacity < 1) {

  12. thrownewIllegalArgumentException(String.valueOf(capacity));

  13. }

  14. this.capacity = capacity;

  15. this.nodeMap = newHashMap<>();

  16. //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

  17. Node headNode = newNode(null, null);

  18. Node tailNode = newNode(null, null);

  19. headNode.next= tailNode;

  20. tailNode.pre = headNode;

  21. this.head = headNode;

  22. this.tail = tailNode;

  23. }


  24. publicvoid put(k key, v value) {

  25. Node<k, v> node = nodeMap.get(key);

  26. if(node == null) {

  27. if(count >= capacity) {

  28. //先移除一个节点

  29. removeNode();

  30. }

  31. node = newNode<>(key, value);

  32. //添加节点

  33. addNode(node);

  34. } else{

  35. //移动节点到头节点

  36. moveNodeToHead(node);

  37. }

  38. }


  39. publicNode<k, v> get(k key) {

  40. Node<k, v> node = nodeMap.get(key);

  41. if(node != null) {

  42. moveNodeToHead(node);

  43. }

  44. return node;

  45. }


  46. privatevoid removeNode() {

  47. Node node = tail.pre;

  48. //从链表里面移除

  49. removeFromList(node);

  50. nodeMap.remove(node.key);

  51. count--;

  52. }


  53. privatevoid removeFromList(Node<k, v> node) {

  54. Node pre = node.pre;

  55. Nodenext= node.next;


  56. pre.next= next;

  57. next.pre = pre;


  58. node.next= null;

  59. node.pre = null;

  60. }


  61. privatevoid addNode(Node<k, v> node) {

  62. //添加节点到头部

  63. addToHead(node);

  64. nodeMap.put(node.key, node);

  65. count++;

  66. }


  67. privatevoid addToHead(Node<k, v> node) {

  68. Nodenext= head.next;

  69. next.pre = node;

  70. node.next= next;

  71. node.pre = head;

  72. head.next= node;

  73. }


  74. publicvoid moveNodeToHead(Node<k, v> node) {

  75. //从链表里面移除

  76. removeFromList(node);

  77. //添加节点到头部

  78. addToHead(node);

  79. }


  80. classNode<k, v> {

  81. k key;

  82. v value;

  83. Node pre;

  84. Nodenext;


  85. publicNode(k key, v value) {

  86. this.key = key;

  87. this.value = value;

  88. }

  89. }

  90. }

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小(最久没被访问)的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


我:Redis内存数据满了导致宕机。CTO:你太无知了....一脸懵


我:Redis内存数据满了导致宕机。CTO:你太无知了....一脸懵

有热门推荐👇







想充电就关注序员闪充宝

点击阅读原文,获得免费编程资料!