深度解析Redis缓存淘汰机制底层原理：LRU、LFU与随机算法的终极对决！

 

📌 为什么需要缓存淘汰机制？

Redis作为内存数据库，所有数据都存储在宝贵的内存中。但内存空间是有限的，当内存使用达到maxmemory限制时，Redis必须做出艰难抉择：哪些数据该保留？哪些数据该淘汰？

# redis.conf 关键配置
maxmemory 2gb           # 最大内存限制
maxmemory-policy allkeys-lru  # 淘汰策略

🔍 Redis支持的6种淘汰策略

Redis提供了6种不同的淘汰策略，我们可以根据业务特点选择最适合的方案：

策略	作用范围	底层算法	适用场景
noeviction	不淘汰	无	关键数据不能丢失
allkeys-lru	所有key	LRU算法	热点数据访问
volatile-lru	带过期时间的key	LRU算法	混合数据
allkeys-random	所有key	随机选择	无明确规律
volatile-random	带过期时间的key	随机选择	临时数据
volatile-ttl	带过期时间的key	TTL比较	短期缓存

💡 关键区别：allkeys-针对所有key，volatile-仅针对设置了过期时间的key

🧠 深入核心淘汰算法原理

1. LRU（最近最少使用）算法

经典LRU实现：使用双向链表+哈希表

• 新访问的数据移到链表头部

• 淘汰时从链表尾部删除

Redis的近似LRU优化：

• 出于性能考虑，Redis采用抽样淘汰而非精确LRU

• 每次随机选取5个key（可配置），淘汰其中最久未使用的

• 通过maxmemory-samples参数控制抽样数量

// Redis近似LRU实现核心逻辑（简化版）
key = random_sample(keys)
min_timestamp = current_time
candidate = null

for each key in samples:
    if key.last_used < min_timestamp:
        min_timestamp = key.last_used
        candidate = key

evict(candidate)

2. LFU（最不经常使用）算法（Redis 4.0+）

LFU核心思想：

• 统计每个key的访问频率

• 淘汰访问次数最少的key

Redis的LFU实现特点：

• 使用Morris计数器节省空间

• 访问计数会随时间衰减（避免历史数据长期占据内存）

• 通过lfu-log-factor和lfu-decay-time控制衰减速度

# LFU相关配置
lfu-log-factor 10    # 计数器增长对数因子
lfu-decay-time 1     # 计数器衰减时间(分钟)

3. TTL（生存时间）优先策略

• 只淘汰设置了过期时间的key

• 优先淘汰剩余生存时间(TTL)最短的key

• 实现方式：Redis维护一个最小堆数据结构

4. 随机淘汰策略

• 完全随机选择key进行淘汰

• 实现简单，但可能淘汰热点数据

• 适用于数据访问完全随机的场景

⚙ Redis淘汰机制底层实现

Redis淘汰机制的核心代码在evict.c文件中，主要流程：

1. 内存检查：每次处理命令前检查内存使用

2. 淘汰触发：达到maxmemory时触发淘汰流程

3. 策略执行：根据配置的策略执行淘汰

4. 内存释放：删除选中key并释放内存

// 内存检查核心逻辑（简化）
int processCommand(client *c) {
    if (server.maxmemory && !server.lua_timedout) {
        int out_of_memory = freeMemoryIfNeeded() == C_ERR;
        if (out_of_memory && reject_cmd_on_oom) {
            rejectCommand(c, shared.oomerr);
            return C_OK;
        }
    }
    // ...执行命令
}

🚀 不同策略性能对比

策略	时间复杂度	内存开销	精确度
精确LRU	O(1)	高	100%
Redis近似LRU	O(N)采样	低	可配置
LFU	O(1)	中等	较高
TTL	O(logN)	中等	100%
随机	O(1)	无	无

💡 最佳实践建议

1. 热点数据场景：优先使用allkeys-lru

2. 长期缓存+临时数据混合：使用volatile-lru

3. 突发流量防护：LFU能更好应对流量变化

4. 内存敏感环境：适当降低maxmemory-samples提高性能

5. 监控关键指标：

   redis-cli info memory
   # 关注evicted_keys,used_memory,maxmemory

📚 进阶思考题

1. 为什么Redis不采用真正的LRU实现？

2. LFU的Morris计数器是如何工作的？

3. 如何基于业务特点设计自定义淘汰策略？

欢迎在评论区分享你的见解！如果觉得有帮助，请点赞收藏支持~

🔗 扩展阅读：Redis源码evict.c、redis.conf官方文档