Redis 的八大内存淘汰策略

Redis 的内存淘汰策略是当内存使用量达到预设阈值时，通过特定算法选择并删除部分数据以释放空间的核心机制。以下是其常见算法及技术细节的梳理：

一、淘汰策略分类与核心算法

Redis 提供 8 种淘汰策略，按淘汰范围可分为两类：

1. 针对所有键（Allkeys 策略）

• allkeys-lru（最近最少使用）

  • 原理：近似 LRU 算法，通过随机采样（默认 5 个键）比较访问时间戳，淘汰最久未访问的键。
  • 特点：平衡性能与精度，采样数越多精度越高（通过 maxmemory-samples 配置）。
  • 适用场景：热点数据频繁访问的缓存系统（如 API 响应缓存）。

• allkeys-lfu（最不经常使用，Redis 4.0+）

  • 原理：基于访问频率的 LFU 算法，结合概率计数器（如 Morris 计数器）和时间衰减机制（lfu-decay-time 参数控制衰减速度）。
  • 特点：能精准识别长期热点数据，避免“缓存污染”（如偶尔访问的冷数据）。
  • 适用场景：访问频率差异大的场景（如推荐系统缓存）。

• allkeys-random（随机淘汰）

  • 原理：从所有键中随机选择淘汰。
  • 特点：实现简单，性能开销低，但可能误删高价值数据。
  • 适用场景：数据无明显访问模式或测试环境。

2. 仅针对设置了过期时间的键（Volatile 策略）

• volatile-lru

  • 原理：与 allkeys-lru 类似，但仅淘汰设置了过期时间（TTL）的键。
  • 适用场景：混合数据场景（如临时缓存与持久化数据共存）。

• volatile-lfu（Redis 4.0+）

  • 原理：与 allkeys-lfu 类似，但仅作用于带 TTL 的键。
  • 适用场景：关注访问频率的临时数据（如限时活动缓存）。

• volatile-ttl

  • 原理：淘汰剩余生存时间（TTL）最短的键。
  • 特点：基于过期时间排序，逻辑清晰。
  • 适用场景：需快速清理即将过期的数据（如会话缓存）。

• volatile-random

  • 原理：从带 TTL 的键中随机淘汰。
  • 适用场景：对淘汰顺序无要求的临时数据场景。

3. 特殊策略

• noeviction（默认策略）
  • 行为：内存不足时拒绝写入操作（如 SET、LPUSH），返回错误（OOM），但允许读取和删除。
  • 适用场景：数据绝对不能丢失的场景（如金融交易记录），需配合监控和降级机制。

二、算法实现细节

1. 近似 LRU 优化

   • Redis 通过维护一个全局 LRU 时钟（精度 1 秒）减少维护开销，避免严格 LRU 的链表操作。
   • 采样策略：默认随机采样 5 个键，通过 maxmemory-samples 参数调整采样数（值越大精度越高，但 CPU 开销增加）。

2. LFU 的概率计数器

   • 使用 8 位 logc 字段记录访问频率，结合 lfu-log-factor 控制增长难度（值越大，计数器增长越慢）。
   • 时间衰减：通过 lfu-decay-time 参数（单位：分钟）模拟访问频率随时间衰减。

3. TTL 优先淘汰

   • 维护过期键的最小堆，优先淘汰堆顶元素（即将过期的键），结合定期扫描与惰性删除减少堆维护开销。

三、策略选择建议

场景类型	推荐策略	理由
纯缓存场景	allkeys-lru	保留热点数据，平衡性能与精度
访问频率差异大	allkeys-lfu	精准识别长期热点，避免缓存污染
临时数据（如会话）	volatile-ttl	快速清理即将过期的数据
混合数据（缓存+持久化）	volatile-lru	保护无 TTL 的键，避免 OOM
无明显访问模式	allkeys-random	实现简单，性能开销低
数据绝对不可丢失	noeviction	拒绝写入操作，需配合监控和降级机制

四、配置与优化实践

1. 基础配置

   # 设置内存上限（建议为物理内存的 70%-80%）
   maxmemory 4gb
   # 选择淘汰策略（推荐 allkeys-lru 或 allkeys-lfu）
   maxmemory-policy allkeys-lru
   # 调整 LRU 采样数（提升精度需增加 CPU 开销）
   maxmemory-samples 10
   # LFU 衰减因子（默认 1 分钟）
   lfu-decay-time 1
   

2. 性能优化

   • 大键优化：避免存储超过 10KB 的键，使用 redis-cli --bigkeys 扫描。
   • 惰性删除：开启 lazyfree-lazy-eviction yes 异步删除大键。
   • 内存碎片：通过 INFO MEMORY 监控 mem_fragmentation_ratio（建议值 < 1.5）。

3. 监控指标

   • 使用 INFO stats 查看 evicted_keys 统计淘汰次数。
   • 配置 notify-keyspace-events 监听淘汰事件。

五、高级扩展

• 多实例分片：通过 Redis Cluster 提升内存容量。
• 持久化协同：结合 AOF 重写与淘汰策略，避免内存峰值。
• 混合淘汰：通过 Lua 脚本实现自定义淘汰逻辑（如结合业务标签）。

通过合理配置淘汰策略与持续优化，Redis 能在高并发场景下保持卓越的内存管理能力，为业务提供稳定支撑。