美团面试题：Redis 内存满了怎么办？

正文以下：

Redis占用内存大小

咱们知道Redis是基于内存的key-value数据库，由于系统的内存大小有限，因此咱们在使用Redis的时候能够配置Redis能使用的最大的内存大小。

一、经过配置文件配置

经过在Redis安装目录下面的redis.conf配置文件中添加如下配置设置内存大小
//设置Redis最大占用内存大小为100M
maxmemory 100mb

redis的配置文件不必定使用的是安装目录下面的redis.conf文件，启动redis服务的时候是能够传一个参数指定redis的配置文件的

二、经过命令修改

Redis支持运行时经过命令动态修改内存大小
//设置Redis最大占用内存大小为100M
127.0.0.1:6379> config set maxmemory 100mb
//获取设置的Redis能使用的最大内存大小
127.0.0.1:6379> config get maxmemory

若是不设置最大内存大小或者设置最大内存大小为0，在64位操做系统下不限制内存大小，在32位操做系统下最多使用3GB内存

Redis的内存淘汰

既然能够设置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状况：

noeviction(默认策略)：对于写请求再也不提供服务，直接返回错误（DEL请求和部分特殊请求除外）
allkeys-lru：从全部key中使用LRU算法进行淘汰
volatile-lru：从设置了过时时间的key中使用LRU算法进行淘汰
allkeys-random：从全部key中随机淘汰数据
volatile-random：从设置了过时时间的key中随机淘汰
volatile-ttl：在设置了过时时间的key中，根据key的过时时间进行淘汰，越早过时的越优先被淘汰

当使用volatile-lru、volatile-random、volatile-ttl这三种策略时，若是没有key能够被淘汰，则和noeviction同样返回错误

如何获取及设置内存淘汰策略

获取当前内存淘汰策略：
127.0.0.1:6379> config get maxmemory-policy

经过配置文件设置淘汰策略（修改redis.conf文件）：
maxmemory-policy allkeys-lru

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

LRU算法

什么是LRU?

上面说到了Redis可以使用最大内存使用完了，是可使用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。在使用内存做为缓存的时候，缓存的大小通常是固定的。当缓存被占满，这个时候继续往缓存里面添加数据，就须要淘汰一部分老的数据，释放内存空间用来存储新的数据。

这个时候就可使用LRU算法了。其核心思想是：若是一个数据在最近一段时间没有被用到，那么未来被使用到的可能性也很小，因此就能够被淘汰掉。

使用java实现一个简单的LRU算法
public class LRUCache<k, v> {
//容量
private int capacity;
//当前有多少节点的统计
private int count;
//缓存节点
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<>();
//初始化头节点和尾节点，利用哨兵模式减小判断头结点和尾节点为空的代码
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) {
//先移除一个节点
removeNode();
}
node = new Node<>(key, value);
//添加节点
addNode(node);
} else {
//移动节点到头节点
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;
//从链表里面移除
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) {
//添加节点到头部
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) {
//从链表里面移除
removeFromList(node);
//添加节点到头部
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算法还不太同样。近似LRU算法经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。

能够经过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，给每一个key增长了一个额外增长了一个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，若是有新的key须要放入，则将池中最后访问时间最大（最近被访问）的移除。

当须要淘汰的时候，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

咱们能够经过一个实验对比各LRU算法的准确率，先往Redis里面添加必定数量的数据n，使Redis可用内存用完，再往Redis里面添加n/2的新数据，这个时候就须要淘汰掉一部分的数据，若是按照严格的LRU算法，应该淘汰掉的是最早加入的n/2的数据。

生成以下各LRU算法的对比图

你能够看到图中有三种不一样颜色的点：

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

咱们能看到Redis3.0采样数是10生成的图最接近于严格的LRU。而一样使用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，不多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好久没有被访问到，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未来是颇有可能被访问到的则被淘汰了。若是使用LFU算法则不会出现这种状况，由于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：在设置了过时时间的key中使用LFU算法淘汰key
allkeys-lfu：在全部的key中使用LFU算法淘汰数据

设置使用这两种淘汰策略跟前面讲的同样，不过要注意的一点是这两周策略只能在Redis4.0及以上设置，若是在Redis4.0如下设置会报错

问题

最后留一个小问题，可能有的人注意到了，我在文中并无解释为何Redis使用近似LRU算法而不使用准确的LRU算法，能够在评论区给出你的答案，你们一块儿讨论学习。
来源：juejin.im/post/5d674ac2e51d4557ca7fdd70

最近整理一套Java学习资料，包括了Java语法、面向对象、异常、经常使用类、集合、IO流、多线程、网络编程、JUnit、枚举、注解、反射机制、CSS、HTML、JavaScript、JQuery、ajax、Javaweb、MySQL、JavaEE、SSM框架、springboot、算法、Git、maven、Linux、设计模式、多线程与高并发、视频教程、视频源码、实战项目、电子书、简历模板、高频面试题等等资源，须要的朋友能够关注公众号：有故事的程序员获取