Redis是基于記憶體的key-value資料庫,因為系統的記憶體大小有限,是以我們在使用Redis的時候可以配置Redis能使用的最大的記憶體大小。
1、通過配置檔案配置
通過在Redis安裝目錄下面的redis.conf配置檔案中添加以下配置設定記憶體大小
-
//設定Redis最大占用記憶體大小為100M
-
maxmemory 100mb
-
複制代碼
redis的配置檔案不一定使用的是安裝目錄下面的redis.conf檔案,啟動redis服務的時候是可以傳一個參數指定redis的配置檔案的
2、通過指令修改
Redis支援運作時通過指令動态修改記憶體大小
-
//設定Redis最大占用記憶體大小為100M
-
127.0.0.1:6379> config set maxmemory 100mb
-
//擷取設定的Redis能使用的最大記憶體大小
-
127.0.0.1:6379> config get maxmemory
-
複制代碼
如果不設定最大記憶體大小或者設定最大記憶體大小為0,在64位作業系統下不限制記憶體大小,在32位作業系統下最多使用3GB記憶體
Redis的記憶體淘汰
既然可以設定Redis最大占用記憶體大小,那麼配置的記憶體就有用完的時候。那在記憶體用完的時候,還繼續往Redis裡面添加資料不就沒記憶體可用了嗎?
實際上Redis定義了幾種政策用來處理這種情況:
noeviction(預設政策):對于寫請求不再提供服務,直接傳回錯誤(DEL請求和部分特殊請求除外)
allkeys-lru:從所有key中使用LRU算法進行淘汰
volatile-lru:從設定了過期時間的key中使用LRU算法進行淘汰
allkeys-random:從所有key中随機淘汰資料
volatile-random:從設定了過期時間的key中随機淘汰
volatile-ttl:在設定了過期時間的key中,根據key的過期時間進行淘汰,越早過期的越優先被淘汰
當使用volatile-lru、volatile-random、volatile-ttl這三種政策時,如果沒有key可以被淘汰,則和noeviction一樣傳回錯誤
如何擷取及設定記憶體淘汰政策
擷取目前記憶體淘汰政策:
-
127.0.0.1:6379> config get maxmemory-policy
通過配置檔案設定淘汰政策(修改redis.conf檔案):
-
maxmemory-policy allkeys-lru
通過指令修改淘汰政策:
-
127.0.0.1:6379> config set maxmemory-policy allkeys-lru
LRU算法
什麼是LRU?
上面說到了Redis可使用最大記憶體使用完了,是可以使用LRU算法進行記憶體淘汰的,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。在使用記憶體作為緩存的時候,緩存的大小一般是固定的。當緩存被占滿,這個時候繼續往緩存裡面添加資料,就需要淘汰一部分老的資料,釋放記憶體空間用來存儲新的資料。這個時候就可以使用LRU算法了。其核心思想是:如果一個資料在最近一段時間沒有被用到,那麼将來被使用到的可能性也很小,是以就可以被淘汰掉。
使用java實作一個簡單的LRU算法
-
publicclassLRUCache<k, v> {
-
//容量
-
privateint capacity;
-
//目前有多少節點的統計
-
privateint count;
-
//緩存節點
-
privateMap<k, Node<k, v>> nodeMap;
-
privateNode<k, v> head;
-
privateNode<k, v> tail;
-
publicLRUCache(int capacity) {
-
if(capacity < 1) {
-
thrownewIllegalArgumentException(String.valueOf(capacity));
-
}
-
this.capacity = capacity;
-
this.nodeMap = newHashMap<>();
-
//初始化頭節點和尾節點,利用哨兵模式減少判斷頭結點和尾節點為空的代碼
-
Node headNode = newNode(null, null);
-
Node tailNode = newNode(null, null);
-
headNode.next= tailNode;
-
tailNode.pre = headNode;
-
this.head = headNode;
-
this.tail = tailNode;
-
}
-
publicvoid 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 = newNode<>(key, value);
-
//添加節點
-
addNode(node);
-
} else{
-
//移動節點到頭節點
-
moveNodeToHead(node);
-
}
-
}
-
publicNode<k, v> get(k key) {
-
Node<k, v> node = nodeMap.get(key);
-
if(node != null) {
-
moveNodeToHead(node);
-
}
-
return node;
-
}
-
privatevoid removeNode() {
-
Node node = tail.pre;
-
//從連結清單裡面移除
-
removeFromList(node);
-
nodeMap.remove(node.key);
-
count--;
-
}
-
privatevoid removeFromList(Node<k, v> node) {
-
Node pre = node.pre;
-
Nodenext= node.next;
-
pre.next= next;
-
next.pre = pre;
-
node.next= null;
-
node.pre = null;
-
}
-
privatevoid addNode(Node<k, v> node) {
-
//添加節點到頭部
-
addToHead(node);
-
nodeMap.put(node.key, node);
-
count++;
-
}
-
privatevoid addToHead(Node<k, v> node) {
-
Nodenext= head.next;
-
next.pre = node;
-
node.next= next;
-
node.pre = head;
-
head.next= node;
-
}
-
publicvoid moveNodeToHead(Node<k, v> node) {
-
//從連結清單裡面移除
-
removeFromList(node);
-
//添加節點到頭部
-
addToHead(node);
-
}
-
classNode<k, v> {
-
k key;
-
v value;
-
Node pre;
-
Nodenext;
-
publicNode(k key, v value) {
-
this.key = key;
-
this.value = value;
-
}
-
}
-
}
-
複制代碼
上面這段代碼實作了一個簡單的LUR算法,代碼很簡單,也加了注釋,仔細看一下很容易就看懂。
LRU在Redis中的實作
近似LRU算法
Redis使用的是近似LRU算法,它跟正常的LRU算法還不太一樣。近似LRU算法通過随機采樣法淘汰資料,每次随機出5(預設)個key,從裡面淘汰掉最近最少使用的key。
可以通過maxmemory-samples參數修改采樣數量:例:maxmemory-samples 10 maxmenory-samples配置的越大,淘汰的結果越接近于嚴格的LRU算法
Redis為了實作近似LRU算法,給每個key增加了一個額外增加了一個24bit的字段,用來存儲該key最後一次被通路的時間。
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(大小為16),池中的資料根據通路時間進行排序,第一次随機選取的key都會放入池中,随後每次随機選取的key隻有在通路時間小于池中最小的時間才會放入池中,直到候選池被放滿。當放滿後,如果有新的key需要放入,則将池中最後通路時間最大(最近被通路)的移除。
當需要淘汰的時候,則直接從池中選取最近通路時間最小(最久沒被通路)的key淘汰掉就行。
LRU算法的對比
我們可以通過一個實驗對比各LRU算法的準确率,先往Redis裡面添加一定數量的資料n,使Redis可用記憶體用完,再往Redis裡面添加n/2的新資料,這個時候就需要淘汰掉一部分的資料,如果按照嚴格的LRU算法,應該淘汰掉的是最先加入的n/2的資料。生成如下各LRU算法的對比圖([圖檔來源]
你可以看到圖中有三種不同顔色的點:
- 淺灰色是被淘汰的資料
- 灰色是沒有被淘汰掉的老資料
- 綠色是新加入的資料
我們能看到Redis3.0采樣數是10生成的圖最接近于嚴格的LRU。而同樣使用5個采樣數,Redis3.0也要優于Redis2.8。
LFU算法
LFU算法是Redis4.0裡面新加的一種淘汰政策。它的全稱是Least Frequently Used,它的核心思想是根據key的最近被通路的頻率進行淘汰,很少被通路的優先被淘汰,被通路的多的則被留下來。
LFU算法能更好的表示一個key被通路的熱度。假如你使用的是LRU算法,一個key很久沒有被通路到,隻剛剛是偶爾被通路了一次,那麼它就被認為是熱點資料,不會被淘汰,而有些key将來是很有可能被通路到的則被淘汰了。如果使用LFU算法則不會出現這種情況,因為使用一次并不會使一個key成為熱點資料。
LFU一共有兩種政策:
- volatile-lfu:在設定了過期時間的key中使用LFU算法淘汰key
- allkeys-lfu:在所有的key中使用LFU算法淘汰資料
問題