一起聊聊Redis缓存的淘汰策略

---

redis 缓存有哪些淘汰策略？本篇文章就来和大家一起聊聊redis缓存的淘汰策略，介绍缓存策略设置建议，希望对大家有所帮助！

Redis（Remote Dictionary Server )，即远程字典服务，是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库，并提供多种语言的API。【相关推荐：Redis视频教程】

它具备以下的特征：

• 基于内存运行，具备高性能的特点
• 支持分布式，理论上可以无限拓展
• key-value 存储结构，查询高效
• 提供多种开发语言 API， 容易和现有的业务系统集成。

通常在业务系统种用作分布式缓存，集中式 Session 存储， 分布式锁等运用场景。

不管是本地缓存还是分布式缓存，为了保证较高性能，都是使用内存来保存数据，由于成本和内存限制，当存储的数据超过缓存容量时，需要对缓存的数据进行剔除。 一般的剔除策略有 FIFO 淘汰最早数据、LRU 剔除最近最少使用、和 LFU 剔除最近使用频率最低的数据几种策略。

Redis 缓存淘汰策略触发

在生产环境中我们是不允许 redis 出现 swap 行为的。所以一般会限制最大的使用内存，redis 提供了配置参数 maxmemory 来规定最大的使用内存。

以下配置均为合法：

maxmemory 1000KB 
maxmemory 100MB 
maxmemory 1GB 
maxmemory 0  # 表示不做限制，一般不会用

redis.conf 配置文件如下

8 种 Redis 缓存策略

• volatile-lru 设定超时时间的数据中，删除最不常用的数据；

• allkeys-lru 查询所有的key 中最不常使用的数据进行删除，这是应用最广泛的策略；

• volatile-random 在已经设定了超时的数据中随机删除；
• allkeys-random 查询所有的 key 之后随机删除；
• volatile-ttl 查询全部设定超时时间的数据，追后马上排序，将马上将要过期的数据进行删除操作；
• noeviction (默认) 如果设置为该属性，则不会进行删除操作，如果内存溢出则报错返回；

• volatile-lfu 从所有配置了过期的时间的键中驱逐使用频率最少的键；

• allkeys-lfu 从所有键中驱逐使用频率最少的键；

Redis 种的 LRU 与 LFU 算法

LRU 算法

Redis LRU 算法不是一个精确的实现。这意味着 Redis 无法选择最佳的驱逐候选者，即过去访问次数最多的访问。相反，它会尝试运行 LRU 算法的近似值，方法是对少量密钥进行采样，然后逐出采样密钥中最好的（具有最早访问时间）的密钥。

然而，从 Redis 3.0 开始，该算法得到了改进，也可以选择一些好的候选者进行驱逐。这提高了算法的性能，使其能够更接近真实 LRU 算法的行为。

Redis LRU 算法的重要之处在于，您可以通过更改样本数量来调整算法的精度，以检查每次驱逐。此参数由以下配置指令控制：

maxmemory-samples 5

Redis 之所以不使用真正的 LRU 实现，是因为它需要更多的内存。然而，对于使用 Redis 的应用程序，近似值实际上是等效的。下面是Redis使用的LRU近似与真实LRU的对比图。

生成上述图表的测试使用给定数量的键填充了 Redis 服务器。从第一个到最后一个访问密钥，因此第一个密钥是使用 LRU 算法驱逐的最佳候选者。后来又添加了 50% 的密钥，以强制驱逐一半的旧密钥。

您可以在图中看到三种点，形成三个不同的带。

• 浅灰色带是被驱逐的对象。
• 灰色带是未被驱逐的对象。

• 绿色带是添加的对象。

在理论上的 LRU 实现中，我们预计在旧密钥中，前半部分将过期。Redis LRU 算法只会在概率上使旧密钥过期。

SONIFY.io

设计和开发音频优先的产品和数据驱动的解决方案

83 查看详情

LRU 只是一个模型，用于预测给定密钥在未来被访问的可能性。此外，如果您的数据访问模式非常类似于幂律，则大多数访问将位于 LRU 近似算法能够很好处理的键集中。

缺点：可能会存在一定时间内大量的冷数数据被访问产生大量的热点数据

LFU 算法

从 Redis 4.0 开始，可以使用新的最不常用驱逐模式。这种模式在某些情况下可能会更好（提供更好的命中率/未命中率），因为使用 LFU Redis 会尝试跟踪项目的访问频率，因此很少使用的项目会被驱逐，而经常使用的项目有更高的机会留在记忆中。

如果您认为在 LRU，最近访问过但实际上几乎从未被请求过的项目不会过期，因此风险是驱逐将来有更高机会被请求的密钥。LFU 没有这个问题，一般应该更好地适应不同的访问模式。

配置LFU模式，可以使用以下策略：

• volatile-lfu 在具有过期集的键中使用近似 LFU 驱逐。
• allkeys-lfu 使用近似 LFU 驱逐任何密钥。

LFU 类似于 LRU：它使用一个概率计数器，称为莫里斯计数器，以便仅使用每个对象的几位来估计对象访问频率，并结合衰减周期，以便计数器随着时间的推移而减少：在某些时候，我们不再希望将密钥视为经常访问的密钥，即使它们过去是这样，以便算法可以适应访问模式的转变。

这些信息的采样与 LRU 发生的情况类似（如本文档的前一部分所述），以便选择驱逐的候选人。

然而，与 LRU 不同的是，LFU 具有某些可调参数：例如，如果不再访问频繁项，它的排名应该以多快的速度降低？还可以调整 Morris 计数器范围，以便更好地使算法适应特定用例。

默认情况下，Redis 4.0 配置为：

• 在大约一百万个请求时使计数器饱和。
• 每一分钟衰减一次计数器。

这些应该是合理的值并经过实验测试，但用户可能希望使用这些配置设置以选择最佳值。

有关如何调整这些参数的说明可以redis.conf在源代码分发的示例文件中找到，但简单地说，它们是：

lfu-log-factor 10 
lfu-decay-time 1

衰减时间是显而易见的，它是计数器应该衰减的分钟数，当采样并发现它比该值更旧时。一个特殊值0意味着：每次扫描时总是衰减计数器，很少有用。

计数器对数因子会改变需要多少次命中才能使频率计数器饱和，这恰好在 0-255 的范围内。系数越高，需要越多的访问以达到最大值。根据下表，系数越低，低访问计数器的分辨率越好：

+--------+------------+------------+------------+------------+------------+
| factor | 100 hits   | 1000 hits  | 100K hits  | 1M hits    | 10M hits   |
+--------+------------+------------+------------+------------+------------+
| 0      | 104        | 255        | 255        | 255        | 255        |
+--------+------------+------------+------------+------------+------------+
| 1      | 18         | 49         | 255        | 255        | 255        |
+--------+------------+------------+------------+------------+------------+
| 10     | 10         | 18         | 142        | 255        | 255        |
+--------+------------+------------+------------+------------+------------+
| 100    | 8          | 11         | 49         | 143        | 255        |
+--------+------------+------------+------------+------------+------------+

淘汰最近一段时间被访问次数最少的数据，以次数作为参考。

缺点：

1. 最近加入的数据常常容易被剔除，因为其起始方法次数比较少，

2. 如果频率时间度量为 1 个小时，则平均一天每个小时内访问频率 1000 的热点数据可能会被 2个小时的一段时间访问的频率为 1001 的数据剔除掉。可能会出现一些临界值的数据。

缓存策略设置建议

建议：了解Redis 的淘汰策略之后，在平时使用尽量主动设置/更新 key 的 expire 时间主动剔除不活跃的旧数据， 有助于提升查询性能

更多编程相关知识，请访问：编程入门！！

以上就是一起聊聊Redis缓存的淘汰策略的详细内容，更多请关注其它相关文章！

# 缓存  # 淘汰策略  # 第一个  # 更高  # Redis  # 上海企业营销型网站建设  # 鸡西网站优化团队推广  # 罗湖产品网站优化公司  # 湖北互联网营销推广  # 南坪网站推广优化  # 小红书短视频营销推广  # 珲春关键词优化排名  # 模板网站建设选哪家  # 杨浦抖音营销推广学习  # 阿坝网站seo公司  # 如何实现  # 未被  # 网络带宽  # 最不  # 类似于  # 理论上  # 可以使用  # 使用频率 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 《猎聘》筛选猎头岗位方法  猫眼电影app如何参与官方的抽奖活动_猫眼电影官方抽奖参与方法  《土豆雅思》修改密码方法  优化 React onClick 事件处理：函数引用与箭头函数的对比  手机远程连接电脑方法  火狐浏览器如何刷新修复浏览器 火狐浏览器“重置Firefox”功能详解  b站怎么设置动态仅粉丝可见_b站动态粉丝可见设置方法  餐馆菜篮选购指南  《米姆米姆哈》米姆获取及技能攻略  《腾讯相册管家》注销账号方法  PHP页面重载时变量值不重置的实现方法  创建您的便携版VS Code：让配置随身携带  mysql中外键约束如何使用_mysql FOREIGN KEY操作  《气泡星球》兑换码礼包大全  外卖小程序对接第三方配送  一点万象签到领积分指南  漫蛙app官方版手机正版入口-漫蛙漫画manwa在线漫画正版入口  腾讯QQ邮箱官方入口 QQ邮箱网页版登录平台  poki官网最新入口 poki小游戏大全入口  我的世界游戏平台入口 我的世界官方官网直达链接  百度浏览器无法安装扩展程序_百度浏览器插件安装失败原因解析  铁路12306买票怎么选双人铺 铁路12306卧铺分配规则说明  荣耀盒子应用管理技巧  如何在CSS中使用伪类选择器_hover实现悬停效果  喜茶GO更换登录账号方法  京东快递包裹信息查询入口 京东快递官方查询平台入口  微信网页版在线登录 微信网页版在线使用入口  《盗墓笔记手游》技能介绍  Win11怎么录屏_Windows 11自带Xbox Game Bar录制视频  吃完饭就犯困是什么原因 餐后嗜睡如何缓解  《异星探险家》古怪的物品作用介绍  c++中的const关键字用法大全_c++ const正确使用指南  菜鸟裹裹怎样获得取件码_菜鸟裹裹获得取件码步骤  sublime如何处理超大文件不卡顿 _sublime打开大日志文件技巧  之了课堂app做题入口  Lar*el Eloquent：高效删除多对多关系中无关联子记录的父模型  Lar*el 中高效执行多列更新：单次查询实现  Python定时发送QQ消息  抖音网页版官方链接 抖音网页版官网链接入口  《杖剑传说》食谱大全  search中maxlength属性用法解析  C#解析并修改XML后保存 如何确保格式与编码的正确性  Excel怎么用XLOOKUP函数实现双向查找_ExcelXLOOKUP替代VLOOKUP+HLOOKUP的高级用法  太平年在哪个平台播出  深入理解Python对象引用与链表属性赋值  以下哪一项是古代兵书三十六计中的计谋  sublime怎么快速在浏览器中预览HTML_sublime配置View in Browser教程  《桃源记2》资源采集攻略  处理含命名空间的XML文件 Power Query中的高级技巧  德邦快递查询入口登录官网 德邦快递单号查询系统入口 

 2021-10-27