答题思路

从淘汰范围来说可以分为不淘汰任何数据、只从设置了到期时间的键中淘汰和从所有键中淘汰三类。而从淘汰算法来分，又主要分为 random（随机），LRU（最近最少使用），以及 LFU（最近最不常使用）三种。

回答话术

内存总是有限的，因此当 Redis 内存超出最大内存时，就需要根据一定的策略去主动的淘汰一些 key，来腾出内存，这就是内存淘汰策略。我们可以在配置文件中通过 maxmemory-policy 配置指定策略。

与到期删除策略不同，内存淘汰策略主要目的则是为了防止运行时内存超过最大内存，所以尽管最终目的都是清理内存中的一些 key，但是它们的应用场景和触发时机是不同的。

算上在 4.0 添加的两种基于 LFU 算法的策略， Redis 一共提供了八种策略供我们选择：

• noeviction，不淘汰任何 key，直接报错。它是默认策略**。**
• volatile-random：从所有设置了到期时间的 key 中，随机淘汰一个 Key。
• volatile-lru： 从所有设置了到期时间的 key 中，淘汰最近最少使用的 key。
• volatile-lfu： 从所有设置了到期时间的 key 中，淘汰最近最不常用使用的 key（4.0 新增）。
• volatile-ttl： 从所有设置了到期时间的 key 中，优先淘汰最早过期的 key。
• allkeys-random：从所有 key中，随机淘汰一个键（4.0 新增）。
• allkeys-lru： 从所有 key 中，淘汰最近最少使用的 key。
• allkeys-lfu： 从所有 key 中，淘汰最近最不常用使用的键。

从淘汰范围来说可以分为不淘汰任何数据、只从设置了到期时间的键中淘汰和从所有键中淘汰三类。而从淘汰算法来分，又主要分为 random（随机），LRU（最近最少使用），以及 LFU（最近最不常使用）三种。

其中，关于 LRU 算法，它是一种非常常见的缓存淘汰算法。我们可以简单理解为 Redis 会在每次访问 key 的时候记录访问时间，当淘汰时，优先淘汰最后一次访问距离现在最早的 key。

而对于 LFU 算法，我们可以理解为 Redis 会在访问 key 时，根据两次访问时间的间隔计算并累加访问频率指标，当淘汰时，优先淘汰访问频率指标最低的 key。相比 LRU 算法，它避免了低频率的大批量查询造成的缓存污染问题。

顺带一提，只要是有类似缓存机制的应用或多或少都会面对这种问题，比如老生常谈的 MySQL 连表查询，在数据量大的时候也会造成缓存污染。

问题详解

1. 淘汰策略

按 key 的淘汰范围来分，我们可以把这些策略分为三类

1）不淘汰任何数据

也就是noeviction，它是默认的策略。

2）只从设置的了到期时间的 key 中淘汰

• volatile-random：从所有设置了到期时间的 key 中，随机淘汰一个 key。
• volatile-lru： 从所有设置了到期时间的 key 中，淘汰最近最少使用的 key。
• volatile-lfu： 从所有设置了到期时间的 key 中，淘汰最近最不常用使用的 key（4.0 新增）。
• volatile-ttl： 从所有设置了到期时间的 key 中，优先淘汰最早过期的 key。

3）从所有的 key 中进行淘汰

• allkeys-random：从所有 key中，随机淘汰一个键（4.0 新增）。
• allkeys-lru： 从所有 key 中，淘汰最近最少使用的 key。
• allkeys-lfu： 从所有 key 中，淘汰最近最不常用使用的键。

2. LRU 的实现

LRU 的全称为 Least Recently Used，也就是最近最少使用。一般来说，LRU 会从一批 key 中淘汰上次访问时间最早的 key。

它是一种非常常见的缓存回收算法，在诸如 Guava Cache、Caffeine等缓存库中都提供了类似的实现。我们自己也可以基于 JDK 的 LinkedHashMap 实现支持 LRU 算法的缓存功能。

传统的 LRU 算法实现通常会维护一个链表，当访问过某个节点后就将该节点移至链表头部。如此反复后，链表的节点就会按最近一次访问时间排序。当缓存数量到达上限后，我们直接移除尾节点，即可移除最近最少访问的缓存。

近似 LRU

Redis 中的 LRU 是近似 LRU（NearlyLRU）。当每次访问 key 时，Redis 会在结构体中记录本次访问时间，而当需要淘汰 key 时，将会从全部数据中进行抽样，然后再移除样本中上次访问时间最早的 key。

它的特点是：

• 仅当需要时再抽样，因而不需要维护全量数据组成的链表，这避免了额外内存消耗。
• 访问时仅在结构体上记录操作时间，而不需要操作链表节点，这避免了额外的性能消耗。

当然，有利就有弊，这种实现方式也决定 Redis 的 LRU 是并不是百分百准确的，被淘汰的 key 未必真的就是所有 key 中最后一次访问时间最早的。

a. 抽样大小

根据上述的内容，我们不难理解，当抽样的数量越大，LRU 淘汰 key 就越准确，相对的开销也更大。因此，Redis 允许我们通过 maxmemory-samples 配置采样数量（默认为 5），从而在性能和精度上取得平衡。

b. 缓存污染

LRU 有个最大问题，就是它只认最近一次访问时间。而如果出现系统偶尔需要一次性读取大量数据的时候，会大规模更新 key 的最近访问时间，从而导致真正需要被频繁访问的 key 因为最近一次访问时间更早而被直接淘汰。这种情况被称为缓存污染。为此，我们需要使用 LFU 算法来

具体可直接参见：深入解析Redis的LRU与LFU算法实现 (opens new window)

3. LFU 的实现

LFU 全称为 Least Frequently Used ，也就是最近最不常用。相比起 LRU，它的特点如下：

• 同样是基于抽样实现的近似算法，maxmemory-samples 对其同样有效。
• 比较的不是最后一次访问时间，而是数据的访问频率。当淘汰的时候，优先淘汰范围频率最低 key。

在 Redis 用来存储数据的结构体 redisObj 中，有一个 24 位的 lru数值字段：

• 当使用 LRU 算法时，它用于记录最后一次访问时间的时间戳。
• 当使用 LFU 算法时，它被分为两部分，高 16 位关于记录最近一次访问时间（Last Decrement Time），而低 8 位作为记录访问频率计数器（Logistic Counter）。

LFU 的核心就在于低 8 位表示的访问频率计数器（下面我们简称为 counter），它是一个介于 0 ~ 255 的特殊数值，它会每次访问 key 时，基于时间衰减和概率递增机制动态改变。

a. 时间衰减

每当访问 key 时，根据当前实际与该 key 的最后一次访问时间的时间差对 counter 进行衰减。

衰减值取决于 lfu_decay_time 配置，该配置表示一个衰减周期。我们可以简单的认为，每当时间间隔满足一个衰减周期时，就会对 counter 减一。

比如，我们设置 lfu_decay_time为 1 分钟，那么如果 key 最后一次访问距离现在已有 3 分 30 秒，那么 counter 就需要减 3。

b. 概率递增

在完成衰减后，Redis 将根据 lfu_log_factor 配置对应概率值对 counter 进行递增。

这里直接放上源码：

/* Logarithmically increment a counter. The greater is the current counter value
 * the less likely is that it gets really implemented. Saturate it at 255. */
uint8_t LFULogIncr(uint8_t counter) {
    // 若已达最大值 255，直接返回
    if (counter == 255) return 255;
    // 获取一个介于 0 到 1 之间的随机值
    double r = (double)rand()/RAND_MAX;
    // 根据当前 counter 减去初始值得到 baseval
    double baseval = counter - LFU_INIT_VAL; 
    if (baseval < 0) baseval = 0;
    // 使用 baseval*server.lfu_log_factor+1 得到一个概率值 p
    double p = 1.0/(baseval*server.lfu_log_factor+1);
    // 当 r < p 时，递增 counter
    if (r < p) counter++;
    return counter;
}

简而言之，直接从代码上理解，我们可以认为 counter和 lfu_log_factor 越大，则递增的概率越小：

当然，实际上也要考虑到访问次数对其的影响，Redis 官方给出了相关数据：

具体可直接参见：深入解析Redis的LRU与LFU算法实现 (opens new window)

c. 初始值

为了防止新的 key 由于 counter 为 0 导致直接被淘汰，Redis 会默认将 counter设置为 5。

4. 如何选择

软件工程没有银弹，我们不可能指望存在一个能完美适用于所有场景的内存淘汰策略。

在实际场景中，我们需要结合业务特点、数据量大小、数据的冷热……等多个维度来选择合适的淘汰策略。

比如：

• 当使用 Redis 来缓存用户动态时，由于热门用户的动态相对于普通用户往往会被更高频的访问，因此我们可以选择基于 LRU 或者 LFU 算法的策略保证热点数据不会被轻易淘汰。
• 当使用 Redis 缓存菜单树时，由于菜单树数据大部分情况下没有明确的热点区分，因此可以考虑使用随机淘汰策略平衡各个数据的访问频率。

当然，调整淘汰策略也只是优化方案的一种。条件允许的话，在特定情况下直接增加内存、将单机改为集群或者缓存预热同样可以带来显著的收益。