Redis占用内存大小
我们知道Redis是基于内存的key-value数据库，因为系统的内存大小有限，所以我们在使用Redis的时候可以配置Redis能使用的最大的内存大小。
1、通过配置文件配置
通过在Redis安装目录下面的redis.conf配置文件中添加以下配置设置内存大小
//设置Redis最大占用内存大小为100M
maxmemory 100mb
2、通过命令修改
Redis支持运行时通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
注意：如果不设置最大内存大小或者设置最大内存大小为0，在64位操作系统下不限制内存大小，在32位操作系统下最多使用3GB内存
Redis的内存淘汰（回收策略）
既然可以设置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情况：（6种redis内存淘汰策略方案）
-
noeviction(默认策略)：对于写请求不再提供服务，直接返回错误（DEL请求和部分特殊请求除外）
-
allkeys-lru：从所有key中使用LRU算法进行淘汰
-
volatile-lru：从设置了过期时间的key中使用LRU算法进行淘汰
-
allkeys-random：从所有key中随机淘汰数据
-
volatile-random：从设置了过期时间的key中随机淘汰
-
volatile-ttl：在设置了过期时间的key中，根据key的过期时间进行淘汰，越早过期的越优先被淘汰
注意：当使用volatile-lru、volatile-random、volatile-ttl这三种策略时，如果没有key可以被淘汰，则和noeviction一样返回错误
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
通过配置文件设置淘汰策略（修改redis.conf文件）：
maxmemory-policy allkeys-lru
通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可使用最大内存使用完了，是可以使用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。在使用内存作为缓存的时候，缓存的大小一般是固定的。当缓存被占满，这个时候继续往缓存里面添加数据，就需要淘汰一部分老的数据，释放内存空间用来存储新的数据。这个时候就可以使用LRU算法了。其核心思想是：如果一个数据在最近一段时间没有被用到，那么将来被使用到的可能性也很小，所以就可以被淘汰掉。
使用java实现一个简单的LRU算法
1 public class LRUCache<k, v> {
2 //容量
3 private int capacity;
4 //当前有多少节点的统计
5 private int count;
6 //缓存节点
7 private Map<k, Node<k, v>> nodeMap;
8 private Node<k, v> head;
9 private Node<k, v> tail;
10
11 public LRUCache(int capacity) {
12 if (capacity < 1) {
13 throw new IllegalArgumentException(String.valueOf(capacity));
14 }
15 this.capacity = capacity;
16 this.nodeMap = new HashMap<>();
17 //初始化头节点和尾节点，利用哨兵模式减少判断头结点和尾节点为空的代码
18 Node headNode = new Node(null, null);
19 Node tailNode = new Node(null, null);
20 headNode.next = tailNode;
21 tailNode.pre = headNode;
22 this.head = headNode;
23 this.tail = tailNode;
24 }
25
26 public void put(k key, v value) {
27 Node<k, v> node = nodeMap.get(key);
28 if (node == null) {
29 if (count >= capacity) {
30 //先移除一个节点，因为该链表中的节点数已经到达容器上限
31 removeNode();
32 }
33 node = new Node<>(key, value);
34 //添加节点
35 addNode(node);
36 } else {
37 //移动节点到头节点
38 moveNodeToHead(node);
39 }
40 }
41
42 public Node<k, v> get(k key) {
43 Node<k, v> node = nodeMap.get(key);
44 if (node != null) {
45 moveNodeToHead(node);
46 }
47 return node;
48 }
49
50 private void removeNode() {
51 Node node = tail.pre;
52 //从链表里面移除
53 removeFromList(node);
54 nodeMap.remove(node.key);
55 count--;
56 }
57 //画图理解从链表中移除节点的过程
58 private void removeFromList(Node<k, v> node) {
59 Node pre = node.pre;
60 Node next = node.next;
61
62 pre.next = next;
63 next.pre = pre;
64
65 node.next = null;
66 node.pre = null;
67 }
68
69 private void addNode(Node<k, v> node) {
70 //添加节点到头部
71 addToHead(node);
72 nodeMap.put(node.key, node);
73 count++;
74 }
75
76 private void addToHead(Node<k, v> node) {
77 Node next = head.next;
78 next.pre = node;
79 node.next = next;
80 node.pre = head;
81 head.next = node;
82 }
83
84 public void moveNodeToHead(Node<k, v> node) {
85 //从链表里面移除
86 removeFromList(node);
87 //添加节点到头部
88 addToHead(node);
89 }
90
91 class Node<k, v> {
92 k key;
93 v value;
94 Node pre;
95 Node next;
96
97 public Node(k key, v value) {
98 this.key = key;
99 this.value = value;
100 }
101 }
102 }
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算法还不太一样。近似LRU算法通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。
补充：redis这里为什么使用的是近似LRU算法，而不是精准的LRU算法呢？
Redis为什么不使用真实的LRU实现是因为这需要太多的内存。不过近似的LRU算法对于应用而言应该是等价的。使用真实的LRU算法与近似的算法可以通过下面的各LRU算法的对比图（参看下文中的图片）。
可以通过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，但是同时对内存的消耗也越大。
Redis为了实现近似LRU算法，给每个key增加了一个额外增加了一个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，如果有新的key需要放入，则将池中最后访问时间最大（最近被访问）的移除。
当需要淘汰的时候，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：
我们可以通过一个实验对比各LRU算法的准确率，先往Redis里面添加一定数量的数据n，使Redis可用内存用完，再往Redis里面添加n/2的新数据，这个时候就需要淘汰掉一部分的数据，如果按照严格的LRU算法，应该淘汰掉的是最先加入的n/2的数据。
生成如下各LRU算法的对比图：
图片来源：https://segmentfault.com/a/1190000017555834
可以看到上图中有三种不同颜色的点：
-
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
我们能看到Redis3.0采样数是10生成的图最接近于严格的LRU。而同样使用5个采样数，Redis3.0也要优于Redis2.8。
LFU算法（只能在redis4.0之后的版本使用）
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，很少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很久没有被访问到，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将来是很有可能被访问到的则被淘汰了。如果使用LFU算法则不会出现这种情况，因为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：在设置了过期时间的key中使用LFU算法淘汰key
-
allkeys-lfu：在所有的key中使用LFU算法淘汰数据
设置使用这两种淘汰策略跟前面讲的一样，不过要注意的一点是这两周策略只能在Redis4.0及以上设置，如果在Redis4.0以下设置会报错