提供了编程的基础技术教程

zl程序教程

您现在的位置是：首页 >  数据库

当前栏目

Redis内存数据满了导致宕机

Redis内存数据 导致 宕机
2023-09-11 14:16:34 时间

edis 数据库内存数据满了，会宕机吗？答案是：不会让他出现存满的情况，在使用Redis的时候我们要配置Redis能使用的最大的内存大小，存到一定容量的时候还有Redis的内存淘汰策略呢，还有LRU算法进行淘汰，等等。。。

 

接下来就跟着作者一起探讨，Redis的内存淘汰策略。

 

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

 

 

  1. //设置Redis最大占用内存大小为100M

  2. maxmemory 100mb

redis的配置文件不一定使用的是安装目录下面的redis.conf文件，启动redis服务的时候是可以传一个参数指定redis的配置文件的

 

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

 

 

  1. //设置Redis最大占用内存大小为100M

  2. 127.0.0.1:6379> config set maxmemory 100mb

  3. //获取设置的Redis能使用的最大内存大小

  4. 127.0.0.1:6379> config get maxmemory

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

 

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：

 

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

 

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：

 

 

  1. 127.0.0.1:6379> config get maxmemory-policy

  2. 复制代码

 

通过配置文件设置淘汰策略（修改redis.conf文件）：

 

 

  1. maxmemory-policy allkeys-lru

  2. 复制代码

 

通过命令修改淘汰策略：

 

 

  1. 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. publicclassLRUCache<k, v> {

  2. //容量

  3. privateint capacity;

  4. //当前有多少节点的统计

  5. privateint count;

  6. //缓存节点

  7. privateMap<k, Node<k, v>> nodeMap;

  8. privateNode<k, v> head;

  9. privateNode<k, v> tail;

  10. publicLRUCache(int capacity) {

  11. if(capacity < 1) {

  12. thrownewIllegalArgumentException(String.valueOf(capacity));

  13. }

  14. this.capacity = capacity;

  15. this.nodeMap = newHashMap<>();

  16. //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

  17. Node headNode = newNode(null, null);

  18. Node tailNode = newNode(null, null);

  19.        headNode.next= tailNode;

  20.        tailNode.pre = headNode;

  21. this.head = headNode;

  22. this.tail = tailNode;

  23. }

  24. publicvoid put(k key, v value) {

  25. Node<k, v> node = nodeMap.get(key);

  26. if(node == null) {

  27. if(count >= capacity) {

  28. //先移除一个节点

  29.                removeNode();

  30. }

  31.            node = newNode<>(key, value);

  32. //添加节点

  33.            addNode(node);

  34. } else{

  35. //移动节点到头节点

  36.            moveNodeToHead(node);

  37. }

  38. }

  39. publicNode<k, v> get(k key) {

  40. Node<k, v> node = nodeMap.get(key);

  41. if(node != null) {

  42.            moveNodeToHead(node);

  43. }

  44. return node;

  45. }

  46. privatevoid removeNode() {

  47. Node node = tail.pre;

  48. //从链表里面移除

  49.        removeFromList(node);

  50.        nodeMap.remove(node.key);

  51.        count--;

  52. }

  53. privatevoid removeFromList(Node<k, v> node) {

  54. Node pre = node.pre;

  55. Nodenext= node.next;

  56.        pre.next= next;

  57. next.pre = pre;

  58.        node.next= null;

  59.        node.pre = null;

  60. }

  61. privatevoid addNode(Node<k, v> node) {

  62. //添加节点到头部

  63.        addToHead(node);

  64.        nodeMap.put(node.key, node);

  65.        count++;

  66. }

  67. privatevoid addToHead(Node<k, v> node) {

  68. Nodenext= head.next;

  69. next.pre = node;

  70.        node.next= next;

  71.        node.pre = head;

  72.        head.next= node;

  73. }

  74. publicvoid moveNodeToHead(Node<k, v> node) {

  75. //从链表里面移除

  76.        removeFromList(node);

  77. //添加节点到头部

  78.        addToHead(node);

  79. }

  80. classNode<k, v> {

  81.        k key;

  82.        v value;

  83. Node pre;

  84. Nodenext;

  85. publicNode(k key, v value) {

  86. this.key = key;

  87. this.value = value;

  88. }

  89. }

  90. }

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。

 

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

 

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

 

 

你可以看到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

 

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

相关文章