前言
Redis 缓存使用内存来保存数据，避免业务应用直接从数据库读取数据，可以提升应用的访问速度。但是，我们又没有办法做到把所有的数据都放入缓存，因为这样做的性价比不高，而且缓存也存不下数据库中的所有数据。
例如，Mysql 中有 1TB 的数据，如果使用 Redis 把这些数据都缓存起来，虽然应用都能在内存中访问数据了，但是这样配置并不合理，因为性价比低。一方面内存的价格比磁盘的价格贵很多。另一方面，数据访问都是有局部性的，也就是“二八原理”，80% 的请求实际只访问了 20% 的数据。所以，用 1TB 的内存做缓存，并没有必要。
所以，缓存的容量必然小于数据库的总量。有限的缓存空间也不可避免的会被写满。此时就要涉及到缓存系统的一个重要机制了，即缓存数据的淘汰机制。淘汰机制分为两步：
- 根据一定的策略，选出对应用访问来说“不重要”的数据；
- 将这些数据从缓存中删除，为新来的数据腾出空间；
缓存满了之后的数据淘汰机制，也叫作缓存替换机制。了解缓存淘汰机制和相应的策略，才可以选择合理的 Redis 配置，提高缓存命中率，提升应用的访问性能。
在学习淘汰策略之前，我们首先要知道设置缓存容量的依据和方法。毕竟，在实际使用缓存时，我们需要决定用多大的空间来缓存数据。
1.设置多大的缓存合适
缓存容量设置的是否合理，会直接影响到使用缓存的性价比。我们通常希望以最小的代价去获得最大的收益，所以，把昂贵的内存资源用在关键的地方就非常重要了。
实际应用中的数据访问是有局部性的。如果按照“二八原理”来设置缓存空间容量，也就是把缓存空间容量设置为总数据量的 20% ，就有可能拦截到 80% 的访问。
为什么说是“有可能”呢？这是因为，“八二原理”是对大量实际应用的数据访问情况做了统计后，得出的一个统计学意义上的数据量和访问量的比例。具体到一个应用来说，数据访问的规律会和具体的业务场景有关。对于最常被访问的 20% 的数据来说，它们贡献的访问量，既有可能超过 80%，也有可能达不到 80%。
在商品促销时，热门商品的信息可能只占到总商品数量的 5%，而这些商品信息承载可能超过 90% 的访问请求。这时，我们只要缓存这 5% 的数据，就能获得很好的性能收益。
另一方面，如果业务应用要对所有商品信息进行查询统计，这时候，即使按照“八二原理”缓存了 20% 的商品数据，也不能获得很好的访问性能，因为 80% 的数据仍然需要从后端数据库中获取。
正式因为 20% 的数据不一定能贡献 80% 的访问量，我们不能简单地按照“总数据量的 20%”来设置缓存最大空间容量。在实践过程中，我看到过的缓存容量占总数量的比例，从 5% 到 40% 的都有。这个容量规划不能一概而论，需要结合应用数据实际访问特征和成本开销来综合考虑的。
系统的设计选择是一个权衡的过程：大容量缓存是能带来性能加速的收益，但是成本也会更高，而小容量缓存不一定就起不到加速访问的效果。一般来说，我会建议把缓存容量设置为总数据量的 15% 到 30%，兼顾访问性能和内存空间开销。
对于 Redis 来说，一旦确定了缓存最大容量，比如 4GB，你可以使用下面这个命令来设定缓存的大小了：
127.0.0.1:6379> config set maxmemory 4gb
OK
不过，缓存被写满是不可避免的。即使你精挑细选，确定了缓存容量，还是要面对缓存写满时的替换操作。缓存替换需要解决两个问题：决定淘汰哪些数据，如何处理哪些被淘汰的数据。
2.Redis 缓存的淘汰策略
Redis 4.0 之前一共实现了 6 种内存淘汰策略，在 4.0 之后，又增加了 2 种策略。我们可以按照是否会进行数据淘汰把他们分成两类：
- 不进行数据淘汰策略，只有
noeviction这一种。 - 会进行淘汰的 7 种其他策略。
会进行淘汰的 7 种策略，我们可以再进一步根据淘汰候选数据集的范围，把它们分成两类：
- 在设置了过期时间的数据中进行淘汰，包括
volatile-random、volatile-ttl、volatile-lru、volatile-lfu（Redis 4.0 后新增） - 在所有数据范围内进行淘汰，包括
allkeys-random、allkeys-lru、allkeys-lfu（Redis 4.0 后新增）
默认情况下，Redis 在使用的内存空间超过 maxmemory 值时，并不会淘汰数据，也就是设定的设定的 noeviction 策略。也就是指，一旦缓存被写满了，再有些请求来是，Redis 不在提供服务，而是直接返回错误。
再来分析下 volatile-random、volatile-ttl、volatilr-lru、volatile-lfu 这四种淘汰策略。它们只会淘汰 已经设置了过期时间的键值对 上。即使缓存没有写满，这些数据过期了，也会被删除。
例如，使用 EXPIRE 命令对一批键值对设置了过期时间后，无论这些键值对过期时间是快到了，还是 Redis 的内存使用量达到了 maxmemory 阈值，Redis 都会按照 volatile-random、volatile-ttl、volatilr-lru、volatile-lfu 这四种淘汰策略进行淘汰。
volatile-random在设置了过期时间的键值对中，进行随机删除。volatile-ttl针对设置了过期时间的键值对，根据时间先后顺序进行删除，越早过期的越先被淘汰。volatile-lru会使用LRU算法筛选设置了过期时间的键值对。volatile-lfu会使用LFU算法筛选设置了过期时间的键值对。
volatile-random、volatile-ttl的淘汰规则比较简单，而volatilr-lru涉及了LRU算法，会在稍后的allkeys-lru进行解释。volatilr-lfu使用了LFU算法，我们会在后续的 Redis 缓存污染章节进行解释。现在，你只要知道，LFU算法是在LRU算法的基础上，同时考虑了数据的访问时效和数据的访问次数，可以看作是对淘汰策略的优化。
allkeys-random、 allkeys-lru、allkeys-lfu 是在所有键值对中进行淘汰，无论这些键值对是否设置了过期时间。
allkeys-random，从所有键值对中随机选择并删除数据allkeys-lru，使用LRU算法在所有键值对中进行筛选allkeys-lfu，使用LFU算法在所有键值对中进行筛选
接下来，一起看看 volatile-lru 和 allkeys-lru 策略都用到的 LRU 算法。
LRU 算法的全称是 Least Recently Used，即按照最近最少使用的原则来淘汰数据。把最不常用的数据筛选出来，而最近频繁使用的数据则会留在缓存中。
LRU 是如何筛选数据的呢？
LRU 会把所有的数据组织成一个链表，链表的头和尾分别表示 MRU 端和 LRU 端，分别代表最近常使用的数据和最近不常用的数据。我们看一个例子：
我们现在有数据 【6、3、9、20、5】。如果 20 和 3 被先后访问，它们都会从现有的链表位置移到 MRU端，而在它之前的数据则相应地往后移动一位。因为，LRU 算法选择删除数据时，都是从 LRU 端开始，所以把刚刚访问过的数据移到 MRU 端，就可以让它们尽可能地留在缓存中。
如果一个新数据 15 要被写入缓存，但此时已经没有缓存空间了，也就是链表没有空余位置了，那么 LRU 算法做两件事：
- 数据 15 是被刚被访问的，所以它会被放到
MRU 端。 - 算法把
LRU 端的数据 5 从缓存中删除
其实，LRU 算法背后的原理很朴实：它仍为刚刚被访问的数据，肯定还会被再次访问，所以把它放到 MRU 端；长久不访问的数据，肯定不会再被访问，所以就让它逐渐后移到 LRU 端，在缓存满时，就先删除它。
不过，
LRU算法在实际实现时，需要用链表管理所有的缓存数据，这会带来额外的空间开销。而且，当有数据被访问时，需要在链表上把数据移动到MRU 端，如果有大量的数据被访问，就会带来很多链表移动操作，会耗时，进而降低 Redis 缓存性能。
在 Redis 中，LRU 算法被做了简化，以减轻数据淘汰对缓存性能的影响。具体来说，Redis 默认会记录每个数据最近一次访问的时间戳（由键值对数据结构 RedisObject 中的 lru 字段记录）。然后，Redis 在决定淘汰数据时，第一次会随机选出 N 个数据，把它们作为一个候选集合。接下来，Redis 会比较这 N 个数据的 lru 字段，把 lru 字段值最小的数据从缓存中淘汰出去。
Redis 提供了一个配置参数 maxmemory-samples，这个参数就是 Redis 选出的数据个数 N。例如，执行下面命令，可以让 Redis 选出 100 个数据作为候选数据集：
CONFIG SET maxmemory-samples 100
当需要再次淘汰数据时，Redis 需要挑选数据进入第一次淘汰时创建的候选集合。挑选标准是：能进入候选集的数据的 lru 字段值必须小于候选集合中最小的 lru 值。当有新数据进入候选数据集后，如果候选数据集中的数据个数达到了 maxmemory-samples，Redis 就把候选数据集中 lru 字段值最小的数据淘汰出去。
这样一来，Redis 缓存不用为所有数据维护一个大表，也不用在每次数据访问时都移动链表项，提升了缓存的性能。
这里总结了三个淘汰策略的使用建议：
- 优先使用 allkeys-lru 策略。这样充分利用 LRU 这一经典算法的优势，把最近最常访问的数据留在缓存中，提升应用的访问性能。如果你的业务数据中有明显的冷热数据区分，我建议你使用
allkeys-lru策略。 - 如果业务应用中的数据访问频率相差不大，没有明显的冷热数据区分，建议使用
allkeys-random策略，随机选择淘汰的数据就行。 - 如果你的业务中有置顶的需求，比如说置顶新文、置顶视频，那么，可以使用
volatile-lru策略，同时不给这些置顶数据设置过期时间。这样一来，这些需要置顶的数据一致不会被删除，而其他的数据会在过期时根据 LRU 规则进行筛选。
3.如何处理被淘汰的数据
一般来说，一旦被淘汰的数据选定后，如果这个数据是干净数据，那么我们就直接删除；如果是脏数据，我们需要把它写回数据库，如下所示：
干净数据和脏数据的区别在于，和最初后后端数据库例读取时的值相比，有没有被修改过。干净数据是没有被修改过，所以后端数据库的数据也是最新的。在替换时，它可以被直接删除。
而脏数据就是被修改过的，已经和数据库中的数据不一致了。此时，如果不把脏数据写回到数据中，这个数据的最新值就丢失了，就会影响应于的正常使用。
这么一来，缓存替换既腾出了缓存空间，用来缓存新的数据，同时，将脏数据写回数据库，也保证了最新数据不会丢失。
不过，对于 Redis 来说，它决定了被淘汰的数据后，会把它们删除。即使淘汰的数据是脏数据，Redis 也不会把它们写回数据库。所以，我们在使用 Redis 缓存时，如果数据被修改了，需要在数据修改时就将它写回数据库。否则，这个脏数据被淘汰时，会被 Redis 删除，而数据库里也没有最新的数据了。
