# Redis实战：缓存淘汰策略
# Redis内存满了该怎么办？
Redis是一个内存数据库，当Redis使用的内存超过物理内存的限制后，内存数据会和磁盘产生频繁的交换，交换会导致Redis性能急剧下降。所以在生产环境中我们通过配置参数maxmemoey来限制使用的内存大小。
在redis.conf中和缓存淘汰策略相关的有如下2个配置
maxmemory: 设置Redis server可以使用的最大内存容量，一旦超过最大容量，会按照maxmemory-policy配置的策略进行内存淘汰操作
maxmemory-policy: 设置内存淘汰策略，主要有近似lru，近似lfu，ttl和随机淘汰这几种策略
当实际使用的内存超过maxmemoey后，Redis提供了如下几种可选策略。
noeviction：写请求返回错误
volatile-lru：使用lru算法删除设置了过期时间的键值对
volatile-lfu：使用lfu算法删除设置了过期时间的键值对
volatile-random：在设置了过期时间的键值对中随机进行删除
volatile-ttl：根据过期时间的先后进行删除，越早过期的越先被删除
allkeys-lru：在所有键值对中，使用lru算法进行删除
allkeys-lfu：在所有键值对中，使用lfu算法进行删除
allkeys-random：所有键值对中随机删除
我们来详细了解一下lru和lfu算法，这是2个常见的缓存淘汰算法。因为计算机缓存的容量是有限的，所以我们要删除那些没用的数据，而这两种算法的区别就是判定没用的纬度不一样
Redis 的 LRU 和 LFU 算法并不是严格的理论算法，而是近似算法。Redis 为了节省内存和提高性能，会随机抽取几个 key（默认 5 个），然后在这几个 key 里面对比并淘汰最差的那个
# LRU 算法 (Least Recently Used) 最近最少使用
# 核心思想
“如果一个数据最近刚被访问过，那么它接下来的被访问概率也会很高。”LRU 算法关注的是时间长短。它会淘汰那个最久没有被访问过的数据
# 工作原理
你可以把 LRU 想象成一个排队系统：
- 每当一个数据被访问（无论是新写入还是被读取），它就会被移到队伍的最前端（队头），表示它最“新鲜”。
- 如果有新数据进来，且内存满了，排在最尾端（队尾）的数据就会被无情淘汰。
# 优缺点
优点：非常符合人类的短期记忆和绝大多数业务场景（比如热点新闻、社交媒体动态，刚发出来的往往最火）。
缺点（缓存污染问题）：如果突然有人对一批平时根本没人看的“冷门数据”进行了一次性大批量扫描（比如数据库全表扫描），这些冷门数据会瞬间把热点数据挤出队列。而扫描结束后，这些冷门数据再也不会被访问，导致缓存命中率暴跌
# LFU 算法 (Least Frequently Used) 最不经常使用
# 核心思想
“如果一个数据在过去被访问的次数最多，那么它未来的被访问概率也会最高。”LFU 算法关注的是访问频次。它会淘汰那个总访问次数最少的数据。如果两个数据的访问次数一样，再看谁更久没用过
# 工作原理
LFU 给每个数据都配了一个“访问计数器”：
- 数据每被访问一次，计数器就 +1。
- 当内存满了需要淘汰数据时，LFU 会扫描所有数据，找出计数器数值最小的那个直接删掉。
# 优缺点
优点：能够完美避开 LRU 的“突发性扫描”问题。即便冷门数据被突发扫描了一次，它的计数器也只是 1，依然会优先被淘汰，不会动摇那些访问量成千上万的真正热点数据。
缺点（时效性滞后问题）：如果一个数据在过去很长一段时间内特别火（比如去年的爆款新闻），它的计数器被刷到了 10 万。现在它彻底过时了，再也没人看，但由于它的计数值太高，LFU 会长久地把它保留在内存里，霸占空间。
Redis 是如何解决 LFU 缺点的？
Redis 的 LFU 实现非常聪明。它的计数器不仅会随访问而增加，还会随着时间推移自动“衰减”（例如隔一段时间没被访问，计数器就自动减半），从而解决了旧热点数据霸占内存的问题