企业官网建设流程全解析

1. Redis过期删除与内存淘汰的本质区别

Redis作为内存数据库，面临两个核心问题：如何清理过期数据？内存不足时如何淘汰数据？这是两个完全不同的机制，但很多开发者容易混淆。

过期删除策略针对的是那些已经设置了过期时间（TTL）的键值对。Redis会在这些键过期后自动删除它们，这是Redis提供的一种主动清理机制。而内存淘汰策略是当Redis内存使用达到maxmemory限制时，按照特定算法选择一些键进行删除以释放空间。

关键区别：过期删除是"时间驱动"的，内存淘汰是"空间驱动"的。

举个例子，假设Redis中有一个键user:1001:session设置了30分钟过期时间。30分钟后，即使内存还很充足，Redis也会删除这个键——这是过期删除。而如果Redis内存快满了，可能根据LRU算法删除最近最少使用的键product:9988:cache，即使它的过期时间还没到——这就是内存淘汰。

2. Redis的过期删除策略实现细节

2.1 惰性删除（Lazy Expiration）

当客户端尝试访问一个键时，Redis会先检查该键是否已过期。如果过期就立即删除，然后返回空值。这种策略的优点是节省CPU资源，只在必要时才检查过期。

但缺点也很明显：如果大量过期键长期不被访问，它们会一直占用内存。我曾经在生产环境遇到一个案例：某电商系统每天生成数百万临时促销键，设置24小时过期。由于促销结束后无人访问这些键，导致Redis内存持续增长，直到触发内存淘汰。

2.2 定期删除（Active Expiration）

Redis会每隔一段时间（默认100ms）随机抽取一定数量的键（默认20个）检查过期情况。通过调整hz参数可以改变检查频率，但过高会影响性能。

定期删除采用自适应算法：如果发现过期键比例超过25%，会立即进行下一轮检查。这种策略是对惰性删除的补充，但仍然无法保证完全及时清理。

实战建议：对于过期键密集的场景，可以适当调高hz值（如20），但需要监控CPU使用率。

3. Redis内存淘汰策略详解

当内存达到maxmemory限制时，Redis提供了8种淘汰策略：

3.1 不淘汰策略

• noeviction（默认）：拒绝所有写入请求，只允许读操作。适合数据绝对不能丢失的场景。

3.2 仅淘汰过期键

• volatile-random：随机删除设置了过期时间的键
• volatile-ttl：优先删除剩余生存时间(TTL)最短的键
• volatile-lru：删除最近最少使用的过期键
• volatile-lfu：删除访问频率最低的过期键

3.3 淘汰所有键

• allkeys-random：随机删除任意键
• allkeys-lru：删除最近最少使用的键
• allkeys-lfu：删除访问频率最低的键

4. LRU与LFU算法的实现原理

4.1 LRU（最近最少使用）算法

Redis采用近似LRU算法，通过采样而非全量扫描来平衡性能与精度。关键参数maxmemory-samples（默认5）控制采样数量。

算法过程：

1. 维护一个淘汰候选池（大小16）
2. 每次需要淘汰时，随机选取maxmemory-samples个键
3. 将其中最久未访问的键放入候选池
4. 从候选池中淘汰真正的LRU键

# 简化的LRU实现 class LRUCache: def __init__(self, capacity): self.capacity = capacity self.cache = OrderedDict() def get(self, key): if key not in self.cache: return -1 self.cache.move_to_end(key) return self.cache[key] def put(self, key, value): if key in self.cache: self.cache.move_to_end(key) self.cache[key] = value if len(self.cache) > self.capacity: self.cache.popitem(last=False)

4.2 LFU（最不经常使用）算法

Redis 4.0引入LFU算法，考虑访问频率而非最近访问时间。每个键维护一个计数器：

• 每次访问时计数器递增
• 计数器会随时间衰减

LFU更适合热点数据明显的场景，比如新闻热点排行榜。配置示例：

maxmemory-policy allkeys-lfu lfu-log-factor 10 lfu-decay-time 1

5. 生产环境配置建议

5.1 策略选择指南

• 数据重要性高且可预测访问模式：volatile-lru
• 需要保留最新数据：allkeys-lru
• 存在明显热点数据：allkeys-lfu
• 数据完全不可丢失：noeviction+扩容

5.2 关键参数调优

# 内存限制（根据机器内存的70-80%设置） maxmemory 16gb # 采样数量（提高精度但增加CPU开销） maxmemory-samples 10 # LFU衰减系数（值越大衰减越慢） lfu-log-factor 10 # 主动删除频率（默认10，范围1-500） hz 20

5.3 监控指标

• used_memory：当前内存使用量
• evicted_keys：累计淘汰键数
• expired_keys：累计过期键数
• keyspace_hits/misses：缓存命中率

6. 常见问题排查案例

6.1 内存突然增长

现象：Redis内存使用率突然飙升 排查步骤：

1. 检查info memory中的used_memory变化
2. 分析slowlog是否有大键写入
3. 使用redis-cli --bigkeys查找大键
4. 确认是否大量键设置了较长TTL

6.2 频繁淘汰导致性能下降

现象：QPS下降，evicted_keys快速增长 解决方案：

1. 调整淘汰策略为allkeys-lru
2. 增加maxmemory-samples提高淘汰精度
3. 考虑水平分片或升级硬件

6.3 缓存穿透问题

现象：大量请求直接打到数据库 解决方案：

1. 对不存在的键也缓存空值（设置较短TTL）
2. 使用布隆过滤器预判键是否存在
3. 实现客户端本地缓存

在电商大促期间，我们曾通过组合使用allkeys-lfu策略和本地缓存，将缓存命中率从75%提升到98%，数据库负载降低80%。关键是在压测阶段就模拟真实流量模式，验证不同策略的效果。