Redis过期策略

定期删除：Redis 默认是每隔 100ms 就随机抽取一些设置了过期时间的 key，检查其是否过期，如果过期就删除

惰性删除：获取某个 key 的时候，Redis 会检查一下 ，这个 key 如果设置了过期时间那么是否过期了？如果过期了此时就会删除，不会给你返回任何东西。

内存淘汰机制： 当Redis的内存使用达到限制时：

  • noeviction：新写入操作会报错（很少使用，因为无法预估）。
  • allkeys-lru：移除最近最少使用的 key（最常用）。
  • allkeys-random：在键空间中，随机移除某个 key。（很少使用）
  • volatile-lru：在设置了过期时间的键空间中，移除最近最少使用的 key。
  • volatile-random：在设置了过期时间的键空间中，随机移除某个 key。
  • volatile-ttl：在设置了过期时间的键空间中，有更早过期时间的 key 优先移除。

LRU算法：最近最少使用

LRU（Least Recently Used）算法是一种经典的缓存替换策略，它的核心思想是优先淘汰最近最少使用的数据，以便为新数据腾出空间。在数据缓存场景中，LRU算法能够保留热门数据，从而提高缓存的命中率。

LRU算法的原理非常直观：当缓存空间满了，系统会优先淘汰最久未被访问的数据。这个策略的背后思想是，如果某个数据在最近一段时间内没有被访问，那么它在未来也可能不会被访问。这种替换策略有助于保持缓存中的数据是热数据，即最近被频繁访问的数据。

优点：

优点描述
适用于热数据LRU算法保留了最近最常访问的数据，因此非常适用于具有明显访问热点的场景。
简单有效LRU算法的实现相对简单，不需要复杂的计算和维护。

限制：

限制描述
周期性访问LRU算法可能会因为数据的周期性访问而导致不必要的数据替换，特别是在某些特殊业务场景中。
缓存污染LRU算法容易受到突发的大量访问影响，可能导致缓存中的“热·数据被淘汰，从而影响缓存效果。

基于 LinkedHashMap 的LRU

public class LRU<K, V> extends LinkedHashMap<K, V> {
    private int capacity;

    /**
     * 传递进来最多能缓存多少数据
     *
     * @param capacity 缓存大小
     */
    public LRUCache(int capacity) {
        super(capacity, 0.75f, true);
        this.capacity = capacity;
    }

    /**
     * 如果map中的数据量大于设定的最大容量，返回true，再新加入对象时删除最老的数据
     *
     * @param eldest 最老的数据项
     * @return true则移除最老的数据
     */
    @Override
    protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
        // 当 map中的数据量大于指定的缓存个数的时候，自动移除最老的数据
        return size() > capacity;
    }
}

LFU算法：最不经常使用

LFU（Least Frequently Used）算法是一种与LRU相似的缓存替换策略，它的核心思想是优先淘汰最不经常使用的数据，以便为新数据腾出空间。在某些特定场景下，LFU算法能够更好地适应数据访问模式的变化。

优点

优点描述
适用于频繁刷新LFU算法能够优先保留频繁被刷新的数据，适合某些周期性访问的场景。
对数据热度变化敏感相比于LRU算法，LFU算法更能适应数据访问模式的变化，能够更好地反映数据的热度。

限制

限制描述
计算复杂性LFU算法需要维护数据的访问频率记录，这可能导致一定的计算复杂性，特别是在大规模数据场景下。
冷启动问题对于刚开始访问的数据，由于没有足够的访问频率信息，LFU算法可能难以做出合适的替换决策。

Random Replacement（随机替换）

随机替换是一种简单但有效的缓存策略。与LRU和LFU不同，随机替换策略不考虑数据的访问时间或频率，而是随机选择要替换的数据。尽管这听起来不太智能，但在某些场景下，随机替换策略表现出意外的优势。

随机替换的核心思想是，每次需要替换数据时，从缓存中随机选择一条数据进行替换。虽然这种策略没有考虑数据的热度或频率，但在一些特殊情况下，随机替换能够避免特定数据被频繁淘汰，从而维持一定的数据多样性。

Least Recently Used with Sampling（LRUS）

除了传统的LRU算法，还存在一种改进的版本，即LRUS（Least Recently Used with Sampling）算法。LRUS算法通过周期性的采样来记录数据的访问情况，从而更好地估计最近使用的数据，减少了LRU算法中的“冷启动·问题。

LRUS算法引入了采样机制，通过周期性地记录一部分数据的访问情况，从而更准确地判断哪些数据是热数据，哪些是冷数据。与传统的LRU算法不同，LRUS算法能够更好地适应数据访问模式的变化，提高数据缓存的命中率。

实例

商品列表页：由于商品列表页中的商品信息经常变动，可以选择LRU（最近最少使用）或者随机替换策略。这样可以保留最近的商品数据，提高页面加载速度。

商品详情页：商品详情页的数据相对稳定，适合选择LFU（最不经常使用）策略。这样可以保留频繁访问的商品详情数据，提高页面响应速度。

购物车页：购物车页的数据与用户关联紧密，可以选择LRU（最近最少使用）或者LRUS（最近最少用于采样）策略。这样可以保留最近被访问的购物车数据，提供更好的用户体验。

总结

在实际应用中，选择合适的缓存策略是至关重要的。根据不同的业务场景和数据访问模式，我们可以灵活地选择LRU、LFU、LRUS、随机替换等缓存策略。同时，还可以根据实际需要动态地调整缓存大小，以达到最佳的性能与资源利用率的平衡。

分析数据访问模式：在选择缓存策略之前，首先需要详细分析数据的访问模式。哪些数据被频繁访问？哪些数据变化较少？根据这些信息，选择适合的缓存策略。

选择合适的算法：根据业务需求，选择合适的缓存算法。LRU适用于保留最近访问的数据，LFU适用于保留最频繁访问的数据，而LRUS则更好地应对访问模式的变化。

监控与优化：缓存策略不是一成不变的，需要不断监控数据访问情况，优化缓存大小和策略。通过监控缓存的命中率和利用率，可以动态地做出调整。

灵活应用：不同的业务模块可能需要不同的缓存策略。根据实际情况，可以在系统中采用多种缓存策略，以最大程度地提升性能。

https://juejin.cn/post/7274146202496614458

Last Updated:
Contributors: 拔土豆的程序员