Redis LRU策略深度解析

一、核心工作原理

淘汰触发条件‌

当内存使用达到maxmemory阈值时自动激活
优先淘汰‌最久未被访问‌的键值数据

访问标记机制‌

每次读写操作更新键的访问时间戳（8字节空间开销）
通过双向链表维护访问顺序（新访问的键移动到链表头部）
二、实现策略类型

策略类型	作用范围	典型场景
allkeys-lru	所有键空间	全量缓存系统
volatile-lru	仅设置过期时间的键	混合存储场景

三、底层实现优化

近似LRU算法‌

随机采样5个键进行淘汰（默认采样数可调）

# 调整采样池大小（需重启生效）
maxmemory-samples 10

内存压缩机制‌

对长字符串类型自动进行碎片整理
淘汰操作与内存整理协同工作
四、优劣势对比

✅ ‌优势‌

时间局部性表现优异（适合突发流量场景）
实现复杂度低于LFU（无频率计算开销）

❌ ‌劣势‌

无法识别周期性冷数据（如每月报表数据）
链表维护带来额外内存消耗（约5%内存开销）
五、典型应用场景

商品详情页缓存‌

80%访问集中在20%热销商品
配置示例：

maxmemory 16gb
maxmemory-policy allkeys-lru

用户会话数据存储‌

30分钟内未活跃会话自动淘汰
配置示例：

expire session:user123 1800  # 半小时过期
maxmemory-policy volatile-lru

六、监控与调优

关键指标监控‌

# 查看淘汰统计
redis-cli info stats | grep evicted_keys
# 输出示例：evicted_keys_lru:1532

参数调优建议‌

高并发场景增大采样池：maxmemory-samples 20
混合使用TTL策略降低误淘汰率

配置黄金法则‌：

全内存缓存系统优先采用allkeys-lru
含持久化数据时选用volatile-lru
突发流量场景配合本地缓存使用