我的生态
🧭
Java 面试指南覆盖面试高频考点，助你从容应对技术面试

    缓存淘汰策略

    面试官问："Redis 内存满了怎么办？"

    小张说："淘汰数据。"

    面试官追问："有哪些淘汰策略？LRU 和 LFU 有什么区别？"

    小张说："LRU 是...最近最少使用？"

    面试官继续追问："那 LFU 呢？"

    小陈答不上来。

    Redis 内存管理是面试中的高频问题。这道题能说清楚 8 种淘汰策略和 LRU vs LFU 区别的候选人，对 Redis 的内存管理机制有深入理解。

    一、Redis 内存限制 🔴

    1.1 maxmemory 配置

    # 设置 Redis 最大内存
# redis.conf
maxmemory 2gb

# 查看内存使用
INFO memory
# used_memory_human: 1.5G
# maxmemory_human: 2G
# used_memory_peak_human: 1.8G

    1.2 内存满了的行为

    当 Redis 内存达到 maxmemory 时：
1. 如果有客户端执行写命令
2. Redis 根据淘汰策略淘汰一些 key
3. 如果淘汰后仍不够，才会返回错误（OOM）

    二、8 种淘汰策略 🔴

    2.1 策略总览

    策略说明适用场景
    noeviction不淘汰，返回错误纯缓存
    allkeys-lru所有 key，用 LRU 淘汰热点数据缓存
    allkeys-lfu所有 key，用 LFU 淘汰热点数据缓存
    allkeys-random所有 key，随机淘汰无明显热点
    volatile-lru有过期时间的 key，用 LRU 淘汰有过期时间的数据
    volatile-lfu有过期时间的 key，用 LFU 淘汰有过期时间的数据
    volatile-random有过期时间的 key，随机淘汰-
    volatile-ttl有过期时间的 key，淘汰 TTL 最短的TTL 敏感

    2.2 LRU vs LFU vs Random

    LRU（Least Recently Used）：
- 淘汰最久未访问的 key
- 适用于：大部分 key 是热点，偶尔有新 key 被访问

LFU（Least Frequently Used）：
- 淘汰访问频率最低的 key
- 适用于：访问频率长期稳定的数据

TTL：
- 淘汰剩余 TTL 最短的 key
- 适用于：有明确过期时间的数据

Random：
- 随机淘汰
- 适用于：无明显热点，且需要保持数据多样性

    2.3 ❌ 错误示范

    候选人原话："LRU 就是淘汰最近使用过的 key。"

    问题诊断：LRU 是淘汰最近最少使用的 key（最久未访问的），不是"最近使用过的"。

    候选人原话 2："allkeys-lru 和 volatile-lru 一样，都是 LRU。"

    问题诊断：两者都用 LRU 算法，但作用范围不同。allkeys 是所有 key，volatile 是只有过期时间的 key。

    【面试官心理】 这道题我会从 LRU 和 LFU 的区别追问。能说清楚"LRU 只看时间，LFU 考虑频率"的候选人，说明他理解了两种算法的本质区别。

    三、LRU 算法实现 🟡

    3.1 Redis 的 LRU 实现

    // Redis 使用近似 LRU（不是精确 LRU）
// 精确 LRU 需要维护有序链表，每次访问/插入 O(n)
// Redis 的 LRU：采样 N 个 key，选择最久未使用的

// 配置：
maxmemory-samples 5  // 每次采样 5 个 key（默认 5）
// 值越大越精确，但消耗更多 CPU

    3.2 LRU vs 近似 LRU

    -- 精确 LRU：
-- Object [key] [访问时间] [指向下一个Object的指针]
-- 链表头 = 最久未使用，链表尾 = 最近使用
-- 访问 key 时，移动到链表尾部
-- 淘汰时，从链表头部删除

-- 近似 LRU（Redis）：
-- 每个 key 记录最后一次访问时间（lru 字段）
-- 淘汰时，随机采样 N 个 key，选择 lru 最老的淘汰
-- 优点：O(1) 操作，不需要维护链表
-- 缺点：不精确，但效果接近精确 LRU

    四、LFU 算法实现 🟡

    4.1 LFU 的计数器衰减

    // LFU 配置：
lfu-log-factor 10   // 频率计数器的对数因子（越大，计数器增长越慢）
lfu-decay-time 1    // 计数器衰减时间（分钟）

// LFU 计数器衰减：
// 如果一个 key 长时间不访问，LFU 计数器会衰减
// 衰减速率由 lfu-decay-time 控制
// 比如 lfu-decay-time=1，表示每 1 分钟，计数器减半

    4.2 LRU vs LFU 场景对比

    -- 场景 1：热点 key 偶尔被新 key 打断
-- 数据：key1 访问 10000 次（但上次访问是 10 分钟前）
--       key2 访问 5 次（但刚刚被访问）
-- LRU：淘汰 key1（最久未访问）
-- LFU：淘汰 key2（访问频率最低）

-- 场景 2：热点 key 持续访问
-- 数据：key1 访问 10000 次（持续访问）
--       key2 访问 5 次（刚访问）
-- LRU：取决于时间
-- LFU：淘汰 key2
-- 结论：LFU 更适合长期热点的场景

    五、生产选型 🟡

    5.1 策略选择

    # 推荐配置
maxmemory 2gb
maxmemory-policy allkeys-lru  # 大多数场景
# maxmemory-policy allkeys-lfu  # 长期热点数据
# maxmemory-policy volatile-lru  # 有 TTL 的数据

    5.2 监控内存

    -- INFO memory
# maxmemory: 2147483648  (2GB)
# used_memory: 1610612736  (1.5GB)
# used_memory_rss: 1711276032  (物理内存占用)
# mem_fragmentation_ratio: 1.06  (内存碎片率)
# evicted_keys: 0  (被淘汰的 key 数量)

-- evicted_keys 增长说明：
-- 如果 evicted_keys 持续增长，考虑：
-- 1. 增加 maxmemory
-- 2. 降低 TTL
-- 3. 优化 key 大小

    【面试官心理】 淘汰策略是 Redis 内存管理的核心。能说清楚 LRU 和 LFU 的适用场景、以及近似 LRU 实现原理的候选人，说明他对 Redis 的内部机制有深入理解。

    级别考察重点期望回答
    P5策略名称8 种策略名称、LRU 基本概念
    P6原理理解LRU vs LFU 区别、近似 LRU
    P7生产应用策略选择、监控调优