Redis缓存失效策略思考

1 删除过期数据

我们设置Redis元素时可以指定过期时间，那么Redis如何删除这些超时元素？Redis采用了两种策略：定期删除和惰性删除。

(1) 定期删除

Redis每隔一段时间就检查哪些KEY已经过期，如果过期就删除。但是我们来设想一个问题：如果Redis存储KEY非常多，仅仅超时检查这项工作就会非常耗费资源并严重影响服务能力。为了解决这个问题Redis并不是检查全量KEY而只是检查部分，同时引入了惰性删除策略。

(2) 惰性删除

假设当KEY1已经过期，但是由于没有被检查到而未被删除。那么当程序访问KEY1时，Redis会检查KEY1是否过期，如果过期则删除并不返回该值，这就是惰性删除策略。结合定期删除和惰性删除两种策略，就可以保证过期数据可以被删除。

2 内存淘汰

当内存不足时Redis会选择一些缓存元素进行删除，那么哪些元素会被删除？常见内存淘汰策略如下：

no-enviction
禁止驱逐数据，新写入操作会报错


volatile-lru
从已设置过期时间的数据集选择最近最少使用的数据淘汰


volatile-ttl
从已设置过期时间的数据集选择将要过期的数据淘汰


volatile-random
从已设置过期时间的数据集选择任意的数据淘汰


allkeys-lru
从数据集选择最近最少使用的数据淘汰


allkeys-random
从数据集选择任意的数据淘汰

LRU（Least Recently Used）最近最少使用是比较常用的策略，我们使用JAVA代码实现一个简单LRU策略，代码原理并不复杂：使用一个链表存储元素，表头存储最近访问的元素，这样存储的结果是表尾存储最早访问的元素，表头存储最近访问的元素，当超出链表容量时删除表尾元素即可。

/**
 * 元素对象
 *
 * @author 微信公众号「IT徐胖子」
 *
 */
public class CacheElement {
  private String key;
  private Object value;


  public CacheElement(String key, Object value) {
    this.key = key;
    this.value = value;
  }


  public String getKey() {
    return key;
  }


  public Object getValue() {
    return value;
  }


  @Override
  public String toString() {
    return "Element [key=" + key + ", value=" + value + "]";
  }
}


/**
 * LRU缓存策略
 *
 * @author 微信公众号「IT徐胖子」
 *
 */
public class LRUCache {
  private int capacity;
  private LinkedList<CacheElement> cache;


  public LRUCache(int capacity) {
    this.capacity = capacity;
    this.cache = new LinkedList<>();
  }


  /**
   * 获取缓存元素
   *
   * 找到元素后将元素从原位置删除并插入到链表头部（最近）
   */
  public CacheElement get(String key) {
    Iterator<CacheElement> iterator = cache.iterator();
    while (iterator.hasNext()) {
      CacheElement element = iterator.next();
      if (element.getKey().equals(key)) {
        iterator.remove();
        System.out.println("获取到元素=" + element);
        put(element.getKey(), element.getValue());
        return element;
      }
    }
    return null;
  }


  /**
   * 存储缓存元素
   *
   * 新元素插入到链表头部（最近）
   */
  public boolean put(String key, Object value) {
    Iterator<CacheElement> iterator = cache.iterator();
    while (iterator.hasNext()) {
      CacheElement element = iterator.next();
      if (element.getKey().equals(key)) {
        iterator.remove();
        break;
      }
    }
    if (capacity == cache.size()) {
      CacheElement deleteElement = cache.removeLast();
      System.out.println("容量已满删除尾部元素=" + deleteElement);
    }
    CacheElement element = new CacheElement(key, value);
    cache.addFirst(element);
    System.out.println("插入头部元素=" + element);
    return Boolean.TRUE;
  }


  @Override
  public String toString() {
    return "LRUCache [capacity=" + capacity + ", cache=" + cache + "]";
  }
}


/**
 * LRU测试实例
 *
 * @author 微信公众号「IT徐胖子」
 *
 */
public class TestCache {
  public static void main(String[] args) {
    System.out.println("==================存储缓存元素==================");
    LRUCache cache = new LRUCache(2);
    CacheElement element0 = new CacheElement("k0", "v0");
    CacheElement element1 = new CacheElement("k1", "v1");
    CacheElement element2 = new CacheElement("k2", "v2");
    cache.put(element0.getKey(), element0.getValue());
    cache.put(element1.getKey(), element1.getValue());
    cache.put(element2.getKey(), element2.getValue());


    System.out.println("==================获取缓存元素==================");
    System.out.println("获取元素之前缓存对象=" + cache);
    cache.get("k1");
    System.out.println("获取元素之后缓存对象=" + cache);
  }
}


==================存储缓存元素==================
插入头部元素=Element [key=k0, value=v0]
插入头部元素=Element [key=k1, value=v1]
容量已满删除尾部元素=Element [key=k0, value=v0]
插入头部元素=Element [key=k2, value=v2]


==================获取缓存元素==================
获取元素之前缓存对象=LRUCache [capacity=2, cache=[Element [key=k2, value=v2], Element [key=k1, value=v1]]]
获取到元素=Element [key=k1, value=v1]
插入头部元素=Element [key=k1, value=v1]
获取元素之后缓存对象=LRUCache [capacity=2, cache=[Element [key=k1, value=v1], Element [key=k2, value=v2]]]

3 文章总结

本文分析了Redis缓存失效策略：删除过期数据和内存淘汰，并且使用JAVA代码模拟了LRU策略实现。

这里我们可以做一个展开：Redis分布式锁是否可靠。因为Redis存在内存淘汰机制，那么作为分布式锁的KEY概率上会被淘汰，从而导致分布式锁失效。所以仅仅有分布式锁是不够的，我们还需要其它方法，例如设置数据库层唯一索引，防止重复数据产生。

特别推荐一个分享架构+算法的优质内容，还没关注的小伙伴，可以长按关注一下：

长按订阅更多精彩▼

如有收获，点个在看，诚挚感谢