Redis内存接近上限时该选哪种淘汰策略?如何结合命中率与键空间判断
Redis 内存接近上限时,不能只看 used_memory 或全局命中率就决定淘汰策略。先确认哪些键允许被删除,再把淘汰数量、命中率、响应时间、错误率和系统内存放进同一观察窗口:纯缓存通常优先比较 allkeys-lru 与 allkeys-lfu;只有带过期时间的键可安全淘汰时,才考虑 volatile-*;数据不能因内存压力被删除,则应使用 noeviction 并处理写入失败,而不是用淘汰策略掩盖容量不足。
先建立可比较的观察窗口
淘汰策略的效果取决于访问模式。一次流量高峰、缓存预热、批量写入或应用发布,都可能改变命中率和延迟。判断前应选一个能覆盖业务周期的窗口,例如平稳时段连续观察 15~30 分钟;流量有明显峰谷时,则至少覆盖一个完整峰谷周期。记录采样间隔,并与同一时段的请求量、业务版本和流量变化对照。
可从 Redis 的 INFO 以及系统监控中采集以下指标:
| 指标 | 观察重点 | 能说明什么 |
|---|---|---|
used_memory、maxmemory | 是否持续接近配置上限,是否呈锯齿增长 | Redis 内存压力及写入与淘汰是否平衡 |
used_memory_rss、主机或容器内存 | RSS 与 Redis 统计值的差距,是否逼近系统限制 | 是否存在碎片、其他进程占用或容器 OOM 风险 |
evicted_keys | 窗口内增量,而非只看累计值 | Redis 是否正在淘汰键,以及淘汰速度 |
keyspace_hits、keyspace_misses | 窗口内增量及命中率变化 | 缓存读取效果;需结合业务请求判断 |
| 响应时间、错误率 | P95/P99 延迟、超时、写入错误 | 淘汰是否影响实际服务表现 |
| CPU、磁盘 I/O、网络、队列 | 与淘汰及延迟是否同步变化 | 是否存在其他瓶颈或流量突增 |
命中率可用窗口内的增量计算:
命中率 = Δkeyspace_hits ÷(Δkeyspace_hits + Δkeyspace_misses)
例如 10 分钟内命中 90 万次、未命中 10 万次,命中率为 90%。这个数值只描述 Redis 统计到的键查找结果,不一定等同于业务缓存命中率:应用主动查询不存在的键、不同业务使用不同缓存键,都会影响结果。应同时观察请求量、缓存读取路径和未命中后的数据库负载。
可以用只读命令查看基础状态:
redis-cli INFO memory
redis-cli INFO stats
redis-cli INFO keyspace
redis-cli CONFIG GET maxmemory
redis-cli CONFIG GET maxmemory-policy
字段及可用命令可能随 Redis 版本和托管环境而异。线上查看前应使用有权限的管理方式,避免在命令行、工单或日志中暴露认证信息。
先判断内存压力是否真的在加重
单次 used_memory 接近 maxmemory,不足以说明策略不合适。要看它是稳定在上限附近,还是持续增长并伴随 evicted_keys 增加、请求延迟恶化。
- 内存接近上限,但淘汰很少,延迟和错误率稳定:可能只是缓存占用达到稳定平台,继续观察增长趋势;不要仅为降低数字而频繁切换策略。
- 淘汰持续增加,命中率下降,回源请求或后端负载上升:淘汰正在移除仍有价值的数据,或缓存容量不足。需要判断被淘汰键是否仍会被频繁访问,再决定策略或扩容。
- RSS 接近主机或容器限制,但
used_memory尚未触及maxmemory:风险可能来自内存碎片、客户端缓冲区、复制或持久化相关开销,以及同机其他进程。Redis 的内存统计口径与操作系统实际占用不完全相同;仅调整淘汰策略,未必能避免系统 OOM。 used_memory很快上升,但请求量、命中率和淘汰量没有相应变化:检查是否有键值体积增加、短时间批量写入、键过期模式改变或其他内存使用变化。淘汰策略不是内存增长异常的诊断结论。
例如,一段模拟数据可以这样解读:某 15 分钟窗口里,Redis 内存从上限的 92% 升至 99%,evicted_keys 持续增加;同时命中率从 96% 降到 84%,P99 延迟上升,回源请求也增加。多个信号同向变化,比“内存达到 99%”更能支持淘汰影响业务的判断。若同期 CPU 使用率也因请求量增长而升高,则还要排除流量变化带来的延迟,而不能把所有变化都归因于策略。

用键空间与数据用途筛选策略
Redis 的淘汰策略可以分成两类:allkeys-<em> 从整个键空间选择淘汰对象;volatile-</em> 只在设置了过期时间的键中选择。后缀表示选择方式:LRU 偏向淘汰较久未访问的键,LFU 偏向淘汰访问频率较低的键,random 则随机选择。LRU、LFU 都是近似算法,不应把它们理解为精确的访问历史排序。
| 策略 | 候选键范围 | 较适合的情况 | 主要风险或限制 |
|---|---|---|---|
allkeys-lru | 所有键 | 大多数键都可淘汰,访问热度近期变化较明显 | 偶尔需要的键若近期未访问,也可能被淘汰 |
allkeys-lfu | 所有键 | 热点长期稳定,希望保留经常访问的键 | 热点快速变化时,历史频率可能滞后 |
allkeys-random | 所有键 | 对访问热度不敏感,或希望采用简单随机选择 | 可能随机淘汰热点键,命中率波动较大 |
volatile-lru、volatile-lfu、volatile-random | 仅设置了过期时间的键 | 无过期时间的键必须保留,且带 TTL 的键允许淘汰 | 候选键不足时可能无法释放足够内存,写入可能失败 |
volatile-ttl | 仅设置了过期时间的键,倾向选择剩余 TTL 较短者 | 业务明确希望优先清理更快到期的数据 | TTL 短不代表业务价值低,可能删掉仍在使用的键 |
noeviction | 不淘汰键 | 任何键都不能因内存压力被自动删除 | 达到限制后,可能导致需要增加内存的写入命令失败 |
选择时先回答两个问题:

- 键能不能被自动删除? 如果 Redis 保存的是不可丢失的业务状态、锁、关键队列数据,不能只凭“它有过期时间”就判断可淘汰。TTL 表示预定过期时间,不等于业务已授权 Redis 提前删除。
- 哪些键有 TTL,覆盖范围是否足够?
volatile-<em>只在带过期时间的键中挑选。如果符合条件的键很少,或者它们很快被淘汰完,策略可能无法缓解内存压力。没有合适候选键时,不应期待volatile-</em>像allkeys-*一样覆盖全库。
Redis 的 INFO keyspace 可以帮助核对各数据库的键数和带过期时间的键数,但它不能说明每类键的业务价值。对键空间的判断还应抽样检查键的用途、TTL 分布、创建来源和访问频率。不要为盘点而在高峰期对大型键空间执行可能造成明显开销的全量扫描。
面向 Redis 缓存、数据库及接口服务等场景,A5idc数据提供香港、美国、日本、韩国、中国台湾、新加坡和马来西亚等地区的物理服务器资源,覆盖 AMD EPYC、Xeon Gold 等平台,并提供大内存、SSD 或 NVMe 存储及不同带宽线路配置。多地区部署与硬件组合可为不同访问范围、数据规模和业务负载下的键空间管理、缓存运行及回源服务提供资源基础。
再把命中率和性能变化连起来
命中率不能独立决定 LRU 或 LFU。应看策略变更前后、同类流量下的指标组合:
- 命中率下降,
evicted_keys增加,回源流量与数据库延迟上升:淘汰可能移除了有用的缓存项。若热点访问变化较快,可评估allkeys-lru;若热点长期稳定,可在测试后比较allkeys-lfu。若业务不允许删某些键,应先改变数据隔离或缓存设计,不能只靠算法补救。 - 命中率基本不变,淘汰增加,延迟和错误率稳定:被淘汰的可能是低价值或很少复用的数据。当前策略未必需要调整,但需确认回源服务仍有容量承接未命中。
- 命中率下降,但淘汰没有明显增加:优先检查请求键分布是否变化、应用是否部署新版本、缓存预热是否尚未完成,或是否出现大量不存在键的查询。此时直接更换淘汰算法可能无效。
- CPU 和 P99 延迟上升,同时请求量、网络流量或回源排队也上升:先判断流量与下游负载。淘汰策略可能参与了问题,但不是唯一解释。
- Redis 内存接近上限,写入错误增加,
noeviction已启用:这是策略的预期行为之一,不能靠调低命中率要求解决。需要降低写入占用、增加可用内存,或明确哪些数据可以淘汰后再选择策略。
还应区分“淘汰”和“过期”:键到达 TTL 后自然失效,不等同于内存压力触发的淘汰。观察 expired_keys 与 evicted_keys 的窗口增量,有助于判断内存释放主要来自哪条路径。
形成条件化结论,再做对照复测
如果 Redis 主要承担可重建的缓存,且整个键空间都允许提前删除,先在相同业务负载下比较 allkeys-lru 和 allkeys-lfu,不必把低命中率直接视为算法选错。访问热点随请求快速切换时,LRU 往往更值得先验证;热点长期稳定时,LFU 可以作为候选。最终以命中率、回源压力、P95/P99 延迟和错误率共同判断。
如果只有部分带 TTL 的键允许淘汰,才考虑对应的 volatile-*,并确认候选键数量足以应对预计压力。如果任何键都不能自动删除,选择 noeviction,同时把写入错误纳入监控,制定容量或数据占用处理方案。仅仅从策略名称推断它“更安全”或“命中率更高”,都不足以作出决定。
策略调整后,应在可比流量下复测,而不是只看变更后的瞬时命中率。至少对照以下内容:
- 窗口内
evicted_keys、expired_keys的增量及内存曲线; - 命中率与请求量、键分布是否同步变化;
- 回源流量、下游队列或数据库压力;
- Redis 响应时间、超时和写入错误;
- CPU、网络、RSS 及主机或容器内存余量。
若命中率改善但回源压力、延迟或错误率恶化,不能视为策略有效;若淘汰量降低但内存持续增长,也说明问题可能在数据增长或容量规划,而不是淘汰算法。下一次排查内存压力时,建议同时观察“used_memory/RSS + evicted_keys + 命中率 + 回源流量 + P99 延迟”,并把请求量与 CPU、错误率放在同一时间轴上复核。
本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/6663.html



