當 Redis 作為緩存使用時，當你添加新的數據時，有時候很方便使 Redis 自動回收老的數據。LRU 實際上是被唯一支持的數據移除方法。Redis 的 maxmemory 指令，用於限制內存使用到一個固定的容量，也包含深入探討 Redis 使用的 LRU 算法，一個近似准確的 LRU。
maxmemory 配置指令(configuration directive)
maxmemory 配置指令是用來配置 Redis 為數據集使用指定的內存容量大小。可以使用 redis.conf 文件來設置配置指令，或者之后在運行時使用 CONFIG SET 命令。
例如，為了配置內存限制為 100MB，可以在 redis.conf 文件中使用以下指令
maxmemory 100mb
設置 maxmemory 為 0，表示沒有內存限制。這是 64 位系統的默認行為，32 位的系統則使用 3G 大小作為隱式的內存限制。
當指定的內存容量到達時，需要選擇不同的行為，即策略。Redis 可以只為命令返回錯誤，這樣將占用更多的內存，或者每次添加新數據時，回收掉一些舊的數據以避免內存限制。
回收策略(Eviction policies)
當 maxmemory 限制到達的時候，Redis 將采取的准確行為是由 maxmemory-policy 配置指令配置的。
以下策略可用：
- noeviction：當到達內存限制時返回錯誤。當客戶端嘗試執行命令時會導致更多內存占用(大多數寫命令，除了 DEL 和一些例外)。
- allkeys-lru：回收最近最少使用(LRU)的鍵，為新數據騰出空間。
- volatile-lru：回收最近最少使用(LRU)的鍵，但是只回收有設置過期的鍵，為新數據騰出空間。
- allkeys-random：回收隨機的鍵，為新數據騰出空間。
- volatile-random：回收隨機的鍵，但是只回收有設置過期的鍵，為新數據騰出空間。
- volatile-ttl：回收有設置過期的鍵，嘗試先回收離 TTL 最短時間的鍵，為新數據騰出空間。
當沒有滿足前提條件的話，volatile-lru，volatile-random 和 volatile-ttl 策略就表現得和 noeviction 一樣了。
選擇正確的回收策略是很重要的，取決於你的應用程序的訪問模式，但是，你可以在程序運行時重新配置策略，使用 INFO 輸出來監控緩存命中和錯過的次數，以調優你的設置。
一般經驗規則：
- M 如果你期待你的用戶請求呈現冪律分布(power-law distribution)，也就是，你期待一部分子集元素被訪問得遠比其他元素多，可以使用 allkeys-lru 策略。在你不確定時這是一個好的選擇。
- 如果你是循環周期的訪問，所有的鍵被連續掃描，或者你期待請求正常分布(每個元素以相同的概率被訪問)，可以使用 allkeys-random 策略。
- 如果你想能給 Redis 提供建議，通過使用你創建緩存對象的時候設置的 TTL 值，確定哪些對象應該被過期，你可以使用 volatile-ttl 策略。
當你想使用單個實例來實現緩存和持久化一些鍵，allkeys-lru 和 volatile-random 策略會很有用。但是，通常最好是運行兩個 Redis 實例來解決這個問題。
另外值得注意的是，為鍵設置過期時間需要消耗內存，所以使用像 allkeys-lru 這樣的策略會更高效，因為在內存壓力下沒有必要為鍵的回收設置過期時間。
回收過程 (Eviction process)
理解回收的過程是這么運作的非常的重要：
- 一個客戶端運行一個新命令，添加了新數據。
- Redis 檢查內存使用情況，如果大於 maxmemory 限制，根據策略來回收鍵。
- 一個新的命令被執行，如此等等。
通過檢查，然后回收鍵以返回到限制以下，來連續不斷的穿越內存限制的邊界。
如果一個命令導致大量的內存被占用 (像一個很大的集合交集保存到一個新的鍵)，一會功夫內存限制就會被這個明顯的內存量所超越。
近似的 LRU 算法(Approximated LRU algorithm)
Redis 的 LRU 算法不是一個精確的實現。這意味着 Redis 不能選擇最佳候選鍵來回收，也就是最久錢被訪問的那些鍵。相反，會嘗試運營一個近似的 LRU 算法，通過采樣一小部分鍵，然后在采樣鍵中回收最適合(擁有最久訪問時間)的那個。
Redis 的 LRU 算法有一點很重要，你可以調整算法的精度，通過改變每次回收時檢查的采樣數量。這個參數可以通過如下配置指令
maxmemory-samples 5
Redis 沒有使用真實的 LRU 實現的原因，是因為這會消耗更多的內存。然而，近似值對使用 Redis 的應用來說基本上也是等價的。為 Redis 使用的 LRU 近似值和真實 LRU 之間的比較。
Redis 服務被填充了指定數量的鍵。鍵被從頭訪問到尾，所以第一個鍵是 LRU 算法的最佳候選回收鍵。然后，再新添加 50% 的鍵，強制一般的舊鍵被回收。
在理論的 LRU 實現中，我們期待看到的是，在舊鍵中第一半會過期。而 Redis 的 LRU 算法則只是概率性的過期這些舊鍵。
你可以看到，同樣采用 5 個采樣，Redis 3.0 表現得比 Redis 2.8 要好，Redis 2.8 中最近被訪問的對象之間的對象仍然被保留。在 Redis 3.0 中使用 10 為采樣大小，近似值已經非常接近理論性能。
注意，LRU 只是一個預言指定鍵在未來如何被訪問的模式。另外，如果你的數據訪問模式非常接近冪律，大多數的訪問都將集中在一個集合中，LRU 近似算法將能處理得很好。
在模擬實驗的過程中，我們發現使用冪律訪問模式，真實的 LRU 算法和 Redis 的近似算法之間的差異非常小，或者根本就沒有。
然而，你可以提高采樣大小到 10，這會消耗額外的 CPU，來更加近似於真實的 LRU 算法，看看這會不會使你的緩存錯失率有差異。
使用 CONFIG SET maxmemory-samples 命令在生產環境上試驗各種不同的采樣大小值是很簡單的。