通過 CONFIG SET maxmemory 100mb 或者在 redis.conf 配置文件設置 maxmemory 100mb Redis 內存佔用限制。當達到內存最大值值，會觸發內存淘汰策略刪除數據。
除此之外，當 key 達到過期時間，Redis 會有以下兩種刪除過期數據的策略：
- 後臺定時任務選取部分數據刪除；
- 惰性刪除。
具體原理請移步《Redis 的過期數據刪除那些事》。
假設 Redis 實例保存了 5GB 的數據，現在刪除了 2GB 數據，Redis 進程佔用的內存一定會降低麼？（也叫做 RSS，進程消耗內存頁數）。
答案是：可能依然佔用了大約 5GB 的內存，即使 Redis 的數據只佔用了 3GB 左右。
大家一定要設置maxmemory，否則 Redis 會繼續爲新寫入的數據分配內存，無法分配就會導致應用程序報錯，當然不會導致宕機。
釋放的內存去哪了
明明刪除了數據，使用 top 命令查看，爲何還是佔用了那麼多內存？
內存都去哪了？使用 info memory 命令獲取 Redis 內存相關指標，我列舉了幾個重要的數據：
127.0.0.1:6379> info memory
# Memory
used_memory:1132832 // Redis 存儲數據佔用的內存量
used_memory_human:1.08M // 人類可讀形式返回內存總量
used_memory_rss:2977792 // 操作系統角度，進程佔用的物理總內存
used_memory_rss_human:2.84M // used_memory_rss 可讀性模式展示
used_memory_peak:1183808 // 內存使用的最大值，表示 used_memory 的峯值
used_memory_peak_human:1.13M // 以可讀的格式返回 used_memory_peak的值
used_memory_lua:37888 // Lua 引擎所消耗的內存大小。
used_memory_lua_human:37.00K
maxmemory:2147483648 // 能使用的最大內存值，字節爲單位。
maxmemory_human:2.00G // 可讀形式
maxmemory_policy:noeviction // 內存淘汰策略
// used_memory_rss / used_memory 的比值，代表內存碎片率
mem_fragmentation_ratio:2.79
Redis 進程內存消耗主要由以下部分組成：
- Redis 自身啓動所佔用的內存；
- 存儲對象數據內存；
- 緩衝區內存：主要由 client-output-buffer-limit 客戶端輸出緩衝區、複製積壓緩衝區、AOF 緩衝區。
- 內存碎片。
Redis 自身空進程佔用的內存很小可以忽略不計，對象內存是佔比對打的一塊，裏面存儲着所有的數據。
緩衝區內存在大流量場景容易失控，造成 Redis 內存不穩定，需要重點關注。
內存碎片過大會導致明明有空間可用，但是卻無法存儲數據。
碎片 = used_memory_rss 實際使用的物理內存（RSS 值）除以 used_memory 實際存儲數據內存。
什麼是內存碎片
內存碎片會造成明明有內存空間空閒，可是卻無法存儲數據。舉個例子，你跟漂亮小姐姐去電影院看電影，肯定想連在一塊坐。
假設現在有 8 個座位，已經賣出了 4 張票，還有 4 張可以買。可是好巧不巧，買票的人很奇葩，分別間隔一個座位買票。
即使還有 4 個座位空閒，可是你卻買不到兩個座位連在一塊的票，厚禮蟹！
內存碎片形成原因
內存碎片是什麼原因導致呢？
主要有兩個原因：
- 內存分配器的分配策略。
- 鍵值對的大小不一樣和刪改操作：Redis 頻繁做更新操作、大量過期數據刪除，釋放的空間（不夠連續）無法得到複用，導致碎片率上升。
接下來我分別探討實際發生的原因……
內存分配器的分配策略
Redis 默認的內存分配器採用 jemalloc，可選的分配器還有：glibc、tcmalloc。
內存分配器並不能做到按需分配，而是採用固定範圍的內存塊進行分配。
例如 8 字節、16 字節…..，2 KB，4KB，當申請內存最近接某個固定值的時候，jemalloc 會給它分配最接近固定值大小的空間。
這樣就會出現內存碎片，比如程序只需要 1.5 KB，內存分配器會分配 2KB 空間，那麼這 0.5KB 就是碎片。
這麼做的目的是減少內存分配次數，比如申請 22 字節的空間保存數據，jemalloc 就會分配 32 字節，如果後邊還要寫入 10 字節，就不需要再向操作系統申請空間了，可以使用之前申請的 32 字節。
刪除 key 的時候，Redis 並不會立馬把內存歸還給操作系統，出現這個情況是因爲底層內存分配器管理導致，比如大多數已經刪除的 key 依然與其他有效的 key分配在同一個內存頁中。
另外，分配器爲了複用空閒的內存塊，原有 5GB 的數據中刪除了 2 GB 後，當再次添加數據到實例中，Redis 的 RSS 會保持穩定，不會增長太多。
因爲內存分配器基本上覆用了之前刪除釋放出來的 2GB 內存。
鍵值對大小不一樣和刪改操作
由於內存分配器是按照固定大小分配內存，所以通常分配的內存空間比實際數據佔用的大小多一些，會造成碎片，降低內存的存儲效率。
另外，鍵值對的頻繁修改和刪除，導致內存空間的擴容和釋放，比如原本佔用 32 字節的字符串，現在修改爲佔用 20 字節的字符串，那麼釋放出的 12 字節就是空閒空間。
如果下一個數據存儲請求需要申請 13 字節的字符串，那麼剛剛釋放的 12 字節空間無法使用，導致碎片。
碎片最大的問題：空間總量足夠大，但是這些內存不是連續的，可能大致無法存儲數據。
內存碎片解決之道
那該如何解決呢？
首先要確定是否發生了內存碎片，重點關注前面 INFO memory 命令提示的 mem_fragmentation_ratio 指標，表示內存碎片率：
mem_fragmentation_ratio = used_memory_rss/ used_memory
如果 1 < 碎片率 < 1.5，可以認爲是合理的，而大於 1.5 說明碎片已經超過 50%，我們需要採取一些手段解決碎片率過大的問題。
重啓大法
最簡單粗暴的方式就是重啓，如果沒有開啓持久化，數據會丟失。
開啓持久化的話，需要使用 RDB 或者 AOF 恢復數據，如果只有一個實例，數據大的話會導致恢復階段長時間無法提供服務，高可用大打折扣。
咋辦呢？碼哥靚仔
自動清理內存碎片
既然你都叫我靚仔了，就傾囊相助告訴你終極殺招：Redis 4.0 版本後，自身提供了一種內存碎片清理機制。
怎麼清理呢？
很簡單，還是上面的例子，想要買兩張連在一塊的電影票。與與別人溝通調換下位置，就實現了。
對於 Redis 來說，當一塊連續的內存空間被劃分爲好幾塊不連續的空間的時候，操作系統先把數據以依次挪動拼接在一塊，並釋放原來數據佔據的空間，形成一塊連續空閒內存空間。。
如下圖所示：
自動清理內存碎片的代價
自動清理雖好，可不要肆意妄爲，操作系統把數據移動到新位置，再把原有空間釋放是需要消耗資源的。
Redis 操作數據的指令是單線程，所以在數據複製移動的時候，只能等待清理碎片完成才能處理請求，造成性能損耗。
如何避免清理碎片對性能的影響又能實現自動清理呢？
好問題，通過以下兩個參數來控制內存碎片清理和結束時機，避免佔用 CPU 過多，減少清理碎片對 Redis 處理請求的性能影響。
開啓自動內存碎片清理
CONFIG SET activedefrag yes
這只是開啓自動清理，何時清理要同時滿足以下兩個條件纔會觸發清理操作。
清理的條件
active-defrag-ignore-bytes 200mb：內存碎片佔用的內存達到 200MB，開始清理；
active-defrag-threshold-lower 20：內存碎片的空間佔慚怍系統分配給 Redis 空間的 20% ，開始清理。
避免對性能造成影響
清理時間有了，還需要控制清理對性能的影響。由一項兩個設置先分配清理碎片佔用的 CPU 資源，保證既能正常清理碎片，又能避免對 Redis 處理請求的性能影響。
active-defrag-cycle-min 20：自動清理過程中，佔用 CPU 時間的比例不低於 20%，從而保證能正常展開清理任務。
active-defrag-cycle-max 50：自動清理過程佔用的 CPU 時間比例不能高於 75%，超過的話就立刻停止清理，避免對 Redis 的阻塞，造成高延遲。
總結
如果你發現明明 Redis 存儲數據的內存佔用遠小於操作系統分配給 Redis 的內存，而又無法保存數據，那可能出現大量內存碎片了。
通過 info memory 命令，看下內存碎片mem_fragmentation_ratio 指標是否正常。
那麼我們就開啓自動清理併合理設置清理時機和 CPU 資源佔用，該機制涉及到內存拷貝，會對 Redis 性能造成潛在風險。
如果遇到 Redis 性能變慢，排查下是否由於清理碎片導致，如果是，那就調小 active-defrag-cycle-max 的值。
碼哥創建了技術羣摸魚羣，想要與各個城市的程序員一起摸魚打屁聊人生學技術就加羣吧。
最後，可以我叫我一聲靚仔麼？你有什麼問題想對碼哥說麼？在留言區留言吧，知無不言。
點贊、收藏、分享走起！
參考
[1].Redis 核心技術與實戰
[2].https://juejin.cn/post/6844903967298682893#heading-4
[3].https://redis.io/docs/reference/optimization/memory-optimization/#memory-allocation