Redis 过期策略 vs 内存淘汰：你分清了吗？

Fri, 26 Jun 2026 23:37:33 +0800

你有没有想过一个问题：你给 Redis 的一个 key 设置了 5 分钟过期，5 分钟到了，这个 key 真的被删掉了吗？

直觉告诉你：当然删了，不然设置过期干嘛。

但 Redis 的实际情况是：不一定。如果你在这 5 分钟内再也没有访问过这个 key，它可能还在内存里躺着，等下一次被访问才被清理。

或者更极端的情况：内存满了，它还没被访问，结果它和其他 key 一起被"淘汰"了。“淘汰"和"过期"是两回事，后面会详细讲。

我遇到过类似的问题。线上有个服务用 Redis 缓存用户 session，所有 key 统一设置 8 小时过期。结果某天下午 3 点，接口 P99 从 20ms 飙升到 2 秒，CPU 跳到 95%。查了半天才发现：20 万个 session key 在同一时间过期，后台的"扫地机器人"忙不过来，大量过期 key 占了内存，淘汰器一触发，反而把还在活跃的 key 给淘汰了。这个案例我做了简化，但问题的链条是真实的。

你看，“过期"和"淘汰"两套机制在这里都起作用了。但不是你以为的那个方式。

很多人把 Redis 的过期策略和内存淘汰机制混为一谈，面试的时候能说出一堆策略名字，但问"它们什么关系"就卡住了。这篇文章的目的很简单：帮你把这两套机制拆开看，再看它们怎么配合。

一、过期策略：两把尺子量到底

过期策略解决一个问题：设了 TTL 的 key，时间到了怎么删。

注意这个限定——“设了 TTL 的 key”。如果你没设过期时间，过期策略跟你没关系。这个后面还会提到。

过期策略（Expiry Policy）——管理设置了 TTL 的 key 在过期后的删除方式。类比：冰箱里的牛奶标了保质期，过期了不一定立刻扔，但要喝的时候会检查。

Redis 用了两把尺子：一把叫"惰性删除”，一把叫"定期删除”。一懒一勤，配合干活。

1.1 惰性删除——你不碰我，我就不删

下面所有实验都在本地 Docker Redis 7.0（macOS）上运行，使用默认配置，除非特别说明。实验数据可能因环境差异略有不同。

我跑了一组实验来验证惰性删除的实际行为。

redis-cli SET mykey "hello"
redis-cli EXPIRE mykey 5

然后等了 6 秒，肯定过期了对吧？但这个时候，Redis 并没有主动删掉这个 key。如果你立刻查 EXISTS mykey，结果取决于你有没有"碰"它。

我做了两组对比：

场景一：过期后立刻访问（GET）

SET mykey "hello" + EXPIRE 5
→ 等待 6 秒
 GET mykey → (nil)  ← 被删了
 EXISTS mykey → 0    ← 确实没了

场景二：过期后不访问，直接用 EXISTS 检查

SET lazykey "i-will-expire" + EXPIRE 3
→ 等待 4 秒
 EXISTS lazykey → 1   ← key 还在内存里！
 GET lazykey → (nil)  ← GET 触发了惰性删除
 EXISTS lazykey → 0   ← 这次真的没了

发现了吗？上面的实验揭示��一个细节：EXISTS 返回了 1，说明它不一定触发惰性删除——至少在这个 Redis 版本中是这样。而 GET 确实触发了删除。

准确地说，任何读操作（GET、MGET、TTL 等）都会检查被访问的 key 是否过期，过期就删掉再返回。Redis 源码里负责这个检查的函数叫 expireIfNeeded，你不需要记住这个名字。EXISTS 的行为在不同版本中有差异，旧版本中它可能只检查 key 是否在字典里，不触发过期删除——所以实验中才会出现"EXISTS 返回 1，但随后 GET 返回 nil"的现象。

但关键问题是：如果你再也不碰这个 key，它就永远占用内存。

为了验证这个结论，我写了一个 10KB 的大 key，设 2 秒过期：

SET bigdata "xxxxx...（10KB）" + EXPIRE 2
→ 等待 3 秒
 INFO memory → used_memory: 1.16M  ← 内存还在
 GET bigdata → (nil)               ← 触发惰性删除
 INFO memory → used_memory: 1.16M  ← Redis 释放内存需要时间

惰性删除释放内存不是即时的，但 key 确实在 GET 时被删了。只是 Redis 的内存分配器不会立刻把内存还给 OS。

一句话总结惰性删除：它只在有人访问时才干活。没人访问的过期 key，它就是视而不见。

这听起来很"懒"，但 Redis 这么做有它的道理：如果一个 key 过期后再也没人访问，删除它也是白费 CPU。惰性删除就是"按需清理"：需要读才删，不需要就不删，CPU 成本几乎为零。每次读取操作多一次过期检查而已。

1.2 定期删除——后台的扫地机器人

但问题来了：如果一个 key 过期后再也没人访问，它就一直占着内存？那缓存雪崩不就是迟早的事？

这就是第二把尺子的用武之地。Redis 在后台跑了一个定时任务 activeExpireCycle（源码里叫这个名字），默认配置（hz=10）下每 100 毫秒执行一次。hz 是可配置的，调大频率就更高。它的工作方式很有意思：

从设置了过期时间的 key 中随机采样 20 个
检查哪些已过期，删除它们
如果过期比例超过 25%，就继续扫下一批
每次执行有严格时间上限（约 1ms），不会成为主线程瓶颈

这个"25% 比例触发继续扫"的自适应机制是关键设计。如果过期 key 比例低，Redis 就少扫几次，省 CPU；如果突然有大量 key 过期，它会持续扫直到比例降下来。

我跑了三组实验来验证定期删除的能力：

第一组：1000 个 key 同时过期

写入 1000 个 key，全部 TTL=5 秒
→ 等待 8 秒
→ 过期 key 全部被清理（expired_keys: 1006，含前序实验残留的 6 个）
 DBSIZE: 0

第二组：10000 个 key 同时过期

写入 10000 个 key，全部 TTL=5 秒
→ 等待 10 秒
→ 全部清理完毕
 DBSIZE: 0

第三组：50000 个 key 同时过期（极端情况）

写入 50000 个 key，全部 TTL=5 秒
→ 等待 15 秒
→ 全部清理完毕
 DBSIZE: 0

50000 个 key 同时过期，Redis 在 15 秒内全部清理完毕。这个效率相当高，Redis 是单线程的，5 万个 key 在 15 秒内清理完，相当于每秒处理 3000+ 个 key。activeExpireCycle 每 100ms 只扫 20 个 key，但它有自适应机制：当过期比例高时，它会持续扫描，不会扫完 20 个就休息。

不过，定期删除也有它的限制。每次执行的时间被限制在约 1ms 以内，而且每次只采样 20 个 key。如果你的业务场景是"几百万个 key 在极短时间内同时过期"，定期删除可能还是忙不过来。

这里有个关键的设计细节：activeExpireCycle 默认每 100ms 执行一次（hz=10 时），每次最多运行约 1ms。如果 1ms 内扫完了 20 个 key 且过期比例低于 25%，它就提前结束，等下一个 100ms 周期再跑。这个设计保证了定期删除不会成为 Redis 主线程的瓶颈。

惰性删除作为兜底就显得很重要了：如果定期删除没扫到的过期 key，只要有客户端访问它，惰性删除就会出手。两把尺子互为补充。

定期删除扫描的是设置了过期时间的 key 空间，不是所有 key。也就是说，如果某个 key 没有设 TTL，定期删除根本不会检查它。这个设计很合理，没设 TTL 的 key 本来就不需要过期检查，何必浪费 CPU。

还有一个细节：定期删除每次扫描的 20 个 key 是从设置了过期时间的 key 字典中随机选择的，不是从整个数据库。这意味着如果你的数据库有 100 万个 key，但只有 100 个设置了 TTL，定期删除只会在那 100 个里采样。不会因为你总 key 多就增加扫描范围。

所以如果你的业务特征是"大量 key 设了 TTL 但很快就不用了"，定期删除是主要清理手段。而如果你的业务特征是"少量 key 设了 TTL，大部分是无 TTL 的持久数据"，那过期 key 主要靠惰性删除来清理——谁读到了谁删。

过期策略到这里就讲完了。核心记住一点：过期策略只管"设了 TTL 的 key"，它的目标是"在过期后尽快释放内存"，但不是"立即释放"。

讲完过期策略，该讲淘汰了。那些没设 TTL 的 key，如果内存满了怎么办？

二、内存淘汰：八把刀选一把

注意，淘汰机制和过期机制是完全独立的。它的触发条件是"内存满了"，不是"时间到了"。

2.1 八种策略

内存淘汰（Eviction Policy）：当 Redis 内存达到 maxmemory 上限时，选择哪些 key 删除来腾出空间。冰箱装不下了，不管有没有过期标签，总要扔点东西才能放进新的。

Redis 提供了 8 种淘汰策略，默认是 noeviction——内存满了直接报错，需要你主动配置为其他策略。4.0 之前有 6 种（没有 LFU 系列），4.0 开始补全到 8 种。可以分三组来看：

第一组：拒绝组（1 种）

noeviction——内存满了就不让写，直接报错。简单粗暴，适合数据绝对不能丢的场景。

我实测了一下：设 maxmemory=2MB，然后用 SET 逐个写入 10KB 的 key。前 78 个 key 都成功了，第 79 个时报了 OOM command not allowed when used memory > 'maxmemory'。noeviction 说到做到——满了就真不让写。

第二组：全体组（3 种）——从所有 key 里选

allkeys-lru——淘汰最近最少使用的 key
allkeys-lfu——淘汰访问频率最低的 key（4.0 引入）
allkeys-random——随机淘汰

第三组：过期组（4 种）——只从设了 TTL 的 key 里选

volatile-lru——从过期 key 里淘汰最近最少使用的
volatile-lfu——从过期 key 里淘汰访问频率最低的
volatile-random——从过期 key 里随机淘汰
volatile-ttl——淘汰剩余 TTL 最短的

我跑了一组实验来展示 volatile-lru 和 allkeys-lru 的关键区别：

实验：volatile-lru 策略下，有 TTL 的 key vs 无 TTL 的 key

创建 10 个有 TTL 的 key（withttl:1-10）+ 10 个无 TTL 的 key（nottl:1-10）
设置 maxmemory=128KB 触发淘汰

结果：
  有 TTL 的 key 剩余：0/10  ← 全部被淘汰
  无 TTL 的 key 剩余：10/10 ← 全部保留

这个实验完美展示了 volatile-* 策略的行为：它只在设了 TTL 的 key 里做选择，无 TTL 的 key 永远不会被淘汰。

反过来，allkeys-* 策略则一视同仁——不管有没有 TTL，全都可以被淘汰。

这就是为什么说"过期"和"淘汰"是两套独立机制：

过期策略只关心"设了 TTL 的 key 过期了没有"
淘汰策略关心"内存满了要删谁"
它们的交集是"设了 TTL 的 key 也可能被淘汰器选中"——但这是偶然，不是必然

2.2 近似 LRU——精确的代价太高

LRU（Least Recently Used）是最常用的淘汰策略。但你猜 Redis 用的是不是精确 LRU？

不是。精确 LRU 需要维护一个全局的访问时间链表，每个 key 被访问时都要更新链表——内存消耗大，更新成本高。Redis 用的是近似 LRU。

怎么近似呢？Redis 的做法是：

从所有 key 中随机采样 N 个（N = maxmemory-samples，默认 5）
从这 N 个里选一个最久没被访问的淘汰
重复直到内存降到 maxmemory 以下

采样数 N 决定了淘汰的精度。我跑了一组实验来验证这个参数的影响：

maxmemory-samples	热 key（前 200 个访问 10 次）保留	冷 key（后 200 个不访问）保留
5（默认）	200/200	172/200
20（高采样）	200/200	194/200
1（极低采样）	96/200	92/200

实验结果很有意思：

samples=5（默认）：热 key 全部保留，冷 key 大部分被淘汰——精度已经不错
samples=20：热 key 全部保留，冷 key 保留更多（194/200）——淘汰选择更精确
samples=1：热 key 和冷 key 保留率接近（~50%）——基本退化为随机淘汰

samples=20 和 samples=5 的差异不大，说明 Redis 默认的 5 已经是一个很好的平衡点。但在内存非常紧张的场景下，把 samples 提高到 10 可以换来更好的精度，代价是每次淘汰时多采样 5 个 key 的 CPU 开销。

Redis 3.0 之后还加了 eviction pool 优化，维护一个淘汰候选池让近似 LRU 更接近精确 LRU。这个优化我没单独做实验验证，但 Redis 官方文档和源码注释里有说明，日常使用中你不需要关心这个细节。

2.3 LFU——治"偶发热点"的良药

LRU 有个经典问题：一个 key 被大量访问一次后就再也没人用了，但它在 LRU 链上排在"最近使用"的位置，淘汰时会绕过它。

这就是"偶发热点"问题。举个例子：一个定时任务每分钟批量读一批 key，这批 key 每分钟被"刷"一次最近访问时间，但它们其实不热——只是运气好，在 LRU 检查时刚好被访问了。

LFU（Least Frequently Used）就是来解决这个问题的。它不看"最近一次访问时间"，而是看访问频率。

Redis 的 LFU 有两个关键参数：

lfu-log-factor：频率增长速率。值越大，频率增长越慢，越难变"热"。默认 10，如果你想让热点数据更"黏"，可以调低到 5
lfu-decay-time：频率衰减周期。以分钟为单位，N 分钟内没被访问，频率减半。默认 1，即 1 分钟不访问频率就衰减

实现上，Redis 用了 Morris counter（概率计数器）来追踪访问频率，而不是精确计数。好处是只需要 8 位就能表示约百万次访问（在默认 lfu-log-factor=10 下），非常适合嵌入 key 的 metadata。这个设计很紧凑，代价是访问频率是近似值——需要精确访问次数统计的业务场景，LFU 不合适。具体位分配等实现细节见源码，这里不展开。

一个小细节：LFU 和 LRU 共享同一个 maxmemory-policy 配置空间，不能同时启用。你在配置里写 allkeys-lfu，那就是 LFU 模式；写 allkeys-lru，那就是 LRU 模式。它们各自有自己的算法实现，不冲突。

三、过期 vs 淘汰：5 个维度说清楚

讲到这里，两套机制的核心都拆开了。最后用一个对比表来收束：

维度	过期策略	内存淘汰
触发条件	时间到了	内存满了
目标	释放过期 key 的内存	腾出空间给新写入
作用对象	仅限设了 TTL 的 key	取决于策略（allkeys: 所有 key / volatile: 仅设 TTL 的 key）
执行者	expireIfNeeded（惰性）+ activeExpireCycle（定期）	eviction pool + 策略算法
可控性	不可控（TTL 到了就过期）	可控（8 种策略可选）

最关键的区分在这张表里。很多人把"过期"和"淘汰"混为一谈，其实是没分清这两者的触发条件和作用对象。

过期是时间问题，淘汰是空间问题。 一个 key 可以同时经历这两件事：先过期（时间到了），然后因为没人访问它而继续占内存，最后被淘汰器选中（空间满了）。

但它们也可以是独立发生的：一个没设 TTL 的 key，永远不会触发过期策略；一个设了 TTL 的 key，如果内存永远不满，淘汰器永远不会被触发。

3.1 它们怎么配合

两套机制在实际运行中是配合的：

定期删除释放了内存 → 淘汰器可能不必触发。如果你的过期 key 被定期删除及时清理了，内存就有空间给新 key，淘汰器不需要出手。
设了 TTL 的 key 被淘汰器选中。在 volatile-* 策略下，淘汰器只从设了 TTL 的 key 里选——至于选哪个，按 LRU/LFU/Random/TTL 算法决定，不是因为"快过期所以先删"。被淘汰的 key 不一定已过期，只是设了 TTL。
过期 key 太多 → 定期删除 CPU 上升。如果大量 key 在同一时间过期，定期删除会持续扫描，CPU 消耗增加。

回到文章开头的那个案例：session key 集中过期 → 定期删除忙不过来 → 过期 key 占内存 → 淘汰器触发 → 活跃 key 被误淘汰。缓存雪崩就发生了。

这个链条里，两套机制都参与了，但不是 Redis 有 bug——它们都在按设计工作，只是我们的业务设计（统一 TTL）触发了两套机制最不利的协作模式。

解决方案其实很简单：给 session key 的 TTL 加入随机偏移（±30%），让过期时间分散开。这套组合拳下来，类似的问题就很少再出现了。

3.2 实战建议

根据你的业务场景，可以这样选：

什么时候关注过期策略：

你的 key 都有 TTL
大量 key 同时过期
对过期 key 的即时性有要求

什么时候关注淘汰策略：

缓存是"写满删"的模式（没有 TTL）
内存是瓶颈资源
数据有冷热分布

选什么淘汰策略：

大部分场景 → allkeys-lru（通用选择）。根据上面 E4 实验，samples=5 的默认值已经是不错的平衡，日常使用不需要额外调参
有偶发热点 → allkeys-lfu（4.0+ 推荐）
业务数据可丢，但不能丢没 TTL 的 → volatile-lru
数据绝对不能丢 → noeviction + 监控告警

另外还有一个常见的实用技巧：把 Redis 分成多个实例，不同的业务用不同的淘汰策略。比如 session 缓存用 volatile-lru（有 TTL 的保护无 TTL 的业务数据），数据缓存用 allkeys-lru（一视同仁），各管各的，互不影响。

回到开头的那个问题：5 分钟到了，key 真的被删了吗？

不一定是"被删除"。如果没人访问它，且定期删除还没扫到它，它还在内存里。但如果你设的 TTL 是 5 分钟，而你的内存限制是 1GB——那它在被访问前可能先被淘汰器盯上了。

Redis 的过期和淘汰，是两套独立但又会互相影响的内存管理机制。过期是时间问题，淘汰是空间问题。记住这句话，下次遇到 Redis 内存问题，你就知道该从哪套机制查起了——过期查 TTL，淘汰查 maxmemory 和策略配置。

原文发布于止语Lab

内存淘汰 on 止语Lab