Redis内存淘汰策略效果取决于是否匹配真实访问模式：LRU因近似采样（默认5个）在海量倾斜数据下易误判伪热点；LFU虽鲁棒但受衰减机制影响，需调优lfu-log-factor和lfu-decay-time；volatile-ttl在高TTL覆盖率场景最稳，但要求TTL设置集中均匀。

在海量数据下，Redis内存淘汰策略的表现不取决于“策略本身多先进”，而取决于你是否匹配了真实的访问模式和内存压力特征。选错策略会导致缓存命中率断崖式下跌、写延迟飙升，甚至触发大量后端穿透。

为什么LRU在海量数据下容易失效

Redis的allkeys-lru或volatile-lru用的是近似LRU（采样5个key，淘汰其中最久未访问的），不是精确LRU。当数据量达到千万级、访问分布高度倾斜时，随机采样会漏掉真正冷的数据，反而把刚被批量刷入的“伪热点”误判为活跃数据。

• 典型现象：INFO memory里mem_peak持续上涨，但evicted_keys增长缓慢，同时keyspace_hits明显下降
• 根本原因：采样池大小默认仅16，面对海量key，碰撞概率高，时间戳更新不及时
• 可调参数：maxmemory-samples建议从默认5提高到10～15（但别超过30，否则CPU开销陡增）

LFU更适合稳定热点场景，但要注意衰减陷阱

allkeys-lfu在海量数据中表现更鲁棒——它依赖访问频次而非时间，对突发流量不敏感。但它的计数器有衰减机制，如果业务存在“长尾低频+周期性高峰”混合模式（比如每月初报表查询、每天零点定时任务），旧频次会被衰减掉，导致本该保留的周期性key被提前淘汰。

Redis Skill - 高性能缓存管理

Redis 缓存和数据结构管理技能。通过自然语言操作 Redis，支持 String、Hash、List、Set、ZSet、Stream 等数据结构操作。当用户提到 Redis、缓存、消息队列、会话存储时使用此技能。

下载

• 关键配置：lfu-log-factor控制衰减速度（默认10，值越小衰减越慢）；lfu-decay-time单位是分钟（默认1，表示1分钟没访问就衰减一次）
• 验证方法：用OBJECT FREQ查几个典型key的当前频次，对比它们最近7天的实际访问次数
• 风险点：高频key的计数器可能溢出（上限255），之后不再增长，失去区分度

volatile-ttl在海量临时数据中反而最稳

如果你的海量数据90%以上都带TTL（比如用户session、设备心跳、验证码），volatile-ttl比LRU/LFU更可靠。它不依赖访问记录，只比剩余过期时间，逻辑简单、无采样偏差、无计数器开销。

• 适用前提：必须确保绝大多数key都设置了合理TTL；否则evicted_keys几乎为0，很快触发noeviction错误
• 注意陷阱：TTL值设置过散（比如每个key TTL随机差几秒），会导致淘汰无法集中释放空间，内存释放效率低
• 优化建议：对同类数据统一TTL（如session设30分钟），配合EXPIREAT按时间窗口对齐，提升淘汰集中度

真正难的不是选策略，而是确认你的数据有没有隐含的访问周期性、TTL分布是否真实均匀、以及冷热分离是否已在应用层做干净——这些细节一旦错位，再好的淘汰算法也救不了命中率。