通过 CONFIG SET maxmemory 100mb 或者在 redis.conf 配置文件设置 maxmemory 100mb Redis 内存占用限制。当达到内存最大值值，会触发内存淘汰策略删除数据。
除此之外，当 key 达到过期时间，Redis 会有以下两种删除过期数据的策略：
- 后台定时任务选取部分数据删除；
- 惰性删除。
具体原理请移步《Redis 的过期数据删除那些事》。
假设 Redis 实例保存了 5GB 的数据，现在删除了 2GB 数据，Redis 进程占用的内存一定会降低么？（也叫做 RSS，进程消耗内存页数）。
答案是：可能依然占用了大约 5GB 的内存，即使 Redis 的数据只占用了 3GB 左右。
大家一定要设置maxmemory，否则 Redis 会继续为新写入的数据分配内存，无法分配就会导致应用程序报错，当然不会导致宕机。
释放的内存去哪了
明明删除了数据，使用 top 命令查看，为何还是占用了那么多内存？
内存都去哪了？使用 info memory 命令获取 Redis 内存相关指标，我列举了几个重要的数据：
127.0.0.1:6379> info memory
# Memory
used_memory:1132832 // Redis 存储数据占用的内存量
used_memory_human:1.08M // 人类可读形式返回内存总量
used_memory_rss:2977792 // 操作系统角度，进程占用的物理总内存
used_memory_rss_human:2.84M // used_memory_rss 可读性模式展示
used_memory_peak:1183808 // 内存使用的最大值，表示 used_memory 的峰值
used_memory_peak_human:1.13M // 以可读的格式返回 used_memory_peak的值
used_memory_lua:37888 // Lua 引擎所消耗的内存大小。
used_memory_lua_human:37.00K
maxmemory:2147483648 // 能使用的最大内存值，字节为单位。
maxmemory_human:2.00G // 可读形式
maxmemory_policy:noeviction // 内存淘汰策略
// used_memory_rss / used_memory 的比值，代表内存碎片率
mem_fragmentation_ratio:2.79
Redis 进程内存消耗主要由以下部分组成：
- Redis 自身启动所占用的内存；
- 存储对象数据内存；
- 缓冲区内存：主要由 client-output-buffer-limit 客户端输出缓冲区、复制积压缓冲区、AOF 缓冲区。
- 内存碎片。
Redis 自身空进程占用的内存很小可以忽略不计，对象内存是占比对打的一块，里面存储着所有的数据。
缓冲区内存在大流量场景容易失控，造成 Redis 内存不稳定，需要重点关注。
内存碎片过大会导致明明有空间可用，但是却无法存储数据。
碎片 = used_memory_rss 实际使用的物理内存（RSS 值）除以 used_memory 实际存储数据内存。
什么是内存碎片
内存碎片会造成明明有内存空间空闲，可是却无法存储数据。举个例子，你跟漂亮小姐姐去电影院看电影，肯定想连在一块坐。
假设现在有 8 个座位，已经卖出了 4 张票，还有 4 张可以买。可是好巧不巧，买票的人很奇葩，分别间隔一个座位买票。
即使还有 4 个座位空闲，可是你却买不到两个座位连在一块的票，厚礼蟹！
内存碎片形成原因
内存碎片是什么原因导致呢？
主要有两个原因：
- 内存分配器的分配策略。
- 键值对的大小不一样和删改操作：Redis 频繁做更新操作、大量过期数据删除，释放的空间（不够连续）无法得到复用，导致碎片率上升。
接下来我分别探讨实际发生的原因……
内存分配器的分配策略
Redis 默认的内存分配器采用 jemalloc，可选的分配器还有：glibc、tcmalloc。
内存分配器并不能做到按需分配，而是采用固定范围的内存块进行分配。
例如 8 字节、16 字节…..，2 KB，4KB，当申请内存最近接某个固定值的时候，jemalloc 会给它分配最接近固定值大小的空间。
这样就会出现内存碎片，比如程序只需要 1.5 KB，内存分配器会分配 2KB 空间，那么这 0.5KB 就是碎片。
这么做的目的是减少内存分配次数，比如申请 22 字节的空间保存数据，jemalloc 就会分配 32 字节，如果后边还要写入 10 字节，就不需要再向操作系统申请空间了，可以使用之前申请的 32 字节。
删除 key 的时候，Redis 并不会立马把内存归还给操作系统，出现这个情况是因为底层内存分配器管理导致，比如大多数已经删除的 key 依然与其他有效的 key分配在同一个内存页中。
另外，分配器为了复用空闲的内存块，原有 5GB 的数据中删除了 2 GB 后，当再次添加数据到实例中，Redis 的 RSS 会保持稳定，不会增长太多。
因为内存分配器基本上复用了之前删除释放出来的 2GB 内存。
键值对大小不一样和删改操作
由于内存分配器是按照固定大小分配内存，所以通常分配的内存空间比实际数据占用的大小多一些，会造成碎片，降低内存的存储效率。
另外，键值对的频繁修改和删除，导致内存空间的扩容和释放，比如原本占用 32 字节的字符串，现在修改为占用 20 字节的字符串，那么释放出的 12 字节就是空闲空间。
如果下一个数据存储请求需要申请 13 字节的字符串，那么刚刚释放的 12 字节空间无法使用，导致碎片。
碎片最大的问题：空间总量足够大，但是这些内存不是连续的，可能大致无法存储数据。
内存碎片解决之道
那该如何解决呢？
首先要确定是否发生了内存碎片，重点关注前面 INFO memory 命令提示的 mem_fragmentation_ratio 指标，表示内存碎片率：
mem_fragmentation_ratio = used_memory_rss/ used_memory
如果 1 < 碎片率 < 1.5，可以认为是合理的，而大于 1.5 说明碎片已经超过 50%，我们需要采取一些手段解决碎片率过大的问题。
重启大法
最简单粗暴的方式就是重启，如果没有开启持久化，数据会丢失。
开启持久化的话，需要使用 RDB 或者 AOF 恢复数据，如果只有一个实例，数据大的话会导致恢复阶段长时间无法提供服务，高可用大打折扣。
咋办呢？码哥靓仔
自动清理内存碎片
既然你都叫我靓仔了，就倾囊相助告诉你终极杀招：Redis 4.0 版本后，自身提供了一种内存碎片清理机制。
怎么清理呢？
很简单，还是上面的例子，想要买两张连在一块的电影票。与与别人沟通调换下位置，就实现了。
对于 Redis 来说，当一块连续的内存空间被划分为好几块不连续的空间的时候，操作系统先把数据以依次挪动拼接在一块，并释放原来数据占据的空间，形成一块连续空闲内存空间。。
如下图所示：
自动清理内存碎片的代价
自动清理虽好，可不要肆意妄为，操作系统把数据移动到新位置，再把原有空间释放是需要消耗资源的。
Redis 操作数据的指令是单线程，所以在数据复制移动的时候，只能等待清理碎片完成才能处理请求，造成性能损耗。
如何避免清理碎片对性能的影响又能实现自动清理呢？
好问题，通过以下两个参数来控制内存碎片清理和结束时机，避免占用 CPU 过多，减少清理碎片对 Redis 处理请求的性能影响。
开启自动内存碎片清理
CONFIG SET activedefrag yes
这只是开启自动清理，何时清理要同时满足以下两个条件才会触发清理操作。
清理的条件
active-defrag-ignore-bytes 200mb：内存碎片占用的内存达到 200MB，开始清理；
active-defrag-threshold-lower 20：内存碎片的空间占惭怍系统分配给 Redis 空间的 20% ，开始清理。
避免对性能造成影响
清理时间有了，还需要控制清理对性能的影响。由一项两个设置先分配清理碎片占用的 CPU 资源，保证既能正常清理碎片，又能避免对 Redis 处理请求的性能影响。
active-defrag-cycle-min 20：自动清理过程中，占用 CPU 时间的比例不低于 20%，从而保证能正常展开清理任务。
active-defrag-cycle-max 50：自动清理过程占用的 CPU 时间比例不能高于 75%，超过的话就立刻停止清理，避免对 Redis 的阻塞，造成高延迟。
总结
如果你发现明明 Redis 存储数据的内存占用远小于操作系统分配给 Redis 的内存，而又无法保存数据，那可能出现大量内存碎片了。
通过 info memory 命令，看下内存碎片mem_fragmentation_ratio 指标是否正常。
那么我们就开启自动清理并合理设置清理时机和 CPU 资源占用，该机制涉及到内存拷贝，会对 Redis 性能造成潜在风险。
如果遇到 Redis 性能变慢，排查下是否由于清理碎片导致，如果是，那就调小 active-defrag-cycle-max 的值。
码哥创建了技术群摸鱼群，想要与各个城市的程序员一起摸鱼打屁聊人生学技术就加群吧。
最后，可以我叫我一声靓仔么？你有什么问题想对码哥说么？在留言区留言吧，知无不言。
点赞、收藏、分享走起！
参考
[1].Redis 核心技术与实战
[2].https://juejin.cn/post/6844903967298682893#heading-4
[3].https://redis.io/docs/reference/optimization/memory-optimization/#memory-allocation