Redis用作缓存，在有的时候是非常方便地在添加新的数据时自动回收老数据。这种特性在开发者社区广为流传，因为这正是流行的memcached系统的默认特性。
LRU事实上只是Redis支持的存储回收策略的一种方法。maxmemory指令可以使用之来限制内存大小，本文涵盖了更多的Redis中maxmemory指令的常规讨论，也深入地讨论了Redis采用的LRU这种算法，实际上Redis中的LRU只是LRU算法的近似算法。至于为什么，下文将会讨论。
maxmemory指令的配置
maxmomory指令的配置其实已经在《Redis数据库的配置》一文中做了讨论，本文将重新更深入地讨论。maxmemory指令是Redis实现用固定内存大小保存数据集的配置。正如我们已经讨论过的，该指令可以直接在redis.conf配置文件中或者使用新版本的Redis中使用config set命令在运行时配置。
如为了配置Redis为100M大小的内存，如下的指令可以在redis.conf中使用：
maxmemory 100MB
需要注意的是，若是将maxmemory设置为0将使得Redis无内存无限制，这是64位系统的默认配置，而32位的系统的默认配置是3GB。
当达到指定的内存大小后，可以有多中的策略供Redis选择，这同样也是一个Redis指令。如仅仅是返回错误信息给客户端，或者回收部分老数据从而可以存储新的数据。
回收策略
maxmemory-policy指令是Redis的回收策略的配置命令。可以选择的值如下几种：
1）noeviction：当内存限制达到配置大小后，客户端执行会占用更多内存的命令如sadd时，Redis仅仅向客户端返回错误信息。
2）allkeys-lru：总是优先回收最近最少使用（LRU）的keys，一边释放内存以保证新的数据可以被保存下来。
3）volatile-lru：总是优先回收哪些最新最少使用（LRU）并且设置了过期时间的keys。以确保新的数据可以保存下来。
4）allkeys-random：随机回收足够的keys以确保新的数据可以保存下来。
5）volatile-random：随机回收设置了过期时间的keys，yi确保新的数据可以正常保存。
6）volatile-ttl：优先回收设置了过期时间并且剩余的存活时间更少的的keys（ttl用来测试key的过期时间的剩余量）。
volatile-lru、volatile-random、volatile-ttl在没有先决条件时，和noeviction的表现是一样的，这个先决条件就是有足够的keys设置了过期时间。
依据你的应用的访问方式选择合适的内存回收策略是非常重要的。然而，你仍然可以在不停机的情况下，重新配置maxmemory-policy，但是在设置的时候要监控输出信息以便调整设置。
常见的几个设置的规则：
1）如果不太确定，allkeys-lru是一个不错的选择。起码可以确保内存中keys的大部分被经常访问而不是被闲置，因为这可以提高客户端请求的命中率。
2）如果期望所有的keys可以有相等大小的访问几率，或者所有的keys都被定期的扫描，使用allkeys-random是一个好的选择。
3）如果想让Redis调整keys的过期时间的设置，volatile-ttl会是一个不错的选择。
volatile-lru和volatile-random策略在非集群的场景下是非常有用的，无论是为了持久化数据还是仅仅是为了缓存之。但是，我们任然建议使用至少两个实例的Redis集群，因为这样可以最大的利用其优势。
值得注意的是，为keys设置过期时间会消耗一定的内存，所以使用allkeys-lru这样的回收策略是很节省内存的并可以减少内存回收的压力。
回收是如何实现的
回收进程运行的先决条件是：
1）客户端执行了一个新的命令，这个命令将会导致更多的数据被添加到数据库内存中；
2）Redis检查maxmemory的设置和内存的使用情况，如果内存不足，将按照回收策略回收keys。
3）新的命令被执行，数据被保存在数据库中。
这样，数据库内存反复超过限制，紧接着按照回收策略回收部分keys，使得内存使用量下降到限制大小以下。
如果某个命令将导致大量的内存被占用，内存限制将可能被突破。
近似的LRU算法
Redis的LRU算法并不是一个精确的算法实现。这意味着Redis并不能选择最好的候选者，换句话说，最好的候选者是在过去所有的对象中最少使用的，而Redis无法做到这一点（在巨大的键空间查找一个LRU对象是可能的，但是时空消耗角度来讲是不必要的，个人理解），而是采用了一个近似的LRU逻辑：那就是：取样一个小量的keys，在其中选择最好的LRU候选者。
尽管如此，3.0版本的Redis对此进行了优化：保持一组最好的LRU候选者（理解为池的概念），这样提高了算法性能，使其性能更加接近真实的LRU算法的性能。
不完美的LRU算法也提供给使用者一个好的调整算法精度的机会：改变算法取样的大小。从统计学的角度讲，当取样的大小无限大的时候，就基本接近了真实的LRU算法，但是内存消耗也相应的增长，这就需要使用者在两者之间选一个平衡点，这正是玩儿家的最大乐趣。
如下是 redis.conf的取样大小的配置：
maxmemory-samples 5
相关的证明显示，在取样大小为5时，Redis 3.0的表现优于Redis 2.8，但是后者保留了更多的最近使用过的keys。当取样大小为10的时候，Redis 3.0的性能基本非常接近真实的LRU算法性能了。
在实际情况中，如果使用的是Redis 3.0，可以将取样大小提升至10，以牺牲些许的CPU为代价是之更接近真实的LRU算法性能，然后观察错误率的不同。
最后， config set命令设置取样大小的命令格式是：
config set maxmemory-samples <count>