Redis配置文件介绍
- 自定义目录：/etc/redis.conf
1. 单位
- 配置大小单位，开头定义了一些基本的度量单位，只支持bytes，不支持bit，大小写不敏感
2. INCLUDES包含
- 类似jsp中的include，多实例的情况可以把公用的配置文件提取出来
3. 网络相关配置
3.1 bind
- 默认情况
bind=127.0.0.1只能接受本机的访问请求 - 不写的情况下，无限制接受任何ip地址的访问
- 生产环境肯定要写你应用服务器的地址；服务器是需要远程访问的，所以需要将其注释掉
3.2 protected-mode
- 如果开启了
protected-mode，那么在没有设定bind ip且没有设密码的情况下，Redis只允许接受本机的响应 - 将本机访问保护模式设置
no，redis在服务器上的时候就需要设置为no
3.3 Port
- 端口号，默认 6379
3.4 tcp-backlog
- 设置
tcp的backlog，backlog其实是一个连接队列，backlog队列总和=未完成三次握手队列 + 已经完成三次握手队列。 - 在高并发环境下需要一个高backlog值来避免慢客户端连接问题。
- 注意Linux内核会将这个值减小到/proc/sys/net/core/somaxconn的值（128），所以需要确认增大/proc/sys/net/core/somaxconn和/proc/sys/net/ipv4/tcp_max_syn_backlog（128）两个值来达到想要的效果
3.5 timeout
- 一个空闲的客户端维持多少秒会关闭，0表示关闭该功能。即永不关闭。
3.6 tcp-keepalive
- 对访问客户端的一种心跳检测，每个n秒检测一次,单位为秒，如果设置为0，则不会进行Keepalive检测，建议设置成60
4. GENERAL通用
4.1 daemonize
- 是否为后台进程，设置为yes，守护进程，后台启动
4.2 pidfile
- 存放pid文件的位置，每个实例会产生一个不同的pid文件
4.3 loglevel
- 指定日志记录级别，Redis总共支持四个级别：debug、verbose、notice、warning，默认为notice
- 四个级别根据使用阶段来选择，生产环境选择notice 或者warning
4.4 logfile
日志文件名称
4.5 databases 16
- 设定库的数量 默认16，默认数据库为0，可以使用SELECT 命令在连接上指定数据库id
5. SECURITY安全
5.1 设置密码
- 访问密码的查看、设置和取消
- 在命令中设置密码，只是临时的。重启redis服务器，密码就还原了。
- 永久设置，需要再配置文件中进行设置。
6. LIMITS限制
6.1 maxclients
- 设置redis同时可以与多少个客户端进行连接。
- 默认情况下为10000个客户端。
- 如果达到了此限制，redis则会拒绝新的连接请求，并且向这些连接请求方发出“max number of clients reached”以作回应。
6.2 maxmemory
- 建议必须设置，否则，将内存占满，造成服务器宕机
- 设置redis可以使用的内存量。一旦到达内存使用上限，redis将会试图移除内部数据，移除规则可以通过maxmemory-policy来指定。
- 如果redis无法根据移除规则来移除内存中的数据，或者设置了“不允许移除”，那么redis则会针对那些需要申请内存的指令返回错误信息，比如SET、LPUSH等。
- 但是对于无内存申请的指令，仍然会正常响应，比如GET等。如果你的redis是主redis（说明你的redis有从redis），那么在设置内存使用上限时，需要在系统中留出一些内存空间给同步队列缓存，只有在你设置的是“不移除”的情况下，才不用考虑这个因素。
6.3 maxmemory-policy
- volatile-lru：使用LRU算法移除key，只对设置了过期时间的键；（最近最少使用）
- allkeys-lru：在所有集合key中，使用LRU算法移除key
- volatile-random：在过期集合中移除随机的key，只对设置了过期时间的键
- allkeys-random：在所有集合key中，移除随机的key
- volatile-ttl：移除那些TTL值最小的key，即那些最近要过期的key
- noeviction：不进行移除。针对写操作，只是返回错误信息
6.4 maxmemory-samples
- 设置样本数量，LRU算法和最小TTL算法都并非是精确的算法，而是估算值，所以你可以设置样本的大小，redis默认会检查这么多个key并选择其中LRU的那个。
- 一般设置3到7的数字，数值越小样本越不准确，但性能消耗越小。
