缓存污染:在一些场景下，有些数据被访问次数非常少，甚至只会被访问一次。当这些数据服务完访问请求后，如果继续留存在缓存中的话，只会白白占用缓存空间。缓存污染严重，大量不再访问的数据滞留在缓存中，数据会沾满整个空间，我们再往缓存中写入数据时候，就需要淘汰已有缓存，引入额外操作时间开销，进而影响应用的性能。 二.如何解决缓存污染问题
把不会再被访问的数据筛选出来并淘汰掉，这样就不会产生缓存被写满以后再淘汰旧数据的情况。
三.volatitle-random和allkeys-random策略采用随机挑选数据的方式，来筛选即将被淘汰的数据。既然是随机挑选，那么 Redis 就不会根据数据的访问情况来筛选数据。如果被淘汰的数据又被访问了，就会发生缓存缺失。也就是说，应用需要到后端数据库中访问这些数据，降低了应用的请求响应速度。所以，volatile-random 和 allkeys-random 策略，在避免缓存污染这个问题上的效果非常有限。 四. volatitle-ttl
volatitle-ttl策略是否能有效应对缓存污染。volatitle-ttl针对的是设置过期时间的数据，把这些数据中剩余存活时间最短的筛选出来并淘汰掉。 volatitle-ttl策略不再是随机选择淘汰数据，但是剩余存活时间并不能直接反映数据再次访问的情况 因此，按照volatile-ttl策略淘汰数据和按随机访问方式淘汰数据类似，也可能出现数据淘汰后，再次访问导致的缓存缺失问题。 如果业务应用给数据设置过期时间时，明确知道数据会再次访问情况，并根据访问情况设置过期时间。此时，Redis按照数据的剩余最短存活时间进行筛选，在明确知道数据被再次访问情况下，volatitle-ttl可以有效避免缓存污染。 五.LRU缓存策略
LRU策略的核心思想：一个数据刚刚被访问，那么这个数据肯定是热数据，还会再次被访问。
实现方案：
Redis中LRU策略，会在每个数据对应的RedisObject结构体中设置一个lru字段，用来记录访问时间戳。再进行数据淘汰时，LRU策略会在候选数据集中淘汰掉lru字段值最小的数据（也就是访问时间最久的数据）。
存在问题：
只看数据访问时间，使用LRU策略在处理扫描式单次查询操作时，无法解决缓存污染问题。
扫描式单次查询操作：应对大量的数据进行一次全体读取，每个数据都会被读取而且只会被读取一次，此时被查询的数据刚刚被访问过。LRU字段值都很大。这些数据会缓存很长一段时间，造成缓存污染。
扫描式单次查询会造成污染 六.LFU缓存策略优化LFU策略中会从两个维度来筛选并淘汰一批数据：
数据访问的时效性（访问时间）数据的被访问次数
为每个数据域增加一个计数器，来统计这个数据的访问次数。
当使用 LFU 策略筛选淘汰数据时，
首先会根据数据访问次数进行筛选，把访问最低的数据淘汰出缓存。如果两个数的访问次数相同，LFU策略再比较两个数据的访问时效性，把距离上一次访问时间更久的数据淘汰出缓存。 LFU策略的实现：
为了避免操作链表的开销，Redis在实现LRU策略时使用了两个相近的方法：
Redis是用RedisObject结构来保存数据的，RedisObject结构中设置了一个lru字段，用来记录数据访问时间戳；Redis并没有为所以的数据维护一个全局的链表，而是通过随机采用的方式选取一定数量的数据放入候选集合，后续在候选集合中根据lru字段值的大小进行筛选。
Redis在实现LFU策略的时候，把原来24bit的lru字段进一步拆分成两部分：
- ldt值 ：lru字段的前16bit，表示数据访问时间戳 counter值：;ru字段的后8bit，表示数据访问次数。
当LFU策略筛选数据集时，Redis会在候选集合中，根据数据lru字段的后8bit选中访问次数最少的数据进行淘汰。当访问次数相同时候，再根据lru字段的前16bit值大小，选择访问时间的最久远的数据进行淘汰。
Redis只使用了8bit记录数据的访问次数，而8bit记录的最大值是255
在实现LFU策略时，Redis并没有采用数据没被访问一次，就给对应的counter值加1的计数规则，而是采用了更优化的计数规则。
七.应用场景：在实际业务应用中，LRU和LFU两个策略都有应用。 LRU更加关注数据的时效性，LFU策略更加关注数据的访问频次 实际应用的负载具有较好的时间局部性，所以LRU应用广泛 扫描式查询的应用场景可以优先使用LFU策略。
如果业务应用用有短时高频访问数据，除了 LFU 策略本身会对数据的访问次数进行自动衰减以外可以优先使用 volatile-lfu 策略，并根据这些数据的访问时限设置它们的过期时间。
