一、核心内存管理与并发参数
内存容量与上限策略
内存容量与上限策略直接决定了高并发场景下的命中率与淘汰成本。合理设定 maxmemory，可以避免瞬时内存抛错，同时通过 <= 预留内存保障系统稳定性。对于流量高峰期，把内存上限与数据结构的热度分布建立映射，有助于减少频繁的内存回收与垃圾清理对吞吐的冲击。
在实际运行中，建议结合业务峰值与节点数量，计算安全冗余区间，并将其写入配置以实现自适应控制。通过阶段性观测内存占用曲线，动态调整 maxmemory 与 eviction 策略，能显著降低 OOM 事件的概率。
maxmemory 2gb
maxmemory-policy allkeys-lru
重要要点：在高并发场景，内存策略应与数据热度绑定，避免冷数据占用热缓存导致命中率下降。
并发吞吐与连接模型
并发吞吐取决于连接模型、事件循环与执行上下文的开销。在高并发时，合理配置 hz、io-threads，以及连接上限，可以提升请求处理的稳定性与响应时延的一致性。事件循环的粒度与任务切分直接影响吞吐峰值，需要结合应用特征进行调校。
为降低竞争与锁粒度，建议采用较低的系统调度干扰，例如将 cpu 亲和性与 Redis 进程绑定，配合合适的线程模型与阻塞策略。避免单点资源瓶颈，如单线程格局下的阻塞 I/O，会拉低整体并发表现。
hz 15
io-threads 4
io-threads-do-reads yes
实战要点：在多核机器上开启 io-threads 能显著提升并发读取场景的吞吐，但要监控上下文切换成本以防过度并发导致内存抖动。
二、持久化机制与写入性能优化
AOF与RDB的权衡与配置
AOF与RDB的权衡直接影响写入吞吐与数据安全性。在高并发写入场景，优先考虑 AOF 的异步化与 fsync 策略，确保写入延迟不会成为瓶颈。RDB 的快照对并发写入影响较小，但存在短暂的数据丢失风险，需要综合业务容错需求决定使用组合策略。
结合实际场景，推荐将 AOF 与 RDB 配置协调起来：在高峰期减少 RDB 的触发频率，提升 AOF 的异步写入比例，以降低写放大效应。正确配置可以平衡持久化与吞吐，提升稳定性。
appendonly yes
appendfsync everysec
save 900 1
save 300 10
重要要点：持久化策略应与业务容错需求匹配，尽量通过异步写入和合适的保存策略减少对主路径的阻塞。
持久化对并发写入的影响与缓解
持久化写入的影响在高并发写场景中尤为明显，尤其当 fsync 频繁或持久化线程争抢 CPU 时。通过调整 fsync 策略、削峰持久化写入、并行化写入队列，可以降低对主请求的干扰。监控持久化曲线与延迟分布，及时发现抖动点，是提升稳定性的关键。
为缓解潜在抖动，可以将持久化分离到独立的 I/O 路径，使用更现代的持久化配置，如延迟性 fsync、按需开启 AOF 重写等。保持写入路径的连续性与低抖动，有助于稳定高并发场景的响应。
appendonly yes
appendfsync everysec
no-appendfsync-on-rewrite yes
aof-rewrite-min-size 64mb
实战要点：在高并发写入时，避免频繁的 AOF 重写触发导致的阻塞，结合定期重写与异步落盘策略，实现更平滑的写入峰值。
三、网络与连接调优
并发连接数与资源上限
并发连接数的上限直接决定了同时处理请求的数量。若连接超过系统可承载的队列长度，出现连接拒绝与等待，吞吐将下降。通过增大 maxclients 与合理配置系统文件描述符上限，可以缓解排队压力，提升峰值吞吐。
在实际部署中，结合操作系统参数，如 file descriptors、epoll 设置，以及网络栈的缓冲区大小，来匹配 Redis 的并发需求。优化目标是降低连接排队时间，提高每次请求的命中与处理效率。
tcp-backlog 511
tcp-keepalive 300
maxclients 10000
重要要点：将应用前置负载均衡与后端 Redis 集群的连接容量整合，避免单点连接资源成为瓶颈。
io-threads与事件循环
io-threads和事件循环共同决定了网络 I/O 的并发度与响应时间。对高并发场景，适度增加 io-threads 可提升并发读取能力，但要避免过度竞争导致上下文切换剧增。监控 CPU 与内存利用率的变化曲线，动态调整线程数量。
结合 hz 参数，可以控制定时任务的触发频次，避免定时器抖动影响请求延迟。通过观测延迟分布与吞吐峰值，迭代调整参数，达到稳定性与吞吐的折中。
hz 15
io-threads 4
io-threads-do-reads yes
实战要点：在多机房分支部署时，确保每个节点的 io-threads 设置与本地网络延迟相匹配，避免跨区域调用引起的额外开销。
四、缓存策略与冷热数据优化
冷热数据分层与内存命中
冷热数据分层帮助在高并发场景中提升命中率。将热数据保存在快速内存结构中，冷数据可采用更持久、容量更大的存储层，减少内存压力。命中率提升直接转化为更低的平均延迟，是提升并发吞吐的有效手段。
通过合理的 eviction 策略与数据分区，可以让热数据保留在高速缓存中，而冷数据逐步淘汰。热数据管理是高并发系统的重要优化点，需要结合应用访问模式持续迭代。
# 示例：结合热数据分层策略的缓存配置项
maxmemory 4gb
maxmemory-policy allkeys-lru
rdbcompression yes
重要要点：对冷热数据的动态分层，是提升高并发场景下命中率与稳定性的关键。
数据序列化与传输效率
序列化与传输效率直接影响客户端与 Redis 之间的往来成本。在高并发场景中，轻量化的序列化格式和合理的响应协议版本可以降低网络开销。RESP3 的启用与兼容性需要结合客户端支持情况，以避免不兼容导致的额外开销。
通过开启 RESP3、简化请求体以及缓冲区管理，可以降低单次请求的传输成本，同时提升整体吞吐。网络层优化与协议版本的匹配，是端到端性能改进的重要环节。
protover 3
# 若你的客户端已全面支持 RESP3，可考虑启用上面配置
实战要点：确保客户端库对新协议版本的支持与稳定性，避免因协议变更带来的兼容性问题，影响高并发时的稳定性。
