一、基础对象结构
核心对象：所有数据类型均基于redisObject统一封装，包含五大核心属性：type（数据类型）、encoding（底层编码）、ptr（数据指针）、refcount（引用计数）、lru（淘汰标识）。
设计优势：支持动态编码，可根据数据量、数据类型按需切换底层实现，兼顾性能与内存利用率；通过引用计数实现内存自动回收，支持对象共享，进一步提升内存利用率。
二、动态编码优化
核心原则：同一数据类型根据数据量、数据特性，自动切换底层编码，支持编码升级与降级，针对不同场景优化，减少内存碎片，提升算法效率。
1、String
底层采用SDS动态字符串（主力）与int整数编码（小整数场景），适配短字符串常用场景。
2、List
小数据量用压缩列表（ziplist），大数据量转快速链表（quicklist），同时支持listpack紧凑列表，解决ziplist级联更新问题。
3、Hash
小对象用ziplist，大数据量转Dict字典，平衡内存与查询性能。
4、Set
整数小集合用intset，字符串/大集合用hashtable，实现高效去重。
5、ZSet
小数据量用ziplist，大数据量用skiplist跳表+hashtable组合，兼顾排序与查询效率。
三、核心数据结构
1、SDS动态字符串
核心特性：二进制安全，支持预分配冗余空间减少扩容开销，采用惰性释放策略降低内存重分配损耗，可实现O(1)时间复杂度获取字符串长度。
优势：规避C字符串短板，适配Redis中字符串的各种使用场景（如键名、字符串值），兼顾性能与灵活性。
2、链表
底层实现：双端无环链表，带有表头指针与长度计数器，便于快速定位链表首尾节点与获取链表长度。
作用：作为部分数据结构的底层支撑，提升插入、删除操作的灵活性，适配需要频繁修改的场景。
3、Dict字典
核心机制：采用链地址法解决哈希冲突，通过渐进式Rehash实现无阻塞扩容，哈希算法选用MurmurHash2，哈希分布均匀，减少冲突概率。
优化设计：双哈希表结构实现平滑扩容，通过负载因子控制扩容时机；渐进式Rehash分批次迁移数据，结合定时任务与读写操作触发迁移，避免阻塞主线程。
性能：单键增删改查操作时间复杂度为O(1)，ziplist编码场景下，因紧凑存储（CPU缓存友好，无指针开销）进一步提升效率。
4、压缩列表（ziplist）
核心设计：小数据紧凑存储，采用连续内存块组织数据，元素间无指针开销，大幅节省内存空间，支持快速定位元素。
优化：通过级联更新控制，减少级联更新带来的性能损耗，适配小数据量、高频访问的场景，后续被listpack进一步优化替代。
5、快速链表（quicklist）
核心结构：双向链表与Ziplist节点的结合，通过分段存储平衡内存占用与操作性能，避免纯链表的内存碎片问题。
性能优势：链表两端插入、删除操作时间复杂度为O(1)，Ziplist节点紧凑存储提升内存利用率，兼顾灵活性与内存效率。
6、紧凑列表（listpack）
设计目的：替代ziplist，解决ziplist级联更新的性能问题，优化内存占用与遍历效率。
优势：支持倒序遍历优化，紧凑存储节省内存，无级联更新隐患，适配小数据量紧凑存储场景。
7、整数集合（intset）
核心特性：有序存储、无重复元素，支持自动升级策略（int16→int32→int64），根据元素大小动态调整存储类型，最大限度节省内存。
性能：采用二分查找算法，查询效率高，适配纯整数小集合场景，内存利用率远超hashtable。
8、跳表（skiplist）
核心结构：多层索引结构，层级随机晋升概率为1/4，实现简单（无需旋转操作），替代平衡树降低实现复杂度。
性能：平均查询时间复杂度为O(logN)，插入、删除操作效率高，支持高效范围查询，结合hashtable实现O(1)时间复杂度获取元素分数，双结构兼顾排序与查询需求。
四、核心底层算法
1、渐进式Rehash
Dict字典核心优化，分批次迁移哈希表数据，结合定时任务与读写操作触发迁移，避免扩容过程中阻塞主线程，保障服务流畅。
2、MurmurHash2
Dict字典核心哈希算法，哈希分布均匀，冲突概率低，计算高效，适配Redis的哈希存储场景。
3、LRU（最近最少使用）
近似实现，通过随机采样key提升效率，作为内存淘汰策略之一，平衡性能与淘汰准确性，配合随机采样池优化淘汰效果。
4、LFU（最不经常使用）
基于访问频率实现，通过24位计数器记录元素访问频率，设置衰减因子防止冷数据永存，适配高频访问场景的内存淘汰需求。
5、HyperLogLog
基数估计算法，用于统计独立元素个数，内存占用极低，标准误差仅0.81%，无需存储全部元素，适配大数据量基数统计场景。
6、GeoHash
地理位置编码算法，将二维经纬度坐标映射到一维字符串，支持距离计算与范围查询，适配地理位置相关业务场景。
五、过期与淘汰策略
1、过期键删除
采用惰性删除与定期删除相结合的方式，平衡CPU与内存开销。惰性删除在访问键时判断是否过期，避免无用删除操作；定期删除通过随机采样删除过期键，控制删除频率，不阻塞主线程；过期键独立存储于哈希表，提升清理效率。
2、内存淘汰策略
共8种，核心分为4类，配合maxmemory配置使用，防止内存溢出：
2.1、LRU
近似算法，通过随机采样key实现，结合随机采样池优化淘汰准确性。
2.2、LFU
基于访问频率，通过24位计数器记录访问频率，设置衰减因子防止冷数据永存。
2.3、volatile系列
仅淘汰设置过期时间的键，适用于需要保留未过期数据的场景。
2.4、allkeys系列
淘汰所有键，适用于缓存场景，优先保留访问频率高的键；同时支持按TTL过期时间淘汰，适配时间敏感场景。
