当前位置:首页 > 文章列表 > 文章 > linux > Linux tmpfs缓存目录的容量与重启清空边界

Linux tmpfs缓存目录的容量与重启清空边界

来源:17golang原创 2026-09-26 16:22:30 0浏览 收藏

Linux 的 tmpfs 适合放可重新生成的缓存、编译中间文件和短期 socket 文件,但“放在内存里”不等于“固定占用一半内存”。它按实际写入量增长,同时受挂载参数限制;默认上限通常是物理内存的 50%,内容在卸载后会消失。生产环境应显式设置 size,再根据文件数量补充 nr_inodes,不要把数据库、上传文件或唯一日志放进 tmpfs。

要点速览
  • size=2G 是容量上限,不是启动时立即占用 2G RAM。
  • tmpfs 页面会使用RAM,内存紧张时默认可以进入swap;需要避免换出时再评估 noswap。
  • 卸载会丢弃内容,重启是否清空取决于挂载点是否重新创建以及应用是否恢复缓存。

先确认tmpfs的容量上限和实际占用

排查“缓存目录突然写满”时,先看挂载参数,不要只看宿主机的总内存。下面的命令把文件系统类型、上限和当前使用量放在一起;注释只解释示例意图,不代表一张真实终端截图。

# 查看挂载类型、size、inode上限和当前使用量
findmnt -no TARGET,FSTYPE,OPTIONS /var/cache/myapp
df -h /var/cache/myapp
df -i /var/cache/myapp

# 创建一个有明确容量和权限边界的缓存挂载点
sudo mkdir -p /var/cache/myapp
sudo mount -t tmpfs -o size=2G,nr_inodes=200k,mode=0750 tmpfs /var/cache/myapp

df -h 显示的是已使用和可用空间,df -i 用来发现“小文件很多但容量还没满”的 inode 瓶颈。size 可以使用字节或百分比;没有显式设置时,内核文档给出的默认上限是物理内存的 50%。这个上限只是该实例的限制,真正的内存消耗随文件内容变化。

Linux tmpfs缓存目录的size、nr_inodes与实际内存占用关系说明图
图1:tmpfs容量边界说明图,区分size上限、inode上限和随内容增长的实际占用。

用容量、inode和swap共同做边界

只设置 size 还不够。大量小文件可能先耗尽 inode;共享目录还需要用 mode、uid 和 gid 限制访问。tmpfs 默认允许在内存压力下使用swap,因此它不是“永远只占RAM”的保证。Linux 6.4及更新内核支持 noswap,但应先确认应用能承受更早的写入失败。

参数或状态解决的问题边界提醒
size=2G限制文件内容总量不是预分配,也不是主机剩余内存承诺
nr_inodes=200k限制文件和目录数量小文件密集时必须单独估算
mode=0750限制目录访问再结合uid/gid匹配服务用户
noswap避免tmpfs页面换出内存压力下更容易触发写入失败或回收

需要调整上限时可以重新挂载,不必先删除现有文件;但新上限不能低于当前使用量。容量调整属于资源治理的一部分,建议先观察应用的峰值文件量,再把余量写进部署配置。

# 仅提高上限;新值不能小于当前已用空间
sudo mount -o remount,size=3G,nr_inodes=300k /var/cache/myapp

# 查看内核记录的tmpfs/shmem相关统计,辅助判断内存压力
grep -E 'Shmem|SwapFree|MemAvailable' /proc/meminfo
tmpfs缓存内容在RAM、swap和noswap边界之间的关系结构图
图2:RAM、swap与noswap关系结构图,说明tmpfs实际占用和容量上限是两个维度。

卸载、重启与自动挂载不是同一件事

tmpfs 的内容没有磁盘副本。执行卸载、系统关机或挂载实例被移除后,目录里的缓存就不再可用;再次挂载只会得到一个新的空实例。把配置写进 /etc/fstab 只能保证系统按参数重新挂载,不能恢复旧文件。

# /etc/fstab:应用缓存允许丢失,重启后由服务重新生成
tmpfs /var/cache/myapp tmpfs rw,nosuid,nodev,noexec,size=2G,nr_inodes=200k,mode=0750 0 0

因此部署时要同时检查三件事:应用启动前挂载点已经存在;应用启动后能重新生成缓存;监控同时观察 df -h、df -i 和主机内存。若目录保存的是用户上传内容、任务唯一中间结果或需要跨重启恢复的数据,应改用磁盘文件系统,并把缓存淘汰策略放在应用层。

按场景选择tmpfs的检查清单

  • 适合:可重建的热点缓存、短生命周期构建产物、临时解压目录。
  • 谨慎:大量小文件、容器共享目录、没有swap且内存余量很小的主机。
  • 不适合:唯一业务数据、需要跨重启恢复的队列、审计日志和用户上传原件。

可以把决策简化为一句话:数据能否无损重建,决定能不能接受tmpfs清空;峰值内存和文件数量,决定 size 与 nr_inodes;是否允许换出,决定是否采用 noswap。三个答案都明确后,再把挂载参数固化到发布配置。

常见问题

tmpfs设置了2G是不是马上占用2G内存?

不是。2G是该挂载实例的上限,实际占用会随文件内容增长,并可能受到swap策略影响。

为什么df显示还有空间却无法创建文件?

常见原因是 inode 达到 nr_inodes 上限,使用 df -i 检查;也要排查权限和只读挂载状态。

重启后tmpfs文件还能找回来吗?

不能把它当作持久存储。重启后通常得到重新挂载的空目录,应用应负责重新生成缓存。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go flag解析重复参数并保留用户输入顺序的处理方式Go flag解析重复参数并保留用户输入顺序的处理方式
上一篇
Go flag解析重复参数并保留用户输入顺序的处理方式
Go net/http服务端读取请求体超时的超时器组织方式
下一篇
Go net/http服务端读取请求体超时的超时器组织方式
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    226次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    273次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    235次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    219次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    1次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码