Redis中LRU淘汰策略的深入分析
前言
Redis作为缓存使用时，一些场景下要考虑内存的空间消耗问题。Redis会删除过期键以释放空间，过期键的删除策略有两种：
- 惰性删除：每次从键空间中获取键时，都检查取得的键是否过期，如果过期的话，就删除该键；如果没有过期，就返回该键。
- 定期删除：每隔一段时间，程序就对数据库进行一次检查，删除里面的过期键。
另外，Redis也可以开启LRU功能来自动淘汰一些键值对。
LRU算法
当需要从缓存中淘汰数据时，我们希望能淘汰那些将来不可能再被使用的数据，保留那些将来还会频繁访问的数据，但最大的问题是缓存并不能预言未来。一个解决方法就是通过LRU进行预测：最近被频繁访问的数据将来被访问的可能性也越大。缓存中的数据一般会有这样的访问分布：一部分数据拥有绝大部分的访问量。当访问模式很少改变时，可以记录每个数据的最后一次访问时间，拥有最少空闲时间的数据可以被认为将来最有可能被访问到。
举例如下的访问模式，A每5s访问一次，B每2s访问一次，C与D每10s访问一次，|代表计算空闲时间的截止点：
~~~~~A~~~~~A~~~~~A~~~~A~~~~~A~~~~~A~~|
~~B~~B~~B~~B~~B~~B~~B~~B~~B~~B~~B~~B~|
~~~~~~~~~~C~~~~~~~~~C~~~~~~~~~C~~~~~~|
~~~~~D~~~~~~~~~~D~~~~~~~~~D~~~~~~~~~D|
可以看到，LRU对于A、B、C工作的很好，完美预测了将来被访问到的概率B>A>C，但对于D却预测了最少的空闲时间。
但是，总体来说，LRU算法已经是一个性能足够好的算法了
LRU配置参数
Redis配置中和LRU有关的有三个：
- maxmemory:配置Redis存储数据时指定限制的内存大小，比如100m。当缓存消耗的内存超过这个数值时,将触发数据淘汰。该数据配置为0时，表示缓存的数据量没有限制,即LRU功能不生效。64位的系统默认值为0，32位的系统默认内存限制为3GB
- maxmemory_policy:触发数据淘汰后的淘汰策略
- maxmemory_samples:随机采样的精度，也就是随即取出key的数目。该数值配置越大,越接近于真实的LRU算法，但是数值越大，相应消耗也变高，对性能有一定影响，样本值默认为5。
淘汰策略
淘汰策略即maxmemory_policy的赋值有以下几种：
- noeviction:如果缓存数据超过了maxmemory限定值，并且客户端正在执行的命令(大部分的写入指令，但DEL和几个指令例外)会导致内存分配，则向客户端返回错误响应
- allkeys-lru:对所有的键都采取LRU淘汰
- volatile-lru:仅对设置了过期时间的键采取LRU淘汰
- allkeys-random:随机回收所有的键
- volatile-random:随机回收设置过期时间的键
- volatile-ttl:仅淘汰设置了过期时间的键---淘汰生存时间TTL(TimeToLive)更小的键
volatile-lru,volatile-random和volatile-ttl这三个淘汰策略使用的不是全量数据，有可能无法淘汰出足够的内存空间。在没有过期键或者没有设置超时属性的键的情况下，这三种策略和noeviction差不多。
一般的经验规则:
- 使用allkeys-lru策略：当预期请求符合一个幂次分布(二八法则等)，比如一部分的子集元素比其它其它元素被访问的更多时，可以选择这个策略。
- 使用allkeys-random：循环连续的访问所有的键时，或者预期请求分布平均（所有元素被访问的概率都差不多）
- 使用volatile-ttl：要采取这个策略，缓存对象的TTL值最好有差异
volatile-lru和volatile-random策略，当你想要使用单一的Redis实例来同时实现缓存淘汰和持久化一些经常使用的键集合时很有用。未设置过期时间的键进行持久化保存，设置了过期时间的键参与缓存淘汰。不过一般运行两个实例是解决这个问题的更好方法。
为键设置过期时间也是需要消耗内存的，所以使用allkeys-lru这种策略更加节省空间，因为这种策略下可以不为键设置过期时间。
近似LRU算法
我们知道，LRU算法需要一个双向链表来记录数据的最近被访问顺序，但是出于节省内存的考虑，Redis的LRU算法并非完整的实现。Redis并不会选择最久未被访问的键进行回收，相反它会尝试运行一个近似LRU的算法，通过对少量键进行取样，然后回收其中的最久未被访问的键。通过调整每次回收时的采样数量maxmemory-samples，可以实现调整算法的精度。
根据Redis作者的说法，每个RedisObject可以挤出24bits的空间，但24bits是不够存储两个指针的，而存储一个低位时间戳是足够的，RedisObject以秒为单位存储了对象新建或者更新时的unixtime，也就是LRUclock，24bits数据要溢出的话需要194天，而缓存的数据更新非常频繁，已经足够了。
Redis的键空间是放在一个哈希表中的，要从所有的键中选出一个最久未被访问的键，需要另外一个数据结构存储这些源信息，这显然不划算。最初，Redis只是随机的选3个key，然后从中淘汰，后来算法改进到了N个key的策略，默认是5个。
Redis3.0之后又改善了算法的性能，会提供一个待淘汰候选key的pool，里面默认有16个key，按照空闲时间排好序。更新时从Redis键空间随机选择N个key，分别计算它们的空闲时间idle，key只会在pool不满或者空闲时间大于pool里最小的时，才会进入pool，然后从pool中选择空闲时间最大的key淘汰掉。
真实LRU算法与近似LRU的算法可以通过下面的图像对比：
浅灰色带是已经被淘汰的对象，灰色带是没有被淘汰的对象，绿色带是新添加的对象。可以看出，maxmemory-samples值为5时Redis3.0效果比Redis2.8要好。使用10个采样大小的Redis3.0的近似LRU算法已经非常接近理论的性能了。
数据访问模式非常接近幂次分布时，也就是大部分的访问集中于部分键时，LRU近似算法会处理得很好。
在模拟实验的过程中，我们发现如果使用幂次分布的访问模式，真实LRU算法和近似LRU算法几乎没有差别。
LRU源码分析
Redis中的键与值都是redisObject对象：
typedefstructredisObject{
unsignedtype:4;
unsignedencoding:4;
unsignedlru:LRU_BITS;/*LRUtime(relativetogloballru_clock)or
*LFUdata(leastsignificant8bitsfrequency
*andmostsignificant16bitsaccesstime).*/
intrefcount;
void*ptr;
}robj;
unsigned的低24bits的lru记录了redisObj的LRUtime。
Redis命令访问缓存的数据时,均会调用函数lookupKey:
robj*lookupKey(redisDb*db,robj*key,intflags){
dictEntry*de=dictFind(db->dict,key->ptr);
if(de){
robj*val=dictGetVal(de);
/*Updatetheaccesstimefortheageingalgorithm.
*Don'tdoitifwehaveasavingchild,asthiswilltrigger
*acopyonwritemadness.*/
if(server.rdb_child_pid==-1&&
server.aof_child_pid==-1&&
!(flags&LOOKUP_NOTOUCH))
{
if(server.maxmemory_policy&MAXMEMORY_FLAG_LFU){
updateLFU(val);
}else{
val->lru=LRU_CLOCK();
}
}
returnval;
}else{
returnNULL;
}
}
该函数在策略为LRU(非LFU)时会更新对象的lru值,设置为LRU_CLOCK()值:
/*ReturntheLRUclock,basedontheclockresolution.Thisisatime
*inareduced-bitsformatthatcanbeusedtosetandcheckthe
*object->lrufieldofredisObjectstructures.*/
unsignedintgetLRUClock(void){
return(mstime()/LRU_CLOCK_RESOLUTION)&LRU_CLOCK_MAX;
}
/*ThisfunctionisusedtoobtainthecurrentLRUclock.
*Ifthecurrentresolutionislowerthanthefrequencywerefreshthe
*LRUclock(asitshouldbeinproductionservers)wereturnthe
*precomputedvalue,otherwiseweneedtoresorttoasystemcall.*/
unsignedintLRU_CLOCK(void){
unsignedintlruclock;
if(1000/server.hz<=LRU_CLOCK_RESOLUTION){
atomicGet(server.lruclock,lruclock);
}else{
lruclock=getLRUClock();
}
returnlruclock;
}
LRU_CLOCK()取决于LRU_CLOCK_RESOLUTION(默认值1000)，LRU_CLOCK_RESOLUTION代表了LRU算法的精度，即一个LRU的单位是多长。server.hz代表服务器刷新的频率，如果服务器的时间更新精度值比LRU的精度值要小，LRU_CLOCK()直接使用服务器的时间，减小开销。
Redis处理命令的入口是processCommand:
intprocessCommand(client*c){
/*Handlethemaxmemorydirective.
*
*Notethatwedonotwanttoreclaimmemoryifweareherere-entering
*theeventloopsincethereisabusyLuascriptrunningintimeout
*condition,toavoidmixingthepropagationofscriptswiththe
*propagationofDELsduetoeviction.*/
if(server.maxmemory&&!server.lua_timedout){
intout_of_memory=freeMemoryIfNeededAndSafe()==C_ERR;
/*freeMemoryIfNeededmayflushslaveoutputbuffers.Thismayresult
*intoaslave,thatmaybetheactiveclient,tobefreed.*/
if(server.current_client==NULL)returnC_ERR;
/*Itwasimpossibletofreeenoughmemory,andthecommandtheclient
*istryingtoexecuteisdeniedduringOOMconditionsortheclient
*isinMULTI/EXECcontext?Error.*/
if(out_of_memory&&
(c->cmd->flags&CMD_DENYOOM||
(c->flags&CLIENT_MULTI&&c->cmd->proc!=execCommand))){
flagTransaction(c);
addReply(c,shared.oomerr);
returnC_OK;
}
}
}
只列出了释放内存空间的部分，freeMemoryIfNeededAndSafe为释放内存的函数：
intfreeMemoryIfNeeded(void){
/*Bydefaultreplicasshouldignoremaxmemory
*andjustbemastersexactcopies.*/
if(server.masterhost&&server.repl_slave_ignore_maxmemory)returnC_OK;
size_tmem_reported,mem_tofree,mem_freed;
mstime_tlatency,eviction_latency;
longlongdelta;
intslaves=listLength(server.slaves);
/*Whenclientsarepausedthedatasetshouldbestaticnotjustfromthe
*POVofclientsnotbeingabletowrite,butalsofromthePOVof
*expiresandevictionsofkeysnotbeingperformed.*/
if(clientsArePaused())returnC_OK;
if(getMaxmemoryState(&mem_reported,NULL,&mem_tofree,NULL)==C_OK)
returnC_OK;
mem_freed=0;
if(server.maxmemory_policy==MAXMEMORY_NO_EVICTION)
gotocant_free;/*Weneedtofreememory,butpolicyforbids.*/
latencyStartMonitor(latency);
while(mem_freeddict:db->expires;
if((keys=dictSize(dict))!=0){
evictionPoolPopulate(i,dict,db->dict,pool);
total_keys+=keys;
}
}
if(!total_keys)break;/*Nokeystoevict.*/
/*Gobackwardfrombesttoworstelementtoevict.*/
for(k=EVPOOL_SIZE-1;k>=0;k--){
if(pool[k].key==NULL)continue;
bestdbid=pool[k].dbid;
if(server.maxmemory_policy&MAXMEMORY_FLAG_ALLKEYS){
de=dictFind(server.db[pool[k].dbid].dict,
pool[k].key);
}else{
de=dictFind(server.db[pool[k].dbid].expires,
pool[k].key);
}
/*Removetheentryfromthepool.*/
if(pool[k].key!=pool[k].cached)
sdsfree(pool[k].key);
pool[k].key=NULL;
pool[k].idle=0;
/*Ifthekeyexists,isourpick.Otherwiseitis
*aghostandweneedtotrythenextelement.*/
if(de){
bestkey=dictGetKey(de);
break;
}else{
/*Ghost...Iterateagain.*/
}
}
}
}
/*volatile-randomandallkeys-randompolicy*/
elseif(server.maxmemory_policy==MAXMEMORY_ALLKEYS_RANDOM||
server.maxmemory_policy==MAXMEMORY_VOLATILE_RANDOM)
{
/*Whenevictingarandomkey,wetrytoevictakeyfor
*eachDB,soweusethestatic'next_db'variableto
*incrementallyvisitallDBs.*/
for(i=0;idict:db->expires;
if(dictSize(dict)!=0){
de=dictGetRandomKey(dict);
bestkey=dictGetKey(de);
bestdbid=j;
break;
}
}
}
/*Finallyremovetheselectedkey.*/
if(bestkey){
db=server.db+bestdbid;
robj*keyobj=createStringObject(bestkey,sdslen(bestkey));
propagateExpire(db,keyobj,server.lazyfree_lazy_eviction);
/*Wecomputetheamountofmemoryfreedbydb*Delete()alone.
*Itispossiblethatactuallythememoryneededtopropagate
*theDELinAOFandreplicationlinkisgreaterthantheone
*wearefreeingremovingthekey,butwecan'taccountfor
*thatotherwisewewouldneverexittheloop.
*
*AOFandOutputbuffermemorywillbefreedeventuallyso
*weonlycareaboutmemoryusedbythekeyspace.*/
delta=(longlong)zmalloc_used_memory();
latencyStartMonitor(eviction_latency);
if(server.lazyfree_lazy_eviction)
dbAsyncDelete(db,keyobj);
else
dbSyncDelete(db,keyobj);
latencyEndMonitor(eviction_latency);
latencyAddSampleIfNeeded("eviction-del",eviction_latency);
latencyRemoveNestedEvent(latency,eviction_latency);
delta-=(longlong)zmalloc_used_memory();
mem_freed+=delta;
server.stat_evictedkeys++;
notifyKeyspaceEvent(NOTIFY_EVICTED,"evicted",
keyobj,db->id);
decrRefCount(keyobj);
keys_freed++;
/*Whenthememorytofreestartstobebigenough,wemay
*startspendingsomuchtimeherethatisimpossibleto
*deliverdatatotheslavesfastenough,soweforcethe
*transmissionhereinsidetheloop.*/
if(slaves)flushSlavesOutputBuffers();
/*Normallyourstopconditionistheabilitytorelease
*afixed,pre-computedamountofmemory.Howeverwhenwe
*aredeletingobjectsinanotherthread,it'sbetterto
*check,fromtimetotime,ifwealreadyreachedourtarget
*memory,sincethe"mem_freed"amountiscomputedonly
*acrossthedbAsyncDelete()call,whilethethreadcan
*releasethememoryallthetime.*/
if(server.lazyfree_lazy_eviction&&!(keys_freed%16)){
if(getMaxmemoryState(NULL,NULL,NULL,NULL)==C_OK){
/*Let'ssatisfyourstopcondition.*/
mem_freed=mem_tofree;
}
}
}
if(!keys_freed){
latencyEndMonitor(latency);
latencyAddSampleIfNeeded("eviction-cycle",latency);
gotocant_free;/*nothingtofree...*/
}
}
latencyEndMonitor(latency);
latencyAddSampleIfNeeded("eviction-cycle",latency);
returnC_OK;
cant_free:
/*Wearehereifwearenotabletoreclaimmemory.Thereisonlyone
*lastthingwecantry:checkifthelazyfreethreadhasjobsinqueue
*andwait...*/
while(bioPendingJobsOfType(BIO_LAZY_FREE)){
if(((mem_reported-zmalloc_used_memory())+mem_freed)>=mem_tofree)
break;
usleep(1000);
}
returnC_ERR;
}
/*ThisisawrapperforfreeMemoryIfNeeded()thatonlyreallycallsthe
*functionifrightnowtherearetheconditionstodososafely:
*
*-Theremustbenoscriptintimeoutcondition.
*-Norweareloadingdatarightnow.
*
*/
intfreeMemoryIfNeededAndSafe(void){
if(server.lua_timedout||server.loading)returnC_OK;
returnfreeMemoryIfNeeded();
}
几种淘汰策略maxmemory_policy就是在这个函数里面实现的。
当采用LRU时，可以看到，从0号数据库开始(默认16个)，根据不同的策略，选择redisDb的dict(全部键)或者expires(有过期时间的键)，用来更新候选键池子pool，pool更新策略是evictionPoolPopulate:
voidevictionPoolPopulate(intdbid,dict*sampledict,dict*keydict,structevictionPoolEntry*pool){
intj,k,count;
dictEntry*samples[server.maxmemory_samples];
count=dictGetSomeKeys(sampledict,samples,server.maxmemory_samples);
for(j=0;jEVPOOL_CACHED_SDS_SIZE){
pool[k].key=sdsdup(key);
}else{
memcpy(pool[k].cached,key,klen+1);
sdssetlen(pool[k].cached,klen);
pool[k].key=pool[k].cached;
}
pool[k].idle=idle;
pool[k].dbid=dbid;
}
}
Redis随机选择maxmemory_samples数量的key，然后计算这些key的空闲时间idletime，当满足条件时(比pool中的某些键的空闲时间还大)就可以进pool。pool更新之后，就淘汰pool中空闲时间最大的键。
estimateObjectIdleTime用来计算Redis对象的空闲时间：
/*Givenanobjectreturnstheminnumberofmillisecondstheobjectwasnever
*requested,usinganapproximatedLRUalgorithm.*/
unsignedlonglongestimateObjectIdleTime(robj*o){
unsignedlonglonglruclock=LRU_CLOCK();
if(lruclock>=o->lru){
return(lruclock-o->lru)*LRU_CLOCK_RESOLUTION;
}else{
return(lruclock+(LRU_CLOCK_MAX-o->lru))*
LRU_CLOCK_RESOLUTION;
}
}
空闲时间基本就是就是对象的lru和全局的LRU_CLOCK()的差值乘以精度LRU_CLOCK_RESOLUTION，将秒转化为了毫秒。
参考链接
- RandomnotesonimprovingtheRedisLRUalgorithm
- UsingRedisasanLRUcache
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对毛票票的支持。