Redis作為一個成熟的資料存盤中間件，它提供了完善的資料管理功能，比如之前我們提到過的資料過期和今天我們要講的資料淘汰(evict)策略，在開始介紹Redis資料淘汰策略前，我先拋出幾個問題，幫助大家更深刻理解Redis的資料淘汰策略，
- 何為資料淘汰，Redis有了資料過期策略為什么還要有資料淘汰策略？
- 淘汰哪些資料，有什么樣的資料選取標準？
- Redis的資料淘汰策略是如何實作的？
何為Evict
我先來回答第一個問題，Redis中資料淘汰實際上是指的在記憶體空間不足時，清理掉某些資料以節省記憶體空間， 雖然Redis已經有了過期的策略，它可以清理掉有效期外的資料，但想象下這個場景，如果過期的資料被清理之后存盤空間還是不夠怎么辦？是不是還可以再洗掉掉一部分資料？ 在快取這種場景下 這個問題的答案是可以，因為這個資料即便在Redis中找不到，也可以從被快取的資料源中找到，所以在某些特定的業務場景下，我們是可以丟棄掉Redis中部分舊資料來給新資料騰出空間，
如何Evict
第二個問題，既然我們需要有淘汰的機制，你們在具體執行時要選哪些資料淘汰掉？具體策略有很多種，但思路只有一個，那就是總價值最大化，我們生在一個不公平的世界里，同樣資料也是，那么多資料里必然不是所有資料的價值都是一樣的，所以我們在淘汰資料時只需要選擇那些低價值的淘汰即可，
所以問題又來了，哪些資料是低價值的？這里不得不提到一個貫穿計算機學科的原理區域性原理，這里可以明確告訴你，區域性原理在快取場景有這樣兩種現象，1. 最新的資料下次被訪問的概率越高， 2. 被訪問次數越多的資料下次被訪問的概率越高， 這里我們可以簡單認為被訪問的概率越高價值越大，基于上述兩種現象，我們可以指定出兩種策略 1. 淘汰掉最早未被訪問的資料，2. 淘汰掉訪被訪問頻次最低的資料，這兩種策略分別有個洋氣的英文名LRU(Least Recently Used)和LFU(Least Frequently Used)，
Redis中的Evict策略
除了LRU和LFU之外，還可以隨機淘汰，這就是將資料一視同仁，隨機選取一部分淘汰，實際上Redis實作了以上3中策略，你使用時可以根據具體的資料配置某個淘汰策略，除了上述三種策略外，Redis還為由過期時間的資料提供了按TTL淘汰的策略，其實就是淘汰剩余TTL中最小的資料，另外需要注意的是Redis的淘汰策略可以配置在全域或者是有過期時間的資料上，所以Redis共計以下8中配置策略，
| 配置項 | 具體含義 |
|---|---|
| MAXMEMORY_VOLATILE_LRU | 僅在有過期時間的資料上執行LRU |
| MAXMEMORY_VOLATILE_LFU | 僅在有過期時間的資料上執行LFU |
| MAXMEMORY_VOLATILE_TTL | 在有過期時間的資料上按TTL長度淘汰 |
| MAXMEMORY_VOLATILE_RANDOM | 僅在有過期時間的資料上隨機淘汰 |
| MAXMEMORY_ALLKEYS_LRU | 在全域資料上執行LRU |
| MAXMEMORY_ALLKEYS_LFU | 在全域資料上執行LFU |
| MAXMEMORY_ALLKEYS_RANDOM | 在全域資料上隨機淘汰 |
| MAXMEMORY_NO_EVICTION | 不淘汰數，當記憶體空間滿時插入資料會報錯 |
原始碼剖析
接下來我們就從原始碼來看下Redis是如何實作以上幾種策略的，MAXMEMORY_VOLATILE_和MAXMEMORY_ALLKEYS_策略實作是一樣的，只是作用在不同的dict上而已，另外Random的策略也比較簡單，這里就不再詳解了，我們重點看下LRU和LFU，
LRU具體實作
LRU的本質是淘汰最久沒被訪問的資料，有種實作方式是用鏈表的方式實作，如果資料被訪問了就把它移到鏈表頭部，那么鏈尾一定是最久未訪問的資料，但是單鏈表的查詢時間復雜度是O(n)，所以一般會用hash表來加快查詢資料，比如Java中LinkedHashMap就是這么實作的，但Redis并沒有采用這種策略，Redis就是單純記錄了每個Key最近一次的訪問時間戳，通過時間戳排序的方式來選找出最早的資料，當然如果把所有的資料都排序一遍，未免也太慢了，所以Redis是每次選一批資料，然后從這批資料執行淘汰策略，這樣的好處就是性能高，壞處就是不一定是全域最優，只是達到區域最優，
typedef struct redisObject {
unsigned type:4;
unsigned encoding:4;
unsigned lru:LRU_BITS;
int refcount;
void *ptr;
} robj;
LRU資訊如何存的？ 在之前介紹redisObject的文章中 我們已提到過了，在redisObject中有個24位的lru欄位，這24位保存了資料訪問的時間戳(秒)，當然24位無法保存完整的unix時間戳，不到200天就會有一個輪回，當然這已經足夠了，
robj *lookupKey(redisDb *db, robj *key, int flags) {
dictEntry *de = dictFind(db->dict,key->ptr);
if (de) {
robj *val = dictGetVal(de);
if (!hasActiveChildProcess() && !(flags & LOOKUP_NOTOUCH)){
if (server.maxmemory_policy & MAXMEMORY_FLAG_LFU) {
updateLFU(val);
} else {
val->lru = LRU_CLOCK(); // 這里更新LRU時間戳
}
}
return val;
} else {
return NULL;
}
}
LFU具體實作
lru這個欄位也會被lfu用到，所以你在上面lookupkey中可以看到在使用lfu策略是也會更新lru，Redis中lfu的出現稍晚一些，是在Redis 4.0才被引入的，所以這里復用了lru欄位， lru的實作思路只有一種，就是記錄下key被訪問的次數，但實作lru有個問題需要考慮到，雖然LFU是按訪問頻次來淘汰資料，但在Redis中隨時可能有新資料就來，本身老資料可能有更多次的訪問，新資料當前被訪問次數少，并不意味著未來被訪問的次數會少，如果不考慮到這點，新資料可能一就來就會被淘汰掉，這顯然是不合理的，
Redis為了解決上述問題，將24位被分成了兩部分，高16位的時間戳(分鐘級)，低8位的計數器，每個新資料計數器初始有一定值，這樣才能保證它能走出新手村，然后計數值會隨著時間推移衰減，這樣可以保證老的但當前不常用的資料才有機會被淘汰掉，我們來看下具體實作代碼，
LFU計數器增長
計數器只有8個二進制位，充其量數到255，怎么會夠? 當然Redis使用的不是精確計數，而是近似計數，具體實作就是counter概率性增長，counter的值越大增長速度越慢，具體增長邏輯如下：
/* 更新lfu的counter，counter并不是一個準確的數值，而是概率增長，counter的數值越大其增長速度越慢
* 只能反映出某個時間視窗的熱度，無法反映出具體訪問次數 */
uint8_t LFULogIncr(uint8_t counter) {
if (counter == 255) return 255;
double r = (double)rand()/RAND_MAX;
double baseval = counter - LFU_INIT_VAL; // LFU_INIT_VAL為5
if (baseval < 0) baseval = 0;
double p = 1.0/(baseval*server.lfu_log_factor+1); // server.lfu_log_factor可配置，默認是10
if (r < p) counter++;
return counter;
}
從代碼邏輯中可以看出，counter的值越大，增長速度會越慢，所以lfu_log_factor配置較大的情況下，即便是8位有可以存盤很大的訪問量，下圖是不同lfu_log_factor在不同訪問頻次下的增長情況，圖片來自Redis4.0之基于LFU的熱點key發現機制，
LFU計數器衰減
如果說counter一直增長，即便增長速度很慢也有一天會增長到最大值255，最終導致無法做資料的篩選，所以要給它加一個衰減策略，思路就是counter隨時間增長衰減，具體代碼如下：
/* lfu counter衰減邏輯, lfu_decay_time是指多久counter衰減1，比如lfu_decay_time == 10
* 表示每10分鐘counter衰減一，但lfu_decay_time為0時counter不衰減 */
unsigned long LFUDecrAndReturn(robj *o) {
unsigned long ldt = o->lru >> 8;
unsigned long counter = o->lru & 255;
unsigned long num_periods = server.lfu_decay_time ? LFUTimeElapsed(ldt) / server.lfu_decay_time : 0;
if (num_periods)
counter = (num_periods > counter) ? 0 : counter - num_periods;
return counter;
}
server.lfu_decay_time也是可配置的，默認是10 標識每10分鐘counter值減去1，
evict執行程序
evict何時執行
在Redis每次處理命令的時候，都會檢查記憶體空間，并嘗試去執行evict，因為有些情況下不需要執行evict，這個可以從isSafeToPerformEvictions中可以看出端倪，
static int isSafeToPerformEvictions(void) {
/* 沒有lua腳本執行超時，也沒有在做資料超時 */
if (server.lua_timedout || server.loading) return 0;
/* 只有master才需要做evict */
if (server.masterhost && server.repl_slave_ignore_maxmemory) return 0;
/* 當客戶端暫停時，不需要evict，因為資料是不會變化的 */
if (checkClientPauseTimeoutAndReturnIfPaused()) return 0;
return 1;
}
evict.c
evict代碼都在evict.c中，里面包含了每次evict的執行程序，
int performEvictions(void) {
if (!isSafeToPerformEvictions()) return EVICT_OK;
int keys_freed = 0;
size_t mem_reported, mem_tofree;
long long mem_freed; /* May be negative */
mstime_t latency, eviction_latency;
long long delta;
int slaves = listLength(server.slaves);
int result = EVICT_FAIL;
if (getMaxmemoryState(&mem_reported,NULL,&mem_tofree,NULL) == C_OK)
return EVICT_OK;
if (server.maxmemory_policy == MAXMEMORY_NO_EVICTION)
return EVICT_FAIL; /* We need to free memory, but policy forbids. */
unsigned long eviction_time_limit_us = evictionTimeLimitUs();
mem_freed = 0;
latencyStartMonitor(latency);
monotime evictionTimer;
elapsedStart(&evictionTimer);
while (mem_freed < (long long)mem_tofree) {
int j, k, i;
static unsigned int next_db = 0;
sds bestkey = NULL;
int bestdbid;
redisDb *db;
dict *dict;
dictEntry *de;
if (server.maxmemory_policy & (MAXMEMORY_FLAG_LRU|MAXMEMORY_FLAG_LFU) ||
server.maxmemory_policy == MAXMEMORY_VOLATILE_TTL)
{
struct evictionPoolEntry *pool = EvictionPoolLRU;
while(bestkey == NULL) {
unsigned long total_keys = 0, keys;
/* We don't want to make local-db choices when expiring keys,
* so to start populate the eviction pool sampling keys from
* every DB.
* 先從dict中采樣key并放到pool中 */
for (i = 0; i < server.dbnum; i++) {
db = server.db+i;
dict = (server.maxmemory_policy & MAXMEMORY_FLAG_ALLKEYS) ?
db->dict : db->expires;
if ((keys = dictSize(dict)) != 0) {
evictionPoolPopulate(i, dict, db->dict, pool);
total_keys += keys;
}
}
if (!total_keys) break; /* No keys to evict. */
/* 從pool中選擇最適合淘汰的key. */
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);
}
/* 從淘汰池中移除. */
if (pool[k].key != pool[k].cached)
sdsfree(pool[k].key);
pool[k].key = NULL;
pool[k].idle = 0;
/* If the key exists, is our pick. Otherwise it is
* a ghost and we need to try the next element. */
if (de) {
bestkey = dictGetKey(de);
break;
} else {
/* Ghost... Iterate again. */
}
}
}
}
/* volatile-random and allkeys-random 策略 */
else if (server.maxmemory_policy == MAXMEMORY_ALLKEYS_RANDOM ||
server.maxmemory_policy == MAXMEMORY_VOLATILE_RANDOM)
{
/* 當隨機淘汰時，我們用靜態變數next_db來存盤當前執行到哪個db了*/
for (i = 0; i < server.dbnum; i++) {
j = (++next_db) % server.dbnum;
db = server.db+j;
dict = (server.maxmemory_policy == MAXMEMORY_ALLKEYS_RANDOM) ?
db->dict : db->expires;
if (dictSize(dict) != 0) {
de = dictGetRandomKey(dict);
bestkey = dictGetKey(de);
bestdbid = j;
break;
}
}
}
/* 從dict中移除被選中的key. */
if (bestkey) {
db = server.db+bestdbid;
robj *keyobj = createStringObject(bestkey,sdslen(bestkey));
propagateExpire(db,keyobj,server.lazyfree_lazy_eviction);
/*我們單獨計算db*Delete()釋放的記憶體量，實際上，在AOF和副本傳播所需的記憶體可能大于我們正在釋放的記憶體（洗掉key）
，如果我們考慮這點的話會很繞，由signalModifiedKey生成的CSC失效訊息也是這樣，
因為AOF和輸出緩沖區記憶體最侄訓被釋放，所以我們只需要關心key空間使用的記憶體即可，*/
delta = (long long) 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);
delta -= (long long) zmalloc_used_memory();
mem_freed += delta;
server.stat_evictedkeys++;
signalModifiedKey(NULL,db,keyobj);
notifyKeyspaceEvent(NOTIFY_EVICTED, "evicted",
keyobj, db->id);
decrRefCount(keyobj);
keys_freed++;
if (keys_freed % 16 == 0) {
/*當要釋放的記憶體開始足夠大時，我們可能會在這里花費太多時間，不可能足夠快地將資料傳送到副本，因此我們會在回圈中強制傳輸，*/
if (slaves) flushSlavesOutputBuffers();
/*通常我們的停止條件是釋放一個固定的，預先計算的記憶體量，但是，當我們*在另一個執行緒中洗掉物件時，
最好不時*檢查是否已經達到目標*記憶體，因為“mem\u freed”量只在dbAsyncDelete（）呼叫中*計算，
而執行緒可以*一直釋放記憶體，*/
if (server.lazyfree_lazy_eviction) {
if (getMaxmemoryState(NULL,NULL,NULL,NULL) == C_OK) {
break;
}
}
/*一段時間后，盡早退出回圈-即使尚未達到記憶體限制*，如果我們突然需要釋放大量的記憶體，不要在這里花太多時間，*/
if (elapsedUs(evictionTimer) > eviction_time_limit_us) {
// We still need to free memory - start eviction timer proc
if (!isEvictionProcRunning) {
isEvictionProcRunning = 1;
aeCreateTimeEvent(server.el, 0,
evictionTimeProc, NULL, NULL);
}
break;
}
}
} else {
goto cant_free; /* nothing to free... */
}
}
/* at this point, the memory is OK, or we have reached the time limit */
result = (isEvictionProcRunning) ? EVICT_RUNNING : EVICT_OK;
cant_free:
if (result == EVICT_FAIL) {
/* At this point, we have run out of evictable items. It's possible
* that some items are being freed in the lazyfree thread. Perform a
* short wait here if such jobs exist, but don't wait long. */
if (bioPendingJobsOfType(BIO_LAZY_FREE)) {
usleep(eviction_time_limit_us);
if (getMaxmemoryState(NULL,NULL,NULL,NULL) == C_OK) {
result = EVICT_OK;
}
}
}
latencyEndMonitor(latency);
latencyAddSampleIfNeeded("eviction-cycle",latency);
return result;
}
執行的程序可以簡單分為三步，首先按不同的配置策略填充evictionPoolEntry，pool大小默認是16，然后從這16個key中根據具體策略選出最適合被刪掉的key(bestkey)，然后執行bestkey的洗掉和一些后續邏輯，
總結
可以看出，Redis為了性能，犧牲了LRU和LFU的準確性，只能說是近似LRU和LFU，但在實際使用程序中也完全足夠了，畢竟Redis這么多年也是經歷了無數專案的考驗依舊屹立不倒，Redis的這種設計方案也給我們軟體設計時提供了一條新的思路，犧牲精確度來換取性能，
本文是Redis原始碼剖析系列博文，同時也有與之對應的Redis中文注釋版，有想深入學習Redis的同學，歡迎star和關注，
Redis中文注解版倉庫：https://github.com/xindoo/Redis
Redis原始碼剖析專欄：https://zxs.io/s/1h
如果覺得本文對你有用，歡迎一鍵三連，
本文來自https://blog.csdn.net/xindoo
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/264713.html
標籤：其他