1、简介
LRU 有一个明显的缺点，它无法正确的表示一个 Key 的热度，如果一个 key 从未被访问过，仅仅发生内存淘汰的前一会儿被用户访问了一下，在 LRU 算法中这会被认为是一个热 key。例如如下图，keyA 与 keyB 同时被 set 到 Redis 中，在内存淘汰发生之前，keyA 被频繁的访问，而 keyB 只被访问了一次，但是这次访问的时间比 keyA 的任意一次访问时间都更接近内存淘汰触发的时间，如果 keyA 与 keyB 均被 Redis 选中进行淘汰，keyA 将被优先淘汰。我想大家都不太希望 keyA 被淘汰吧，那么有没有更好的的内存淘汰机制呢？当然有，那就是 LFU。
LFU(Least Frequently Used)是 Redis 4.0 引入的淘汰算法，它通过 key 的访问频率比较来淘汰 key，重点突出的是 Frequently Used。
LRU 与 LFU 的区别：
Redis4.0 之后为 maxmemory_policy 淘汰策略添加了两个 LFU 模式（LRU 请看我上一篇文章）：
2、实现方式
Redis 分配一个字符串的最小空间占用是 19 字节，16 字节（对象头）+3 字节（SDS 基本字段）。Redis 的内存淘汰算法 LRU/LFU 均依靠其中的对象头中的 lru 来实现。Redis 对象头的内存结构：
typedef struct redisObject { unsigned type:4; // 4 bits 对象的类型（zset、set、hash等） unsigned encoding:4; // 4 bits 对象的存储方式（ziplist、intset等） unsigned lru:24; // 24bits 记录对象的访问信息 int refcount; // 4 bytes 引用计数 void *ptr; // 8 bytes （64位操作系统），指向对象具体的存储地址/对象body}
复制代码
Redis 对象头中的 lru 字段，在 LRU 模式下和 LFU 模式下使用方式并不相同。
2.1 LRU 实现方式
在 LRU 模式，lru 字段存储的是 key 被访问时 Redis 的时钟 server.lrulock（Redis 为了保证核心单线程服务性能，缓存了 Unix 操作系统时钟，默认每毫秒更新一次，缓存的值是 Unix 时间戳取模 2^24）。当 key 被访问的时候，Redis 会更新这个 key 的对象头中 lru 字段的值。因此在 LRU 模式下，Redis 可以根据对象头中的 lru 字段记录的值，来比较最后一次 key 的访问时间。
用 Java 代码演示一个简单的 Redis-LRU 算法：
package com.lizba.redis.lru;
/** * <p> * Redis对象头 * </p> * * @Author: Liziba * @Date: 2021/9/22 22:40 */public class RedisHead {
/** 时间 */ private Long lru; /** 具体数据 */ private Object body;
public RedisHead setLru(Long lru) { this.lru = lru; return this; }
public RedisHead setBody(Object body) { this.body = body; return this; }
public Long getLru() { return lru; }
public Object getBody() { return body; }
}
复制代码
package com.lizba.redis.lru;
import java.util.Comparator;import java.util.List;import java.util.concurrent.ConcurrentHashMap;import java.util.stream.Collectors;
/** * <p> * Redis中LRU算法的实现demo * </p> * * @Author: Liziba * @Date: 2021/9/22 22:36 */public class RedisLruDemo {
/** * 缓存容器 */ private ConcurrentHashMap<String, RedisHead> cache; /** * 初始化大小 */ private int initialCapacity;
public RedisLruDemo(int initialCapacity) { this.initialCapacity = initialCapacity; this.cache = new ConcurrentHashMap<>(initialCapacity); ; }
/** * 设置key/value 设置的时候更新LRU * * @param key * @param body */ public void set(String key, Object body) { // 触发LRU淘汰 synchronized (RedisLruDemo.class) { if (!cache.containsKey(key) && cache.size() >= initialCapacity) { this.flushLruKey(); } } RedisHead obj = this.getRedisHead().setBody(body).setLru(System.currentTimeMillis()); cache.put(key, obj); }
/** * 获取key，存在则更新LRU * * @param key * @return */ public Object get(String key) {
RedisHead result = null; if (cache.containsKey(key)) { result = cache.get(key); result.setLru(System.currentTimeMillis()); }
return result; }
/** * 清除LRU key */ private void flushLruKey() {
List<String> sortData = cache.keySet() .stream() .sorted(Comparator.comparing(key -> cache.get(key).getLru())) .collect(Collectors.toList()); String removeKey = sortData.get(0); System.out.println( "淘汰 -> " + "lru : " + cache.get(removeKey).getLru() + " body : " + cache.get(removeKey).getBody()); cache.remove(removeKey); if (cache.size() >= initialCapacity) { this.flushLruKey(); } return; }
/** * 获取所有数据测试用 * * @return */ public List<RedisHead> getAll() { return cache.keySet().stream().map(key -> cache.get(key)).collect(Collectors.toList()); }
private RedisHead getRedisHead() { return new RedisHead(); }
}
复制代码
package com.lizba.redis.lru;
import java.util.Random;import java.util.concurrent.TimeUnit;
/** * <p> * 测试LRU * </p> * * @Author: Liziba * @Date: 2021/9/22 22:51 */public class TestRedisLruDemo {
public static void main(String[] args) throws InterruptedException {
RedisLruDemo demo = new RedisLruDemo(10); // 先加入10个key，此时cache达到容量，下次加入会淘汰key for (int i = 0; i < 10; i++) { demo.set(i + "", i); } // 随机访问前十个key，这样可以保证下次加入时随机淘汰 for (int i = 0; i < 20; i++) { int nextInt = new Random().nextInt(10); TimeUnit.SECONDS.sleep(1); demo.get(nextInt + ""); } // 再次添加5个key，此时每次添加都会触发淘汰 for (int i = 10; i < 15; i++) { demo.set(i + "", i); }
System.out.println("-------------------------------------------"); demo.getAll().forEach( redisHead -> System.out.println("剩余 -> " + "lru : " + redisHead.getLru() + " body : " + redisHead.getBody())); }
}
复制代码
2.2 LFU 实现方式
在 LFU 模式下，Redis 对象头的 24bit lru 字段被分成两段来存储，高 16bit 存储 ldt(Last Decrement Time)，低 8bit 存储 logc(Logistic Counter)。
2.2.1 ldt(Last Decrement Time)
高 16bit 用来记录最近一次计数器降低的时间，由于只有 8bit，存储的是 Unix 分钟时间戳取模 2^16，16bit 能表示的最大值为 65535（65535/24/60≈45.5），大概 45.5 天会折返（折返指的是取模后的值重新从 0 开始）。
Last Decrement Time 计算的算法源码：
/* Return the current time in minutes, just taking the least significant * 16 bits. The returned time is suitable to be stored as LDT (last decrement * time) for the LFU implementation. */// server.unixtime是Redis缓存的Unix时间戳// 可以看出使用的Unix的分钟时间戳，取模2^16unsigned long LFUGetTimeInMinutes(void) { return (server.unixtime/60) & 65535;}
/* Given an object last access time, compute the minimum number of minutes * that elapsed since the last access. Handle overflow (ldt greater than * the current 16 bits minutes time) considering the time as wrapping * exactly once. */unsigned long LFUTimeElapsed(unsigned long ldt) { // 获取系统当前的LFU time unsigned long now = LFUGetTimeInMinutes(); // 如果now >= ldt 直接取差值 if (now >= ldt) return now-ldt; // 如果now < ldt 增加上65535 // 注意Redis 认为折返就只有一次折返，多次折返也是一次，我思考了很久感觉这个应该是可以接受的，本身Redis的淘汰算法就带有随机性 return 65535-ldt+now;}
复制代码
2.2.2 logc(Logistic Counter)
低 8 位用来记录访问频次，8bit 能表示的最大值为 255，logc 肯定无法记录真实的 Rediskey 的访问次数，其实从名字可以看出存储的是访问次数的对数值，每个新加入的 key 的 logc 初始值为 5（LFU_INITI_VAL），这样可以保证新加入的值不会被首先选中淘汰；logc 每次 key 被访问时都会更新；此外，logc 会随着时间衰减。
2.2.3 logc 算法调整
redis.conf 提供了两个配置项，用于调整 LFU 的算法从而控制 Logistic Counter 的增长和衰减。
Redis Logistic Counter 增长的源代码：
/* Logarithmically increment a counter. The greater is the current counter value * the less likely is that it gets really implemented. Saturate it at 255. */uint8_t LFULogIncr(uint8_t counter) { // Logistic Counter最大值为255 if (counter == 255) return 255; // 取一个0~1的随机数r double r = (double)rand()/RAND_MAX; // counter减去LFU_INIT_VAL （LFU_INIT_VAL为每个key的Logistic Counter初始值，默认为5） double baseval = counter - LFU_INIT_VAL; // 如果衰减之后已经小于5了，那么baseval < 0取0 if (baseval < 0) baseval = 0; // lfu-log-factor在这里被使用 // 可以看出如果lfu_log_factor的值越大，p越小 // r < p的概率就越小，Logistic Counter增加的概率就越小（因此lfu_log_factor越大增长越缓慢） double p = 1.0/(baseval*server.lfu_log_factor+1); if (r < p) counter++; return counter;}
复制代码
如下是官网提供 lfu-log-factor 在不同值下，key 随着访问次数的增加的 Logistic Counter 变化情况的数据：
Redis Logistic Counter 衰减的源代码：
/* If the object decrement time is reached decrement the LFU counter but * do not update LFU fields of the object, we update the access time * and counter in an explicit way when the object is really accessed. * And we will times halve the counter according to the times of * elapsed time than server.lfu_decay_time. * Return the object frequency counter. * * This function is used in order to scan the dataset for the best object * to fit: as we check for the candidate, we incrementally decrement the * counter of the scanned objects if needed. */unsigned long LFUDecrAndReturn(robj *o) { // 获取lru的高16位，也就是ldt unsigned long ldt = o->lru >> 8; // 获取lru的低8位，也就是logc unsigned long counter = o->lru & 255; // 根据配置的lfu-decay-time计算Logistic Counter需要衰减的值 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;}
复制代码
2.2.4 LFU 优化
LFU 与 LRU 有一个共同点，当内存达到 max_memory 时，选择 key 是随机抓取的，因此 Redis 为了使这种随机性更加准确，设计了一个淘汰池，这个淘汰池对于 LFU 和 LRU 算的都适应，只是淘汰池的排序算法有区别而已。Redis 3.0 就对这一块进行了优化（来自 redis.io）：
3、LFU 使用
3.1 配置文件开启 LFU 淘汰算法
修改 redis.conf 配置文件，设置 maxmemory-policy volatile-lfu/allkeys-lfu
重启 Redis，连接客户端通过 info 指令查看 maxmemory_policy 的配置信息
通过 object freq key 获取对象的 LFU 的 Logistic Counter 值
评论