作者：vivo 互联网服务器团队 - Luo Jianxin

重点介绍了 Redis 的 LRU 与 LFU 算法实现，并分析总结了两种算法的实现效果以及存在的问题。

一、前言

Redis 是一款基于内存的高性能 NoSQL 数据库，数据都缓存在内存里， 这使得 Redis 可以每秒轻松地处理数万的读写请求。

相对于磁盘的容量，内存的空间一般都是有限的，为了避免 Redis 耗尽宿主机的内存空间，Redis 内部实现了一套复杂的缓存淘汰策略来管控内存使用量。

Redis 4.0 版本开始就提供了 8 种内存淘汰策略，其中 4 种都是基于 LRU 或 LFU 算法实现的，本文就这两种算法的 Redis 实现进行了详细的介绍，并阐述其优劣特性。

二、Redis 的 LRU 实现

在介绍 Redis LRU 算法实现之前，我们先简单介绍一下原生的 LRU 算法。

2.1 LRU 算法原理

LRU（The Least Recently Used）是最经典的一款缓存淘汰算法，其原理是 ：如果一个数据在最近一段时间没有被访问到，那么在将来它被访问的可能性也很低，当数据所占据的空间达到一定阈值时，这个最少被访问的数据将被淘汰掉。

如今，LRU 算法广泛应用在诸多系统内，例如 Linux 内核页表交换，MySQL Buffer Pool 缓存页替换，以及 Redis 数据淘汰策略。

以下是一个 LRU 算法示意图：

1. 向一个缓存空间依次插入三个数据 A/B/C，填满了缓存空间；

2. 读取数据 A 一次，按照访问时间排序，数据 A 被移动到缓存头部；

3. 插入数据 D 的时候，由于缓存空间已满，触发了 LRU 的淘汰策略，数据 B 被移出，缓存空间只保留了 D/A/C。

一般而言，LRU 算法的数据结构不会如示意图那样，仅使用简单的队列或链表去缓存数据，而是会采用 Hash 表 + 双向链表的结构，利用 Hash 表确保数据查找的时间复杂度是 O(1)，双向链表又可以使数据插入/删除等操作也是 O(1)。

如果你很熟悉 Redis 的数据类型，你会发现这个 LRU 的数据结构与 ZSET 类型 OBJ_ENCODING_SKIPLIST 编码结构相似，只是 LRU 数据排序方式更简单一些。

2.2 Redis LRU 算法实现

按照官方文档的介绍，Redis 所实现的是一种近似的 LRU 算法，每次随机选取一批数据进行 LRU 淘汰，而不是针对所有的数据，通过牺牲部分准确率来提高 LRU 算法的执行效率。

Redis 内部只使用 Hash 表缓存了数据，并没有创建一个专门针对 LRU 算法的双向链表，之所以这样处理也是因为以下几个原因：

• 筛选规则，Redis 是随机抽取一批数据去按照淘汰策略排序，不再需要对所有数据排序；

• 性能问题，每次数据访问都可能涉及数据移位，性能会有少许损失；

• 内存问题，Redis 对内存的使用一向很“抠门”，数据结构都很精简，尽量不使用复杂的数据结构管理数据；

• 策略配置，如果线上 Redis 实例动态修改淘汰策略会触发全部数据的结构性改变，这个 Redis 系统无法承受的。

redisObject 是 Redis 核心的底层数据结构，成员变量 lru 字段用于记录了此 key 最近一次被访问的 LRU 时钟(server.lruclock)，每次 Key 被访问或修改都会引起 lru 字段的更新。

#define LRU_BITS 24 typedef struct redisObject {    unsigned type:4;    unsigned encoding:4;    unsigned lru:LRU_BITS; /* LRU time (relative to global lru_clock) or                            * LFU data (least significant 8 bits frequency                            * and most significant 16 bits access time). */    int refcount;    void *ptr;} robj;

默认的 LRU 时钟单位是秒，可以修改 LRU_CLOCK_RESOLUTION 宏来改变单位，LRU 时钟更新的频率也和 server.hz 参数有关。

unsigned int LRU_CLOCK(void) {    unsigned int lruclock;    if (1000/server.hz <= LRU_CLOCK_RESOLUTION) {        atomicGet(server.lruclock,lruclock);    } else {        lruclock = getLRUClock();    }    return lruclock;}

由于 lru 字段仅占用了 24bit 的空间，按秒为单位也只能存储 194 天，所以可能会出现一个意想不到的结果，即间隔 194 天访问 Key 后标记的时间戳一样，Redis LRU 淘汰策略局部失效。

2.3 LRU 算法缺陷

LRU 算法仅关注数据的访问时间或访问顺序，忽略了访问次数的价值，在淘汰数据过程中可能会淘汰掉热点数据。

如上图所示，时间轴自左向右，数据 A/B/C 在同一段时间内被分别访问的数次。数据 C 是最近一次访问的数据，按照 LRU 算法排列数据的热度是 C>B>A，而数据的真实热度是 B>A>C。

这个是 LRU 算法的原理性问题，自然也会在 Redis 近似 LRU 算法中呈现，为了解决这个问题衍生出来 LFU 算法。

三、Redis 的 LFU 实现

3.1 LFU 算法原理

LFU（Least frequently used）即最不频繁访问，其原理是：如果一个数据在近期被高频率地访问，那么在将来它被再访问的概率也会很高，而访问频率较低的数据将来很大概率不会再使用。

很多人看到上面的描述，会认为 LFU 算法主要是比较数据的访问次数，毕竟访问次数多了自然访问频率就高啊。实际上，访问频率不能等同于访问次数，抛开访问时间谈访问次数就是在“耍流氓”。

在这段时间片内数据 A 被访问了 5 次，数据 B 与 C 各被访问了 4 次，如果按照访问次数判断数据热度值，必然是 A>B=C；如果考虑到时效性，距离当前时间越近的访问越有价值，那么数据热度值就应该是 C>B>A。因此，LFU 算法一般都会有一个时间衰减函数参与热度值的计算，兼顾了访问时间的影响。

LFU 算法实现的数据结构与 LRU 一样，也采用 Hash 表 + 双向链表的结构，数据在双向链表内按照热度值排序。如果某个数据被访问，更新热度值之重新插入到链表合适的位置，这个比 LRU 算法处理的流程复杂一些。

3.2 Redis LFU 算法实现

Redis 4.0 版本开始增加了 LFU 缓存淘汰策略，也采用数据随机筛选规则，然后依据数据的热度值排序，淘汰掉热度值较低的数据。

3.2.1 LFU 算法代码实现

LFU 算法的实现没有使用额外的数据结构，复用了 redisObject 数据结构的 lru 字段，把这 24bit 空间拆分成两部分去使用。

• 由于记录时间戳在空间被压缩到 16bit，所以 LFU 改成以分钟为单位，大概 45.5 天会出现数值折返，比 LRU 时钟周期还短。

  
  

• 低位的 8bit 用来记录热度值（counter），8bit 空间最大值为 255，无法记录数据在访问总次数。

LFU 热度值（counter）的算法实现：

#define LFU_INIT_VAL 5 /* 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) {  if (counter == 255) return 255;  double r = (double)rand()/RAND_MAX;  double baseval = counter - LFU_INIT_VAL;  if (baseval < 0) baseval = 0;  double p = 1.0/(baseval*server.lfu_log_factor+1);  if (r < p) counter++;  return counter;}

• counter 小于或等于 LFU_INIT_VAL 时候，数据一旦被访问命中， counter 接近 100%概率递增 1；

• counter 大于 LFU_INIT_VAL 时候，需要先计算两者差值，然后作为分母的一部分参与递增概率的计算；

• 随着 counter 数值的增大，递增的概率逐步衰减，可能数次的访问都不能使其数值加 1；

• 当 counter 数值达到 255，就不再进行数值递增的计算过程。

LFU counter 的计算也并非“一尘不变”，为了适配各种业务数据的特性，Redis 在 LFU 算法实现过程中引入了两个可调参数：

热度值counter的时间衰减函数： 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;}

阅读完以上的内容，是否感觉似曾相似？实际上 LFU counter 计算过程就是对访问次数进行了数值归一化，将数据访问次数映射成热度值(counter)，数值的范围也从[0,+∞)映射到另一个维度的[0,255]。

3.3.2 LFU Counter 分析

仅从代码层面分析研究 Redis LFU 算法实现会比较抽象且枯燥，无法直观的呈现 counter 递增概率的算法效果，以及 counter 数值与访问次数的关系。

在 lfu_log_factor 为默认值 10 的场景下，利用 Python 实现 Redis LFU 算法流程，绘制出 LFU counter 递增概率曲线图：

可以清晰的观察到，当 LFU counter 数值超过 LFU_INIT_VAL 之后，曲线出现了垂直下降，递增概率陡降到 0.2%左右，随后在底部形成一个较为缓慢的衰减曲线，直至 counter 数值达到 255 则递增概率归于 0，贴合 3.3.1 章节分析的理论。

保持 Redis 系统配置默认值的情况下，对同一个数据持续的访问，并采集此数据的 LFU counter 数值，绘制出 LFU counter 数值曲线图：

随着访问次数的不断增加，LFU counter 数值曲线呈现出爬坡式的递增，形态趋近于根号曲线，由此推测出以下观点：

• 在访问次数相同的情况下，counter 数值不是固定的，大概率在一个范围内波动；

• 在同一个时间段内，数据之间访问次数相差上千次，才可以通过 counter 数值区分出哪些数据更热，而“温”数据之间可能很难区分热度。

四、总结

通过对 Redis LRU 与 LFU 算法实现的介绍，我们可以大体了解两种算法策略的优缺点，在 Redis 运维过程中，可以依据业务数据的特性去选择相应的算法。

如果业务数据的访问较为均匀，OPS 或 CPU 利用率一般不会出现周期性的陡升或陡降，数据没有体现出相对的“冷热”特性，即建议采用 LRU 算法，可以满足一般的运维需求。

相反，业务具备很强时效性，在活动推广或大促期间，业务某些数据会突然成为热点数据，监控上呈现出 OPS 或 CPU 利用率的大幅波动，为了能抓取热点数据便于后期的分析或优化，建议一定要配置成 LFU 算法。

在 Used_memory 接近 Maxmemory 的情况下，Redis 一直都采用随机的方式筛选数据，且筛选的个数极其有限，所以，LFU 算法无法展现出较大的优势，也可能会淘汰掉比较热的数据。

参考文献：

1. Key eviction。
   

2. Redis的LRU缓存淘汰算法实现（上）
   

3. Redis 缓存淘汰策略以及 LRU、LFU 算法