LRU原理和Redis实现——一个今日头条的面试题(转载)
很久前参加过今日头条的面试,遇到一个题,目前半部分是如何实现 LRU,后半部分是 Redis 中如何实现 LRU。
我的第一反应是操作系统课程里学过,应该是内存不够的场景下,淘汰旧内容的策略。LRU ... Least Recent Used,淘汰掉最不经常使用的。可以稍微多补充两句,因为计算机体系结构中,最大的最可靠的存储是硬盘,它容量很大,并且内容可以固化,但是访问速度很慢,所以需要把使用的内容载入内存中;内存速度很快,但是容量有限,并且断电后内容会丢失,并且为了进一步提升性能,还有CPU内部的 L1 Cache,L2 Cache等概念。因为速度越快的地方,它的单位成本越高,容量越小,新的内容不断被载入,旧的内容肯定要被淘汰,所以就有这样的使用背景。
LRU原理
在一般标准的操作系统教材里,会用下面的方式来演示 LRU 原理,假设内存只能容纳3个页大小,按照 7 0 1 2 0 3 0 4 的次序访问页。假设内存按照栈的方式来描述访问时间,在上面的,是最近访问的,在下面的是,最远时间访问的,LRU就是这样工作的。
但是如果让我们自己设计一个基于 LRU 的缓存,这样设计可能问题很多,这段内存按照访问时间进行了排序,会有大量的内存拷贝操作,所以性能肯定是不能接受的。
那么如何设计一个LRU缓存,使得放入和移除都是 O(1) 的,我们需要把访问次序维护起来,但是不能通过内存中的真实排序来反应,有一种方案就是使用双向链表。
基于 HashMap 和 双向链表实现 LRU 的
整体的设计思路是,可以使用 HashMap 存储 key,这样可以做到 save 和 get key的时间都是 O(1),而 HashMap 的 Value 指向双向链表实现的 LRU 的 Node 节点,如图所示。
LRU 存储是基于双向链表实现的,下面的图演示了它的原理。其中 h 代表双向链表的表头,t 代表尾部。首先预先设置 LRU 的容量,如果存储满了,可以通过 O(1) 的时间淘汰掉双向链表的尾部,每次新增和访问数据,都可以通过 O(1)的效率把新的节点增加到对头,或者把已经存在的节点移动到队头。
下面展示了,预设大小是 3 的,LRU存储的在存储和访问过程中的变化。为了简化图复杂度,图中没有展示 HashMap部分的变化,仅仅演示了上图 LRU 双向链表的变化。我们对这个LRU缓存的操作序列如下:
save("key1", 7)
save("key2", 0)
save("key3", 1)
save("key4", 2)
get("key2")
save("key5", 3)
get("key2")
save("key6", 4)
相应的 LRU 双向链表部分变化如下:
总结一下核心操作的步骤:
- save(key, value),首先在 HashMap 找到 Key 对应的节点,如果节点存在,更新节点的值,并把这个节点移动队头。如果不存在,需要构造新的节点,并且尝试把节点塞到队头,如果LRU空间不足,则通过 tail 淘汰掉队尾的节点,同时在 HashMap 中移除 Key。
- get(key),通过 HashMap 找到 LRU 链表节点,把节点插入到队头,返回缓存的值。
完整基于 Java 的代码参考如下
- class DLinkedNode {
- String key;
- int value;
- DLinkedNode pre;
- DLinkedNode post;
- }
LRU Cache
- public class LRUCache {
- private Hashtable<Integer, DLinkedNode>
- cache = new Hashtable<Integer, DLinkedNode>();
- private int count;
- private int capacity;
- private DLinkedNode head, tail;
- public LRUCache(int capacity) {
- this.count = 0;
- this.capacity = capacity;
- head = new DLinkedNode();
- head.pre = null;
- tail = new DLinkedNode();
- tail.post = null;
- head.post = tail;
- tail.pre = head;
- }
- public int get(String key) {
- DLinkedNode node = cache.get(key);
- if(node == null){
- return -1; // should raise exception here.
- }
- // move the accessed node to the head;
- this.moveToHead(node);
- return node.value;
- }
- public void set(String key, int value) {
- DLinkedNode node = cache.get(key);
- if(node == null){
- DLinkedNode newNode = new DLinkedNode();
- newNode.key = key;
- newNode.value = value;
- this.cache.put(key, newNode);
- this.addNode(newNode);
- ++count;
- if(count > capacity){
- // pop the tail
- DLinkedNode tail = this.popTail();
- this.cache.remove(tail.key);
- --count;
- }
- }else{
- // update the value.
- node.value = value;
- this.moveToHead(node);
- }
- }
- /**
- * Always add the new node right after head;
- */
- private void addNode(DLinkedNode node){
- node.pre = head;
- node.post = head.post;
- head.post.pre = node;
- head.post = node;
- }
- /**
- * Remove an existing node from the linked list.
- */
- private void removeNode(DLinkedNode node){
- DLinkedNode pre = node.pre;
- DLinkedNode post = node.post;
- pre.post = post;
- post.pre = pre;
- }
- /**
- * Move certain node in between to the head.
- */
- private void moveToHead(DLinkedNode node){
- this.removeNode(node);
- this.addNode(node);
- }
- // pop the current tail.
- private DLinkedNode popTail(){
- DLinkedNode res = tail.pre;
- this.removeNode(res);
- return res;
- }
- }
那么问题的后半部分,是 Redis 如何实现,这个问题这么问肯定是有坑的,那就是redis肯定不是这样实现的。
Redis的LRU实现
如果按照HashMap和双向链表实现,需要额外的存储存放 next 和 prev 指针,牺牲比较大的存储空间,显然是不划算的。所以Redis采用了一个近似的做法,就是随机取出若干个key,然后按照访问时间排序后,淘汰掉最不经常使用的,具体分析如下:
为了支持LRU,Redis 2.8.19中使用了一个全局的LRU时钟,server.lruclock
,定义如下,
- #define REDIS_LRU_BITS 24
- unsigned lruclock:REDIS_LRU_BITS; /* Clock for LRU eviction */
默认的LRU时钟的分辨率是1秒,可以通过改变REDIS_LRU_CLOCK_RESOLUTION
宏的值来改变,Redis会在serverCron()
中调用updateLRUClock
定期的更新LRU时钟,更新的频率和hz参数有关,默认为100ms
一次,如下,
- #define REDIS_LRU_CLOCK_MAX ((1<<REDIS_LRU_BITS)-1) /* Max value of obj->lru */
- #define REDIS_LRU_CLOCK_RESOLUTION 1 /* LRU clock resolution in seconds */
- void updateLRUClock(void) {
- server.lruclock = (server.unixtime / REDIS_LRU_CLOCK_RESOLUTION) &
- REDIS_LRU_CLOCK_MAX;
- }
server.unixtime
是系统当前的unix时间戳,当 lruclock 的值超出REDIS_LRU_CLOCK_MAX时,会从头开始计算,所以在计算一个key的最长没有访问时间时,可能key本身保存的lru访问时间会比当前的lrulock还要大,这个时候需要计算额外时间,如下,
- /* Given an object returns the min number of seconds the object was never
- * requested, using an approximated LRU algorithm. */
- unsigned long estimateObjectIdleTime(robj *o) {
- if (server.lruclock >= o->lru) {
- return (server.lruclock - o->lru) * REDIS_LRU_CLOCK_RESOLUTION;
- } else {
- return ((REDIS_LRU_CLOCK_MAX - o->lru) + server.lruclock) *
- REDIS_LRU_CLOCK_RESOLUTION;
- }
- }
Redis支持和LRU相关淘汰策略包括,
volatile-lru
设置了过期时间的key参与近似的lru淘汰策略allkeys-lru
所有的key均参与近似的lru淘汰策略
当进行LRU淘汰时,Redis按如下方式进行的,
- ......
- /* volatile-lru and allkeys-lru policy */
- else if (server.maxmemory_policy == REDIS_MAXMEMORY_ALLKEYS_LRU ||
- server.maxmemory_policy == REDIS_MAXMEMORY_VOLATILE_LRU)
- {
- for (k = 0; k < server.maxmemory_samples; k++) {
- sds thiskey;
- long thisval;
- robj *o;
- de = dictGetRandomKey(dict);
- thiskey = dictGetKey(de);
- /* When policy is volatile-lru we need an additional lookup
- * to locate the real key, as dict is set to db->expires. */
- if (server.maxmemory_policy == REDIS_MAXMEMORY_VOLATILE_LRU)
- de = dictFind(db->dict, thiskey);
- o = dictGetVal(de);
- thisval = estimateObjectIdleTime(o);
- /* Higher idle time is better candidate for deletion */
- if (bestkey == NULL || thisval > bestval) {
- bestkey = thiskey;
- bestval = thisval;
- }
- }
- }
- ......
Redis会基于server.maxmemory_samples
配置选取固定数目的key,然后比较它们的lru访问时间,然后淘汰最近最久没有访问的key,maxmemory_samples的值越大,Redis的近似LRU算法就越接近于严格LRU算法,但是相应消耗也变高,对性能有一定影响,样本值默认为5。
总结
看来,虽然一个简单的概念,在工业界的产品中,为了追求空间的利用率,也会采用权衡的实现方案。
传送门 https://zhuanlan.zhihu.com/p/34133067
原文:https://blog.csdn.net/hopeztm/article/details/79547052
关于linkedhashmap实现LRU:https://www.cnblogs.com/lzrabbit/p/3734850.html
LRU原理和Redis实现——一个今日头条的面试题(转载)相关推荐
- LRU原理和Redis实现——一个今日头条的面试题
很久前参加过今日头条的面试,遇到一个题,目前半部分是如何实现 LRU,后半部分是 Redis 中如何实现 LRU. 我的第一反应是操作系统课程里学过,应该是内存不够的场景下,淘汰旧内容的策略.LRU ...
- 分享一个今日头条的面试题——LRU原理和Redis实现
很久前参加过今日头条的面试,遇到一个题,目前半部分是如何实现 LRU,后半部分是 Redis 中如何实现 LRU. 我的第一反应该是内存不够的场景下,淘汰旧内容的策略.LRU ... Least Re ...
- 今日头条的面试题:LRU原理和Redis实现
很久前参加过今日头条的面试,遇到一个题,目前半部分是如何实现 LRU,后半部分是 Redis 中如何实现 LRU. 我的第一反应是操作系统课程里学过,应该是内存不够的场景下,淘汰旧内容的策略.LRU ...
- 【039期】头条面试:说一说 LRU 原理和 Redis 如何实现?
>>号外:关注"Java精选"公众号,回复"面试资料",免费领取资料!"Java精选面试题"小程序,3000+ 道面试题在线刷, ...
- 惊了!原来这就是今日头条的面试题!
最近收到了一个大兄弟念叨,说他去面了今日头条,一路下来感觉自己还是蛮顺畅的,然后顺带给我大致说了一下今日头条的面试题. 顺便插个话,想要拥有百次面试的磨练吗,想要的小伙伴可以戳这里暗号:CSDN即可拥 ...
- 2020年开春最新面试!今日头条 Android 面试题及答案 (已拿到 offer)
面试时间:2019.12.29 1~3面.2020.1.03 4~6面.2020.1.06 HR面 面试部门 + 岗位:商业化 - 高级 Android 开发工程师 面试感想:整体面得比较累,基础面. ...
- python编程100例头条-今日头条python面试题之编程篇
最大映射 有 n 个字符串,每个字符串都是由 A-J 的大写字符构成.现在你将每个字符映射为一个 0-9 的数字,不同字符映射为不同的数字.这样每个字符串就可以看做一个整数,唯一的要求是这些整数必须是 ...
- java 今日头条面试_【面试分享】今日头条Java面试题,复习资料完整版PDF下载
2021年,字节的技术岗依旧是最香的,而且随着字节的规模不断扩大,机会也越来越多.马上迎来金三银四,很多小伙伴都在撸题备战中. 2021年,字节的技术岗依旧是最香的,而且随着字节的规模不断扩大,机会也 ...
- 今日头条的面试题(部分)
1.给定一个有序数组,输出平方后消重结果中数字的个数,每次删除一个最大的数 比如: -2, -2, -1,0,1消重后有3个数: 0,0,1,2,3,4,5,5,6消重后有7个数 O(n)复杂度解法: ...
最新文章
- Web前端经典面试试题(二)
- vs linux 交叉编译,VS结合VisualGDB搭建OpenWrt交叉编译远程调试开发环境
- 局域网内同时使用两台路由器的配置方法
- mysql deadlock found when trying to get lock暴力解决
- 字符串函数 replace() 方法妙用
- UNITY3D 脑袋顶血顶名
- vue用阿里云oss上传图片使用分片上传只能上传100kb以内的解决办法
- VB6 如何连接MYSQL数据库
- android 贝塞尔曲线 波浪线,Android 贝塞尔曲线实现水纹波动效果
- python request 库传送formdata_Python Requests库 form-data 上传文件操作
- 类火墙的iptables
- (十三)中介者模式详解(玄幻版)
- SQL像数组一样处理字符串、分割字符串(标量值函数[用户自定义函数])
- 并发性(concurrency)和并行性(parallel)区别
- 在Linux上运行procmem和procrank
- 在dll中用DirectSound8同时播放多个wav文件不能发声
- 内网端口映射工具之80端口映射和全端口映射及辅助发布网站应用
- Sagemath | 基于大整数分解的Rabin加密
- MATLAB adf检验和kpss检验结果说明
- 【Unity】 HTFramework框架(十)Resource资源管理器