lru是什么

lru(least recently used)是一种缓存置换算法。即在缓存有限的情况下，如果有新的数据需要加载进缓存，则需要将最不可能被继续访问的缓存剔除掉。因为缓存是否可能被访问到没法做预测，所以基于如下假设实现该算法:

如果一个key经常被访问，那么该key的idle time应该是最小的。

(但这个假设也是基于概率，并不是充要条件,很明显,idle time最小的,甚至都不一定会被再次访问到)

这也就是lru的实现思路。首先实现一个双向链表,每次有一个key被访问之后，就把被访问的key放到链表的头部。当缓存不够时,直接从尾部逐个摘除。

在这种假设下的实现方法很明显会有一个问题，例如mysql中执行如下一条语句:

select * from table_a;

如果table_a中有大量数据并且读取之后不会继续使用,则lru头部会被大量的table_a中的数据占据。这样会造成热点数据被逐出缓存从而导致大量的磁盘io

mysql innodb的buffer pool使用了一种改进的lru算法，大意是将lru链表分成两部分，一部分为newlist,一部分为oldlist,newlist是头部热点数据，oldlist是非热点数据,oldlist默认占整个list长度的3/8.当初次加载一个page的时候，会首先放入oldlist的头部，再次访问时才会移动到newlist.具体参考如下文章:

而Redis整体上是一个大的dict，如果实现一个双向链表需要在每个key上首先增加两个指针，需要16个字节，并且额外需要一个list结构体去存储该双向链表的头尾节点信息。Redis作者认为这样实现不仅内存占用太大，而且可能导致性能降低。他认为既然lru本来就是基于假设做出的算法，为什么不能模拟实现一个lru呢。

Redis中的实现

首先Redis并没有使用双向链表实现一个lru算法。具体实现方法接下来逐步介绍

首先看一下robj结构体(Redis整体上是一个大的dict,key是一个string,而value都会保存为一个robj)

typedef struct redisObject {

...

unsigned lru:LRU_BITS; //LRU_BITS为24bit

...

} robj;

我们看到每个robj中都有一个24bit长度的lru字段，lru字段里边保存的是一个时间戳。看下边的代码

robj *lookupKey(redisDb *db, robj *key, int flags) {

...

if (server.maxmemory_policy & MAXMEMORY_FLAG_LFU) { //如果配置的是lfu方式，则更新lfu

updateLFU(val);

} else {

val->lru = LRU_CLOCK();//否则按lru方式更新

}

...

}

在Redis的dict中每次按key获取一个值的时候，都会调用lookupKey函数,如果配置使用了lru模式,该函数会更新value中的lru字段为当前秒级别的时间戳(lfu方式后文再描述)。

那么，虽然记录了每个value的时间戳，但是淘汰时总不能挨个遍历dict中的所有槽，逐个比较lru大小吧。

Redis初始的实现算法很简单，随机从dict中取出五个key,淘汰一个lru字段值最小的。(随机选取的key是个可配置的参数maxmemory-samples,默认值为5).

在3.0的时候，又改进了一版算法，首先第一次随机选取的key都会放入一个pool中(pool的大小为16),pool中的key是按lru大小顺序排列的。接下来每次随机选取的keylru值必须小于pool中最小的lru才会继续放入，直到将pool放满。放满之后，每次如果有新的key需要放入，需要将pool中lru最大的一个key取出。

淘汰的时候，直接从pool中选取一个lru最小的值然后将其淘汰。

我们知道Redis执行命令时首先会调用processCommand函数，在processCommand中会进行key的淘汰，代码如下:

int processCommmand(){

...

if (server.maxmemory && !server.lua_timedout) {

int out_of_memory = freeMemoryIfNeeded() == C_ERR;//如果开启了maxmemory的限制,则会调用freeMemoryIfNeeded()函数，该函数中进行缓存的淘汰

...

}

}

可以看到，lru本身是基于概率的猜测，这个算法也是基于概率的猜测，也就是作者说的模拟lru.那么效果如何呢？作者做了个实验，如下图所示

首先加入n个key并顺序访问这n个key,之后加入n/2个key(假设redis中只能保存n个key,于是会有n/2个key被逐出).上图中浅灰色为被逐出的key,淡蓝色是新增加的key,灰色的为最近被访问的key(即不会被lru逐出的key)

左上图为理想中的lru算法,新增加的key和最近被访问的key都不应该被逐出。

可以看到,Redis2.8当每次随机采样5个key时，新增加的key和最近访问的key都有一定概率被逐出

Redis3.0增加了pool后效果好一些(右下角的图)。当Redis3.0增加了pool并且将采样key增加到10个后，基本等同于理想中的lru(虽然还是有一点差距)

如果继续增加采样的key或者pool的大小，作者发现很能进一步优化lru算法,于是作者开始转换思路。

上文介绍了实现lru的一种思路,即如果一个key经常被访问，那么该key的idle time应该是最小的。

那么能不能换一种思路呢。如果能够记录一个key被访问的次数,那么经常被访问的key最有可能再次被访问到。这也就是lfu(least frequently used),访问次数最少的最应该被逐出。

lfu的代码如下:

void updateLFU(robj *val) {

unsigned long counter = LFUDecrAndReturn(val);//首先计算是否需要将counter衰减

counter = LFULogIncr(counter);//根据上述返回的counter计算新的counter

val->lru = (LFUGetTimeInMinutes()<<8) | counter; //robj中的lru字段只有24bits,lfu复用该字段。高16位存储一个分钟数级别的时间戳，低8位存储访问计数

}

unsigned long LFUDecrAndReturn(robj *o) {

unsigned long ldt = o->lru >> 8;//原来保存的时间戳

unsigned long counter = o->lru & 255; //原来保存的counter

unsigned long num_periods = server.lfu_decay_time ? LFUTimeElapsed(ldt) / server.lfu_decay_time : 0;

//server.lfu_decay_time默认为1,每经过一分钟counter衰减1

if (num_periods)

counter = (num_periods > counter) ? 0 : counter - num_periods;//如果需要衰减,则计算衰减后的值

return counter;

}

uint8_t LFULogIncr(uint8_t counter) {

if (counter == 255) return 255;//counter最大只能存储到255,到达后不再增加

double r = (double)rand()/RAND_MAX;//算一个随机的小数值

double baseval = counter - LFU_INIT_VAL;//新加入的key初始counter设置为LFU_INIT_VAL,为5.不设置为0的原因是防止直接被逐出

if (baseval < 0) baseval = 0;

double p = 1.0/(baseval*server.lfu_log_factor+1);//server.lfu_log_facotr默认为10

if (r < p) counter++;//可以看到,counter越大,则p越小，随机值r小于p的概率就越小。换言之,counter增加起来会越来越缓慢

return counter;

}

unsigned long LFUGetTimeInMinutes(void) {

return (server.unixtime/60) & 65535;//获取分钟级别的时间戳

}

lfu本质上是一个概率计数器，称为morris counter.随着访问次数的增加,counter的增加会越来越缓慢。如下是访问次数与counter值之间的关系

factor即server.lfu_log_facotr配置值，默认为10.可以看到,一个key访问一千万次以后counter值才会到达255.factor值越小, counter越灵敏

lfu随着分钟数对counter做衰减是基于一个原理:过去被大量访问的key不一定现在仍然会被访问。相当于除了计数，给时间也增加了一定的权重。

淘汰时就很简单了，仍然是一个pool,随机选取10个key,counter最小的被淘汰

算法验证

redis-cli提供了一个参数,可以验证lru算法的效率。主要是通过验证hits/miss的比率，来判断淘汰算法是否有效。命中比率高说明确实淘汰了不会被经常访问的key.具体做法如下:

配置redis lru算法为 allkeys-lru

test ~/redis-5.0.0$./src/redis-cli -p 6380

127.0.0.1:6380> config set maxmemory 50m //设置redis最大使用50M内存

OK

127.0.0.1:6380> config get maxmemory-policy

1) "maxmemory-policy"

2) "noeviction"

127.0.0.1:6380> config set maxmemory-policy allkeys-lru//设置lru算法为allkeys-lru

OK

执行redis-cli --lru-test验证命中率

...

# Memory

used_memory:50001216

...

evicted_keys:115092

...

查看lru-test的输出

131250 Gets/sec | Hits: 124113 (94.56%) | Misses: 7137 (5.44%)

132250 Gets/sec | Hits: 125091 (94.59%) | Misses: 7159 (5.41%)

131250 Gets/sec | Hits: 124027 (94.50%) | Misses: 7223 (5.50%)

133000 Gets/sec | Hits: 125855 (94.63%) | Misses: 7145 (5.37%)

136250 Gets/sec | Hits: 128882 (94.59%) | Misses: 7368 (5.41%)

139750 Gets/sec | Hits: 132231 (94.62%) | Misses: 7519 (5.38%)

136000 Gets/sec | Hits: 128702 (94.63%) | Misses: 7298 (5.37%)

134500 Gets/sec | Hits: 127374 (94.70%) | Misses: 7126 (5.30%)

134750 Gets/sec | Hits: 127427 (94.57%) | Misses: 7323 (5.43%)

134250 Gets/sec | Hits: 127004 (94.60%) | Misses: 7246 (5.40%)

138500 Gets/sec | Hits: 131019 (94.60%) | Misses: 7481 (5.40%)

130000 Gets/sec | Hits: 122918 (94.55%) | Misses: 7082 (5.45%)

126500 Gets/sec | Hits: 119646 (94.58%) | Misses: 6854 (5.42%)

132750 Gets/sec | Hits: 125672 (94.67%) | Misses: 7078 (5.33%)

136000 Gets/sec | Hits: 128563 (94.53%) | Misses: 7437 (5.47%)

132500 Gets/sec | Hits: 125450 (94.68%) | Misses: 7050 (5.32%)

132250 Gets/sec | Hits: 125234 (94.69%) | Misses: 7016 (5.31%)

133000 Gets/sec | Hits: 125761 (94.56%) | Misses: 7239 (5.44%)

134750 Gets/sec | Hits: 127431 (94.57%) | Misses: 7319 (5.43%)

130750 Gets/sec | Hits: 123707 (94.61%) | Misses: 7043 (5.39%)

133500 Gets/sec | Hits: 126195 (94.53%) | Misses: 7305 (5.47%)

大概有5%-5.5%之间的miss概率。我们将lru策略切换为allkeys-lfu，再次实验

结果如下:

131250 Gets/sec | Hits: 124480 (94.84%) | Misses: 6770 (5.16%)

134750 Gets/sec | Hits: 127926 (94.94%) | Misses: 6824 (5.06%)

130000 Gets/sec | Hits: 123458 (94.97%) | Misses: 6542 (5.03%)

127750 Gets/sec | Hits: 121231 (94.90%) | Misses: 6519 (5.10%)

130500 Gets/sec | Hits: 123958 (94.99%) | Misses: 6542 (5.01%)

130500 Gets/sec | Hits: 123935 (94.97%) | Misses: 6565 (5.03%)

131250 Gets/sec | Hits: 124622 (94.95%) | Misses: 6628 (5.05%)

131250 Gets/sec | Hits: 124618 (94.95%) | Misses: 6632 (5.05%)

128000 Gets/sec | Hits: 121315 (94.78%) | Misses: 6685 (5.22%)

129000 Gets/sec | Hits: 122585 (95.03%) | Misses: 6415 (4.97%)

132000 Gets/sec | Hits: 125277 (94.91%) | Misses: 6723 (5.09%)

134000 Gets/sec | Hits: 127329 (95.02%) | Misses: 6671 (4.98%)

131750 Gets/sec | Hits: 125258 (95.07%) | Misses: 6492 (4.93%)

136000 Gets/sec | Hits: 129207 (95.01%) | Misses: 6793 (4.99%)

135500 Gets/sec | Hits: 128659 (94.95%) | Misses: 6841 (5.05%)

133750 Gets/sec | Hits: 126995 (94.95%) | Misses: 6755 (5.05%)

131250 Gets/sec | Hits: 124680 (94.99%) | Misses: 6570 (5.01%)

129750 Gets/sec | Hits: 123408 (95.11%) | Misses: 6342 (4.89%)

130500 Gets/sec | Hits: 124043 (95.05%) | Misses: 6457 (4.95%)

%5左右的miss率，在这个测试下,lfu比lru的预测准确率略微高一些。

在实际生产环境中,不同的redis访问模式需要配置不同的lru策略， 然后可以通过lru test工具验证效果。

参考链接