Redis的記憶體淘汰策略

千山qianshan發表於2019-08-29

Redis佔用記憶體大小

我們知道Redis是基於記憶體的key-value資料庫,因為系統的記憶體大小有限,所以我們在使用Redis的時候可以配置Redis能使用的最大的記憶體大小。

1、通過配置檔案配置

通過在Redis安裝目錄下面的redis.conf配置檔案中新增以下配置設定記憶體大小

//設定Redis最大佔用記憶體大小為100M
maxmemory 100mb
複製程式碼

redis的配置檔案不一定使用的是安裝目錄下面的redis.conf檔案,啟動redis服務的時候是可以傳一個引數指定redis的配置檔案的

2、通過命令修改

Redis支援執行時通過命令動態修改記憶體大小

//設定Redis最大佔用記憶體大小為100M
127.0.0.1:6379> config set maxmemory 100mb
//獲取設定的Redis能使用的最大記憶體大小
127.0.0.1:6379> config get maxmemory
複製程式碼

如果不設定最大記憶體大小或者設定最大記憶體大小為0,在64位作業系統下不限制記憶體大小,在32位作業系統下最多使用3GB記憶體

Redis的記憶體淘汰

既然可以設定Redis最大佔用記憶體大小,那麼配置的記憶體就有用完的時候。那在記憶體用完的時候,還繼續往Redis裡面新增資料不就沒記憶體可用了嗎?

實際上Redis定義了幾種策略用來處理這種情況:

noeviction(預設策略):對於寫請求不再提供服務,直接返回錯誤(DEL請求和部分特殊請求除外)

allkeys-lru:從所有key中使用LRU演算法進行淘汰

volatile-lru:從設定了過期時間的key中使用LRU演算法進行淘汰

allkeys-random:從所有key中隨機淘汰資料

volatile-random:從設定了過期時間的key中隨機淘汰

volatile-ttl:在設定了過期時間的key中,根據key的過期時間進行淘汰,越早過期的越優先被淘汰

當使用volatile-lruvolatile-randomvolatile-ttl這三種策略時,如果沒有key可以被淘汰,則和noeviction一樣返回錯誤

如何獲取及設定記憶體淘汰策略

獲取當前記憶體淘汰策略:

127.0.0.1:6379> config get maxmemory-policy
複製程式碼

通過配置檔案設定淘汰策略(修改redis.conf檔案):

maxmemory-policy allkeys-lru
複製程式碼

通過命令修改淘汰策略:

127.0.0.1:6379> config set maxmemory-policy allkeys-lru
複製程式碼

LRU演算法

什麼是LRU?

上面說到了Redis可使用最大記憶體使用完了,是可以使用LRU演算法進行記憶體淘汰的,那麼什麼是LRU演算法呢?

LRU(Least Recently Used),即最近最少使用,是一種快取置換演算法。在使用記憶體作為快取的時候,快取的大小一般是固定的。當快取被佔滿,這個時候繼續往快取裡面新增資料,就需要淘汰一部分老的資料,釋放記憶體空間用來儲存新的資料。這個時候就可以使用LRU演算法了。其核心思想是:如果一個資料在最近一段時間沒有被用到,那麼將來被使用到的可能性也很小,所以就可以被淘汰掉。

使用java實現一個簡單的LRU演算法
public class LRUCache<k, v> {
    //容量
    private int capacity;
    //當前有多少節點的統計
    private int count;
    //快取節點
    private Map<k, Node<k, v>> nodeMap;
    private Node<k, v> head;
    private Node<k, v> tail;

    public LRUCache(int capacity) {
        if (capacity < 1) {
            throw new IllegalArgumentException(String.valueOf(capacity));
        }
        this.capacity = capacity;
        this.nodeMap = new HashMap<>();
        //初始化頭節點和尾節點,利用哨兵模式減少判斷頭結點和尾節點為空的程式碼
        Node headNode = new Node(null, null);
        Node tailNode = new Node(null, null);
        headNode.next = tailNode;
        tailNode.pre = headNode;
        this.head = headNode;
        this.tail = tailNode;
    }

    public void put(k key, v value) {
        Node<k, v> node = nodeMap.get(key);
        if (node == null) {
            if (count >= capacity) {
                //先移除一個節點
                removeNode();
            }
            node = new Node<>(key, value);
            //新增節點
            addNode(node);
        } else {
            //移動節點到頭節點
            moveNodeToHead(node);
        }
    }

    public Node<k, v> get(k key) {
        Node<k, v> node = nodeMap.get(key);
        if (node != null) {
            moveNodeToHead(node);
        }
        return node;
    }

    private void removeNode() {
        Node node = tail.pre;
        //從連結串列裡面移除
        removeFromList(node);
        nodeMap.remove(node.key);
        count--;
    }

    private void removeFromList(Node<k, v> node) {
        Node pre = node.pre;
        Node next = node.next;

        pre.next = next;
        next.pre = pre;

        node.next = null;
        node.pre = null;
    }

    private void addNode(Node<k, v> node) {
        //新增節點到頭部
        addToHead(node);
        nodeMap.put(node.key, node);
        count++;
    }

    private void addToHead(Node<k, v> node) {
        Node next = head.next;
        next.pre = node;
        node.next = next;
        node.pre = head;
        head.next = node;
    }

    public void moveNodeToHead(Node<k, v> node) {
        //從連結串列裡面移除
        removeFromList(node);
        //新增節點到頭部
        addToHead(node);
    }

    class Node<k, v> {
        k key;
        v value;
        Node pre;
        Node next;

        public Node(k key, v value) {
            this.key = key;
            this.value = value;
        }
    }
}

複製程式碼

上面這段程式碼實現了一個簡單的LUR演算法,程式碼很簡單,也加了註釋,仔細看一下很容易就看懂。

LRU在Redis中的實現

近似LRU演算法

Redis使用的是近似LRU演算法,它跟常規的LRU演算法還不太一樣。近似LRU演算法通過隨機取樣法淘汰資料,每次隨機出5(預設)個key,從裡面淘汰掉最近最少使用的key。

可以通過maxmemory-samples引數修改取樣數量: 例:maxmemory-samples 10 maxmenory-samples配置的越大,淘汰的結果越接近於嚴格的LRU演算法

Redis為了實現近似LRU演算法,給每個key增加了一個額外增加了一個24bit的欄位,用來儲存該key最後一次被訪問的時間。

Redis3.0對近似LRU的優化

Redis3.0對近似LRU演算法進行了一些優化。新演算法會維護一個候選池(大小為16),池中的資料根據訪問時間進行排序,第一次隨機選取的key都會放入池中,隨後每次隨機選取的key只有在訪問時間小於池中最小的時間才會放入池中,直到候選池被放滿。當放滿後,如果有新的key需要放入,則將池中最後訪問時間最大(最近被訪問)的移除。

當需要淘汰的時候,則直接從池中選取最近訪問時間最小(最久沒被訪問)的key淘汰掉就行。

LRU演算法的對比

我們可以通過一個實驗對比各LRU演算法的準確率,先往Redis裡面新增一定數量的資料n,使Redis可用記憶體用完,再往Redis裡面新增n/2的新資料,這個時候就需要淘汰掉一部分的資料,如果按照嚴格的LRU演算法,應該淘汰掉的是最先加入的n/2的資料。 生成如下各LRU演算法的對比圖(圖片來源):

Redis的記憶體淘汰策略
你可以看到圖中有三種不同顏色的點:

  • 淺灰色是被淘汰的資料
  • 灰色是沒有被淘汰掉的老資料
  • 綠色是新加入的資料

我們能看到Redis3.0取樣數是10生成的圖最接近於嚴格的LRU。而同樣使用5個取樣數,Redis3.0也要優於Redis2.8。

LFU演算法

LFU演算法是Redis4.0裡面新加的一種淘汰策略。它的全稱是Least Frequently Used,它的核心思想是根據key的最近被訪問的頻率進行淘汰,很少被訪問的優先被淘汰,被訪問的多的則被留下來。

LFU演算法能更好的表示一個key被訪問的熱度。假如你使用的是LRU演算法,一個key很久沒有被訪問到,只剛剛是偶爾被訪問了一次,那麼它就被認為是熱點資料,不會被淘汰,而有些key將來是很有可能被訪問到的則被淘汰了。如果使用LFU演算法則不會出現這種情況,因為使用一次並不會使一個key成為熱點資料。

LFU一共有兩種策略:

  • volatile-lfu:在設定了過期時間的key中使用LFU演算法淘汰key
  • allkeys-lfu:在所有的key中使用LFU演算法淘汰資料

設定使用這兩種淘汰策略跟前面講的一樣,不過要注意的一點是這兩週策略只能在Redis4.0及以上設定,如果在Redis4.0以下設定會報錯

問題

最後留一個小問題,可能有的人注意到了,我在文中並沒有解釋為什麼Redis使用近似LRU演算法而不使用準確的LRU演算法,可以在評論區給出你的答案,大家一起討論學習。

參考文獻:

redis.io/topics/lru-…

segmentfault.com/a/119000001…

segmentfault.com/a/119000001…

相關文章