Redis 为何使用近似 LRU 算法淘汰数据，而不是真实 LRU？

Redis 为何使用近似 LRU 算法淘汰数据，而不是真实 LRU？

在《​​Redis 数据缓存满了怎么办?​​》我们知道 Redis 缓存满了之后能通过淘汰策略删除数据腾出空间给新数据。

淘汰策略如下所示：

redis内存淘汰

设置过期时间的 key

volatile-ttl、volatile-random、volatile-lru、volatile-lfu 这四种策略淘汰的数据范围是设置了过期时间的数据。

所有的 key

allkeys-lru、allkeys-random、allkeys-lfu 这三种淘汰策略无论这些键值对是否设置了过期时间，当内存不足都会进行淘汰。

这就意味着，即使它的过期时间还没到，也会被删除。当然，如果已经过了过期时间，即使没有被淘汰策略选中，也会被删除。

volatile-ttl 和 volatile-randon 很简单，重点在于 volatile-lru 和 volatile-lfu，他们涉及到 LRU 算法 和 LFU 算法。

今天码哥带大家一起搞定 Redis 的 LRU 算法…

近似 LRU 算法

什么是 LRU 算法呢?

LRU 算法的全程是 Least Rencently Used，顾名思义就是按照最近最久未使用的算法进行数据淘汰。

核心思想「如果该数据最近被访问，那么将来被访问的几率也更高」。

我们把所有的数据组织成一个链表：

MRU：表示链表的表头，代表着最近最常被访问的数据。LRU：表示链表的表尾，代表最近最不常使用的数据。

可以发现，LRU 更新和插入新数据都发生在链表首，删除数据都发生在链表尾。

被访问的数据会被移动到 MRU 端，被访问的数据之前的数据则相应往后移动一位。

使用单链表可以么?

如果选用单链表，删除这个结点，需要 O(n) 遍历一遍找到前驱结点。所以选用双向链表，在删除的时候也能 O(1) 完成。

Redis 使用该 LRU 算法管理所有的缓存数据么?

不是的，由于 LRU 算法需要用链表管理所有的数据，会造成大量额外的空间消耗。

除此之外，大量的节点被访问就会带来频繁的链表节点移动操作，从而降低了 Redis 性能。

所以 Redis 对该算法做了简化，Redis LRU 算法并不是真正的 LRU，Redis 通过对少量的 key 采样，并淘汰采样的数据中最久没被访问过的 key。

这就意味着 Redis 无法淘汰数据库最久访问的数据。

Redis LRU 算法有一个重要的点在于可以更改样本数量来调整算法的精度，使其近似接近真实的 LRU 算法，同时又避免了内存的消耗，因为每次只需要采样少量样本，而不是全部数据。

配置如下：

maxmemory-samples 50

运行原理

大家还记得么，数据结构 redisObject 中有一个 lru 字段， 用于记录每个数据最近一次被访问的时间戳。

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

Redis 在淘汰数据时，第一次随机选出 N 个数据放到候选集合，将 lru 字段值最小的数据淘汰。

当再次需要淘汰数据时，会重新挑选数据放入第一次创建的候选集合，不过有一个挑选标准：进入该集合的数据的 lru 的值必须小于候选集合中最小的 lru 值。

如果新数据进入候选集合的个数达到了 maxmemory-samples 设定的值，那就把候选集合中 lru 最小的数据淘汰。

这样就大大减少链表节点数量，同时不用每次访问数据都移动链表节点，大大提升了性能。

Java 实现 LRU Cahce

LinkedHashMap 实现

完全利用 Java 的LinkedHashMap实现，可以采用组合或者继承的方式实现，「码哥」使用组合的形式完成。

public class LRUCache { private Map map; private final int cacheSize; public LRUCache(int initialCapacity) { map = new LinkedHashMap(initialCapacity, 0.75f, true) { @Override protected boolean removeEldestEntry(Map.Entry eldest) { return size() > cacheSize; } }; this.cacheSize = initialCapacity; }}

重点在于 LinkedHashMap的第三个构造函数上，要把这个构造参数accessOrder设为 true，代表LinkedHashMap内部维持访问顺序。

另外，还需要重写removeEldestEntry()，这个函数如果返回true，代表把最久未被访问的节点移除，从而实现淘汰数据。

自己实现

其中代码是从 LeetCode 146. LRU Cache 上摘下来的。代码里面有注释。

import java.util.Map;import java.util.concurrent.ConcurrentHashMap;/** * 在链头放最久未被使用的元素，链尾放刚刚添加或访问的元素 */class LRUCache { class Node { int key, value; Node pre, next; Node(int key, int value) { this.key = key; this.value = value; pre = this; next = this; } } private final int capacity;// LRU Cache的容量 private Node dummy;// dummy节点是一个冗余节点，dummy的next是链表的第一个节点，dummy的pre是链表的最后一个节点 private Map cache;//保存key-Node对，Node是双向链表节点 public LRUCache(int capacity) { this.capacity = capacity; dummy = new Node(0, 0); cache = new ConcurrentHashMap<>(); } public int get(int key) { Node node = cache.get(key); if (node == null) return -1; remove(node); add(node); return node.value; } public void put(int key, int value) { Node node = cache.get(key); if (node == null) { if (cache.size() >= capacity) { cache.remove(dummy.next.key); remove(dummy.next); } node = new Node(key, value); cache.put(key, node); add(node); } else { cache.remove(node.key); remove(node); node = new Node(key, value); cache.put(key, node); add(node); } } /** * 在链表尾部添加新节点 * * @param node 新节点 */ private void add(Node node) { dummy.pre.next = node; node.pre = dummy.pre; node.next = dummy; dummy.pre = node; } /** * 从双向链表中删除该节点 * * @param node 要删除的节点 */ private void remove(Node node) { node.pre.next = node.next; node.next.pre = node.pre; }}

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。