发布网友 发布时间:2024-09-30 16:24
共1个回答
热心网友 时间:2024-10-14 17:13
1、简介Redis是基于内存存储的key-value数据库,我们知道内存虽然快但空间小,当物理内存达到上限时,系统就会跑的很慢,这是因为swap机制会将部分内存的数据转移到swap分区中,通过与swap的交换保证系统继续运行;但是swap属于硬盘存储,速度远远比不上内存,尤其是对于Redis这种QPS非常高的服务,发生这种情况是无法接收的。(注意如果swap分区内存也满了,系统就会发生错误!)
Linux操作系统可以通过free-m查看swap大小:
因此如何防止Redis发生这种情况非常重要(面试官问到Redis几乎没有不问这个知识点的)。
2、maxmemory配置Redis针对上述问题提供了maxmemory配置,这个配置可以指定Redis存储器的最大数据集,通常情况都是在Redis.conf文件中进行配置,也可以运行时使用CONFIGSET命令进行一次性配置。
redis.conf文件中的配置项示意图:
默认情况maxmemory配置项并未启用,Redis官方介绍64位操作系统默认无内存*,32位操作系统默认3GB隐式内存配置,如果maxmemory为0,代表内存不受限。
因此我们在做缓存架构时,要根据硬件资源+业务需求做合适的maxmemory配置。
3、内存达到maxmemory怎么办很显然配置了最大内存,当maxmemory达到了最大上限之后Redis不可能不干活了,那么Redis是怎么来处理这个问题的呢?这就是本文的重点,Redis提供了maxmemory-policy淘汰策略(本文只讲述LRU不涉及LFU,LFU在下一篇文章讲述),对满足条件的key进行删除,辞旧迎新。
maxmemory-policy淘汰策略:
noeviction:当达到内存*并且客户端尝试执行可能导致使用更多内存的命令时返回错误,简单来说读操作仍然允许,但是不准写入新的数据,del(删除)请求可以。
allkeys-lru:从全体key中,通过lru(LeastRecentlyUsed-最近最少使用)算法进行淘汰
allkeys-random:从全体key中,随机进行淘汰
volatile-lru:从设置了过期时间的全部key中,通过lru(LeastRecentlyUsed-最近最少使用)算法进行淘汰,这样可以保证未设置过期时间需要被持久化的数据,不会被选中淘汰
volatile-random:从设置了过期时间的全部key中,随机进行淘汰
volatile-ttl:从设置了过期时间的全部key中,通过比较key的剩余过期时间TTL的值,TTL越小越先被淘汰
还有volatile-lfu/allkeys-lfu这个留到下文一起探讨,两个算法不一样!
random随机淘汰只需要随机取一些key进行删除,释放内存空间即可;ttl过期时间小先淘汰也可以通过比较ttl的大小,将ttl值小的key进行删除,释放内存空间即可。
那么LRU是怎么实现的呢?Redis又是如何知道哪个key最近被使用了,哪个key最近没有被使用呢?
4、LRU算法实现我们先用Java的容器实现一个简单的LRU算法,我们使用ConcurrentHashMap做key-value结果存储元素的映射关系,使用ConcurrentLinkedDeque来维持key的访问顺序。
LRU实现代码:
packagecom.lizba.redis.lru;importjava.util.Arrays;importjava.util.List;importjava.util.concurrent.ConcurrentHashMap;importjava.util.concurrent.ConcurrentLinkedDeque;/***<p>*LRU简单实现*</p>**@Author:Liziba*@Date:2021/9/1723:47*/publicclassSimpleLru{/**数据缓存*/privateConcurrentHashMap<String,Object>cacheData;/**访问顺序记录*/privateConcurrentLinkedDeque<String>sequence;/**缓存容量*/privateintcapacity;publicSimpleLru(intcapacity){this.capacity=capacity;cacheData=newConcurrentHashMap(capacity);sequence=newConcurrentLinkedDeque();}/***设置值**@paramkey*@paramvalue*@return*/publicObjectsetValue(Stringkey,Objectvalue){//判断是否需要进行LRU淘汰this.maxMemoryHandle();//包含则移除元素,新访问的元素一直保存在队列最前面if(sequence.contains(key)){sequence.remove();}sequence.addFirst(key);cacheData.put(key,value);returnvalue;}/***达到最大内存,淘汰最近最少使用的key*/privatevoidmaxMemoryHandle(){while(sequence.size()>=capacity){StringlruKey=sequence.removeLast();cacheData.remove(lruKey);System.out.println("key:"+lruKey+"被淘汰!");}}/***获取访问LRU顺序**@return*/publicList<String>getAll(){returnArrays.asList(sequence.toArray(newString[]{}));}}测试代码:
packagecom.lizba.redis.lru;/***<p>*测试最近最少使用*</p>**@Author:Liziba*@Date:2021/9/180:00*/publicclassTestSimpleLru{publicstaticvoidmain(String[]args){SimpleLrulru=newSimpleLru(8);for(inti=0;i<10;i++){lru.setValue(i+"",i);}System.out.println(lru.getAll());}}测试结果:
从上数的测试结果可以看出,先加入的key0,key1被淘汰了,最后加入的key也是最新的key保存在sequence的队头。
通过这种方案,可以很简单的实现LRU算法;但缺点也十分明显,方案需要使用额外的数据结构来保存key的访问顺序,这样会使Redis内存消耗增加,本身用来优化内存的方案,却要消耗不少内存,显然是不行的。
5、Redis的近似LRU针对这种情况,Redis使用了近似LRU算法,并不是完完全全准确的淘汰掉最近最不经常使用的key,但是总体的准确度也可以得到保证。
近似LRU算法非常简单,在Redis的key对象中,增加24bit用于存储最近一次访问的系统时间戳,当客户端对Redis服务端发送key的写入相关请求时,发现内存达到maxmemory,此时触发惰性删除;Redis服务通过随机采样,选择5个满足条件的key(注意这个随机采样allkeys-lru是从所有的key中随机采样,volatile-lru是从设置了过期时间的所有key中随机采样),通过key对象中记录的最近访问时间戳进行比较,淘汰掉这5个key中最旧的key;如果内存仍然不够,就继续重复这个步骤。
注意,5是Redis默认的随机采样数值大小,它可以通过redis.conf中的maxmemory_samples进行配置:
针对上述的随机LRU算法,Redis官方给出了一张测试准确性的数据图:
最上层浅灰色表示被淘汰的key,图一是标准的LRU算法淘汰的示意图
中间深灰色层表示未被淘汰的旧key
最下层浅绿色表示最近被访问的key
在Redis3.0maxmemory_samples设置为10的时候,Redis的近似LRU算法已经非常的接近真实LRU算法了,但是显然maxmemory_samples设置为10比maxmemory_samples设置为5要更加消耗CPU计算时间,因为每次采样的样本数据增大,计算时间也会增加。
Redis3.0的LRU比Redis2.8的LRU算法更加准确,是因为Redis3.0增加了一个与maxmemory_samples相同大小的淘汰池,每次淘汰key的时候,先与淘汰池中等待被淘汰的key进行比较,最后淘汰掉最老旧的key,其实就是被选中淘汰的key放到一起再比较一下,淘汰其中最旧的。
6、存在问题LRU算法看似比较好用,但是也存在不合理的地方,比如A和B两个key,在发生淘汰时的前一个小时前同一时刻添加到Redis,A在前49分钟被访问了1000次,但是后11分钟没有被访问;B在这一个小时内仅仅第59分钟被访问了1次;此时如果使用LRU算法,如果A、B均被Redis采样选中,A将会被淘汰很显然这个是不合理的。
针对这种情况Redis4.0添加了LFU算法,(Leastfrequentlyused)最不经常使用,这种算法比LRU更加合理,下文将会一起学习中淘汰算法,如有需要请关注我的专栏。