本文详细讲解下Redis热点key发现机制+客户端缓存的原理。
一、redis4.0之基于LFU的热点key发现机制
业务中存在访问热点是在所难免的,然而如何发现热点key一直困扰着许多用户,redis4.0为我们带来了许多新特性,其中便包括基于LFU的热点key发现机制。
Redis中的LFU思路
Least Frequently Used——简称LFU,意为最不经常使用,是redis4.0新增的一类内存逐出策略,
从LFU的字面意思我们很容易联想到key的访问频率,但是4.0最初版本仅用来做内存逐出,对于访问频率并没有很好的记录,那么经过一番改造,redis于4.0.3版本开始正式支持基于LFU的热点key发现机制。它也是基于局部性原理:如果一个数据在最近一段时间内使用次数最少,那么在将来一段时间内被使用的可能性也很小
在LFU
算法中,可以为每个key维护一个计数器。每次key被访问的时候,计数器增大。计数器越大,可以约等于访问越频繁。
1.1、LFU算法介绍
在redis中每个对象都有24 bits空间来记录LRU/LFU信息:
typedefstructredisObject {
unsigned type:4;
unsigned encoding:4;
unsigned lru:LRU_BITS; /* LRU time (relative to global lru_clock) or
* LFU data (least significant 8 bits frequency
* and most significant 16 bits access time). */
int refcount;
void *ptr;
} robj;
当这24 bits用作LFU时,其被分为两部分:
- 高16位用来记录访问时间(单位为分钟)
- 低8位用来记录访问频率,简称counter
16 bits 8 bits
+------------------+--------+
+ Last access time | LOG_C |
+------------------+--------+
1.1.1、counter:基于概率的对数计数器
这里读者可能会有疑问,8 bits最大值也就是255,只用8位来记录访问频率够用吗?对于counter,redis用了一个trick的手段,counter并不是一个简单的线性计数器,而是用基于概率的对数计数器来实现,算法如下:
void updateLFU(robj *val) {
unsigned long counter = LFUDecrAndReturn(val);
//counter增长函数
counter = LFULogIncr(counter);
val->lru = (LFUGetTimeInMinutes()<<8) | counter;
}
#define LFU_INIT_VAL 5
server.lfu_log_factor = CONFIG_DEFAULT_LFU_LOG_FACTOR; //server.c 概率因子
#define CONFIG_DEFAULT_LFU_LOG_FACTOR 10 //server.h
//counter增长函数
uint8_t LFULogIncr(uint8_t counter) {
//如果已经到最大值255,返回255 ,8位的最大值
if (counter == 255) return 255;
//取一随机小数(0-1)
double r = (double)rand()/RAND_MAX;
//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。
double baseval = counter - LFU_INIT_VAL;
if (baseval < 0) baseval = 0;
double p = 1.0/(baseval*server.lfu_log_factor+1);
//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
if (r < p) counter++;
return counter;//counter 访问频率
}
对应的概率分布计算公式为:
1/((counter-LFU_INIT_VAL)*server.lfu_log_factor+1)
counter
并不是简单的访问一次就+1,而是采用了一个0-1之间的p因子控制增长。counter
最大值为255。取一个0-1之间的随机数r与p比较,当r<p
时,才增加counter
控制产出的策略。p取决于当前counter
值与lfu_log_factor
因子,counter
值与lfu_log_factor
因子越大,p越小,r<p
的概率也越小,counter
增长的概率也就越小。
LRU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 | 100 hits | 1000 hits | 100K hits | 1M hits | 10M hits |+--------+------------+------------+------------+------------+------------+
| 0 | 104 | 255 | 255 | 255 | 255 |+--------+------------+------------+------------+------------+------------+
| 1 | 18 | 49 | 255 | 255 | 255 |+--------+------------+------------+------------+------------+------------+
| 10 | 10 | 18 | 142 | 255 | 255 |+--------+------------+------------+------------+------------+------------+
| 100 | 8 | 11 | 49 | 143 | 255 |+--------+------------+------------+------------+------------+------------+
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.可见counter
增长与访问次数呈现对数增长的趋势,随着访问次数越来越大,counter
增长的越来越慢。
其中LFU_INIT_VAL为5,我们看下概率分布图会有一个更直观的认识,以默认server.lfu_log_factor=10为例:
1/((counter-5)*10+1)
从上图可以看到,counter越大,其增加的概率越小,8 bits也足够记录很高的访问频率,
也就是说,默认server.lfu_log_factor为10的情况下,8 bits的counter可以表示1百万的访问频率。
1.1.2、新生key策略
另外一个问题是,当创建新对象的时候,对象的counter
如果为0,很容易就会被淘汰掉,还需要为新生key设置一个初始counter
,createObject
:
robj *createObject(int type, void *ptr) {
robj *o = zmalloc(sizeof(*o));
o->type = type;
o->encoding = OBJ_ENCODING_RAW;
o->ptr = ptr;
o->refcount = 1;
/* Set the LRU to the current lruclock (minutes resolution), or
* alternatively the LFU counter. */
if (server.maxmemory_policy & MAXMEMORY_FLAG_LFU) {
o->lru = (LFUGetTimeInMinutes()<<8) | LFU_INIT_VAL;
} else {
o->lru = LRU_CLOCK();
}
return o;
}
counter
会被初始化为LFU_INIT_VAL
,默认5。
1.1.3、counter的衰减因子
从上一小节的counter增长函数LFULogIncr中我们可以看到,随着key的访问量增长,counter最终都会收敛为255,这就带来一个问题,如果counter只增长不衰减就无法区分热点key。
为了解决这个问题,redis提供了衰减因子server.lfu_decay_time,其单位为分钟,计算方法也很简单,如果一个key长时间没有访问那么它的计数器counter就要减少,减少的值由衰减因子来控制:
unsigned long LFUDecrAndReturn(robj *o) {
//lru字段右移8位,得到前面16位的分钟时间戳
unsignedlong ldt = o->lru >> 8;
//lru字段与255进行&运算(255代表8位的最大值),得到8位当前counter值
unsignedlong counter = o->lru & 255;
//总的没访问的分钟时间/配置值,得到每分钟没访问衰减多,默认每经过一分钟counter衰减1
unsignedlong num_periods = server.lfu_decay_time ? LFUTimeElapsed(ldt) / server.lfu_decay_time : 0;
if (num_periods)
//计算衰减后的值
counter = (num_periods > counter) ? 0 : counter - num_periods;
return counter;
}
默认为1的情况下也就是N分钟内没有访问,counter就要减N。
函数首先取得高16 bits的最近降低时间ldt
与低8 bits的计数器counter
,然后根据配置的lfu_decay_time
计算应该降低多少。
LFUTimeElapsed
用来计算当前时间与ldt
的差值:
/* Return the current time in minutes, just taking the least significant * 16 bits. The returned time is suitable to be stored as LDT (last decrement * time) for the LFU implementation. */unsignedlongLFUGetTimeInMinutes(void) {
return (server.unixtime/60) & 65535;
}
/* Given an object last access time, compute the minimum number of minutes * that elapsed since the last access. Handle overflow (ldt greater than * the current 16 bits minutes time) considering the time as wrapping * exactly once. */unsignedlongLFUTimeElapsed(unsignedlong ldt) {
unsignedlong now = LFUGetTimeInMinutes();
if (now >= ldt) return now-ldt;
return65535-ldt+now;
}
具体是当前时间转化成分钟数后取低16 bits,然后计算与ldt
的差值now-ldt
。当ldt > now
时,默认为过了一个周期(16 bits,最大65535),取值65535-ldt+now
。
然后用差值与配置lfu_decay_time
相除,LFUTimeElapsed(ldt) / server.lfu_decay_time
,已过去n个lfu_decay_time
,则将counter
减少n,counter - num_periods
。
1.1.4、LFU配置
Redis
4.0之后为maxmemory_policy
淘汰策略添加了两个LFU
模式:
volatile-lfu
:对有过期时间的key采用LFU
淘汰算法allkeys-lfu
:对全部key采用LFU
淘汰算法
还有2个配置可以调整LFU
算法:
lfu-log-factor 10
lfu-decay-time1
lfu-log-factor
可以调整计数器counter
的增长速度,lfu-log-factor
越大,counter
增长的越慢。
lfu-decay-time
是一个以分钟为单位的数值,可以调整counter
的减少速度
- 热点key发现
介绍完LFU算法,接下来就是我们关心的热点key发现机制。
其核心就是在每次对key进行读写访问时,更新LFU的24 bits域代表的访问时间和counter,这样每个key就可以获得正确的LFU值:
void updateLFU(robj*val) {
//首先计算是否需要将counter衰减
unsigned long counter = LFUDecrAndReturn(val);
//根据上述返回的counter计算新的counter
counter = LFULogIncr(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
val->lru = (LFUGetTimeInMinutes()<<8) | counter;
}
二、redis6.0 客户端缓存方案
1.1 client cache的问题
client cache的问题是缓存应该何时失效,更确切的说是如何保持与远端数据的一致性。 为client cache设置过期时间是一个选择,但时间设置多久是一个问题。太长会有时效性问题,太短缓存的效果会打折扣。
1.2 redis 6.0 的解决方式
1.2.1 整体思想
redis在服务端记录访问的连接和相关的key, 当key有变化时,通知相应的连接(应用)。应用收到请求后自行处理有变化的key, 进而实现client cache与redis的一致。
redis对客户端缓存的支持方式被称为Tracking,分为两种模式:默认模式,广播模式。
1.2.2 默认模式
Server 端记录每个Client访问的Key,当发生变更时,向client推送数据过期消息。
当tracking开启时, Redis会「记住」每个客户端请求的 key,当 key的值发现变化时会发送失效信息给客户端 (invalidation message)。失效信息可以通过 RESP3协议发送给请求的客户端,或者转发给一个不同的连接 (支持 RESP2 + Pub/Sub) 的客户端。
Server 端将 Client 访问的 key以及该 key 对应的客户端 ID 列表信息存储在全局唯一的表(TrackingTable),当表满了,回移除最老的记录,同时触发该记录已过期的通知给客户端。
每个 Redis 客户端又有一个唯一的数字 ID,TrackingTable 存储着每一个 Client ID,当连接断开后,清除该 ID 对应的记录。
TrackingTable 表中记录的 Key 信息不考虑是哪个 database 的,虽然访问的是 db1 的 key,db2 同名 key 修改时会客户端收到过期提示,但这样做会减少系统的复杂性,以及表的存储数据量。
Redis 用TrackingTable存储键的指针和客户端 ID 的映射关系。因为键对象的指针就是内存地址,也就是长整型数据。客户端缓存的相关操作就是对该数据的增删改查:
- 优点:只对Client发送其访问过的被修改的数据
- 缺点:Server端需要额外存储较大的数据量。
1.2.3 广播模式
客户端订阅key前缀的广播(空串表示订阅所有失效广播),服务端记录key前缀与client的对应关系。当相匹配的key发生变化时,通知client。
当广播模式 (broadcasting) 开启时,服务器不会记住给定客户端访问了哪些键,因此这种模式在服务器端根本不消耗任何内存。
在这个模式下,服务端会给客户端广播所有 key 的失效情况,如果 key 被频繁修改,服务端会发送大量的失效广播消息,这就会消耗大量的网络带宽资源。
所以,在实际应用中,我们设置让客户端注册只跟踪指定前缀的 key,当注册跟踪的 key 前缀匹配被修改,服务端就会把失效消息广播给所有关注这个 key前缀的客户端。
这种监测带有前缀的 key 的广播模式,和我们对 key 的命名规范非常匹配。我们在实际应用时,会给同一业务下的 key 设置相同的业务名前缀,所以,我们就可以非常方便地使用广播模式。
- 优点:服务端记录信息比较少
- 缺点:client会收到自己未访问过的key的失效通知。
1.2.4 RESP3协议
redis6.0开始使用新的协议RESP3。该协议增加了很多数据类型。