LRU原理和Redis实现——一个今日头条的面试题(转载)

很久前参加过今日头条的面试,遇到一个题,目前半部分是如何实现 LRU,后半部分是 Redis 中如何实现 LRU。

我的第一反应是操作系统课程里学过,应该是内存不够的场景下,淘汰旧内容的策略。LRU ... Least Recent Used,淘汰掉最不经常使用的。可以稍微多补充两句,因为计算机体系结构中,最大的最可靠的存储是硬盘,它容量很大,并且内容可以固化,但是访问速度很慢,所以需要把使用的内容载入内存中;内存速度很快,但是容量有限,并且断电后内容会丢失,并且为了进一步提升性能,还有CPU内部的 L1 Cache,L2 Cache等概念。因为速度越快的地方,它的单位成本越高,容量越小,新的内容不断被载入,旧的内容肯定要被淘汰,所以就有这样的使用背景。

LRU原理

在一般标准的操作系统教材里,会用下面的方式来演示 LRU 原理,假设内存只能容纳3个页大小,按照 7 0 1 2 0 3 0 4 的次序访问页。假设内存按照栈的方式来描述访问时间,在上面的,是最近访问的,在下面的是,最远时间访问的,LRU就是这样工作的。

但是如果让我们自己设计一个基于 LRU 的缓存,这样设计可能问题很多,这段内存按照访问时间进行了排序,会有大量的内存拷贝操作,所以性能肯定是不能接受的。

那么如何设计一个LRU缓存,使得放入和移除都是 O(1) 的,我们需要把访问次序维护起来,但是不能通过内存中的真实排序来反应,有一种方案就是使用双向链表。

基于 HashMap 和 双向链表实现 LRU 的

整体的设计思路是,可以使用 HashMap 存储 key,这样可以做到 save 和 get key的时间都是 O(1),而 HashMap 的 Value 指向双向链表实现的 LRU 的 Node 节点,如图所示。

LRU 存储是基于双向链表实现的,下面的图演示了它的原理。其中 h 代表双向链表的表头,t 代表尾部。首先预先设置 LRU 的容量,如果存储满了,可以通过 O(1) 的时间淘汰掉双向链表的尾部,每次新增和访问数据,都可以通过 O(1)的效率把新的节点增加到对头,或者把已经存在的节点移动到队头。

下面展示了,预设大小是 3 的,LRU存储的在存储和访问过程中的变化。为了简化图复杂度,图中没有展示 HashMap部分的变化,仅仅演示了上图 LRU 双向链表的变化。我们对这个LRU缓存的操作序列如下:

save("key1", 7)

save("key2", 0)

save("key3", 1)

save("key4", 2)

get("key2")

save("key5", 3)

get("key2")

save("key6", 4)

相应的 LRU 双向链表部分变化如下:

总结一下核心操作的步骤:

  1. save(key, value),首先在 HashMap 找到 Key 对应的节点,如果节点存在,更新节点的值,并把这个节点移动队头。如果不存在,需要构造新的节点,并且尝试把节点塞到队头,如果LRU空间不足,则通过 tail 淘汰掉队尾的节点,同时在 HashMap 中移除 Key。
  2. get(key),通过 HashMap 找到 LRU 链表节点,把节点插入到队头,返回缓存的值。

完整基于 Java 的代码参考如下

  1.  
    class DLinkedNode {
  2.  
    String key;
  3.  
    int value;
  4.  
    DLinkedNode pre;
  5.  
    DLinkedNode post;
  6.  
    }

LRU Cache

  1.  
    public class LRUCache {
  2.  
     
  3.  
    private Hashtable<Integer, DLinkedNode>
  4.  
    cache = new Hashtable<Integer, DLinkedNode>();
  5.  
    private int count;
  6.  
    private int capacity;
  7.  
    private DLinkedNode head, tail;
  8.  
     
  9.  
    public LRUCache(int capacity) {
  10.  
    this.count = 0;
  11.  
    this.capacity = capacity;
  12.  
     
  13.  
    head = new DLinkedNode();
  14.  
    head.pre = null;
  15.  
     
  16.  
    tail = new DLinkedNode();
  17.  
    tail.post = null;
  18.  
     
  19.  
    head.post = tail;
  20.  
    tail.pre = head;
  21.  
    }
  22.  
     
  23.  
    public int get(String key) {
  24.  
     
  25.  
    DLinkedNode node = cache.get(key);
  26.  
    if(node == null){
  27.  
    return -1; // should raise exception here.
  28.  
    }
  29.  
     
  30.  
    // move the accessed node to the head;
  31.  
    this.moveToHead(node);
  32.  
     
  33.  
    return node.value;
  34.  
    }
  35.  
     
  36.  
     
  37.  
    public void set(String key, int value) {
  38.  
    DLinkedNode node = cache.get(key);
  39.  
     
  40.  
    if(node == null){
  41.  
     
  42.  
    DLinkedNode newNode = new DLinkedNode();
  43.  
    newNode.key = key;
  44.  
    newNode.value = value;
  45.  
     
  46.  
    this.cache.put(key, newNode);
  47.  
    this.addNode(newNode);
  48.  
     
  49.  
    ++count;
  50.  
     
  51.  
    if(count > capacity){
  52.  
    // pop the tail
  53.  
    DLinkedNode tail = this.popTail();
  54.  
    this.cache.remove(tail.key);
  55.  
    --count;
  56.  
    }
  57.  
    }else{
  58.  
    // update the value.
  59.  
    node.value = value;
  60.  
    this.moveToHead(node);
  61.  
    }
  62.  
    }
  63.  
    /**
  64.  
    * Always add the new node right after head;
  65.  
    */
  66.  
    private void addNode(DLinkedNode node){
  67.  
    node.pre = head;
  68.  
    node.post = head.post;
  69.  
     
  70.  
    head.post.pre = node;
  71.  
    head.post = node;
  72.  
    }
  73.  
     
  74.  
    /**
  75.  
    * Remove an existing node from the linked list.
  76.  
    */
  77.  
    private void removeNode(DLinkedNode node){
  78.  
    DLinkedNode pre = node.pre;
  79.  
    DLinkedNode post = node.post;
  80.  
     
  81.  
    pre.post = post;
  82.  
    post.pre = pre;
  83.  
    }
  84.  
     
  85.  
    /**
  86.  
    * Move certain node in between to the head.
  87.  
    */
  88.  
    private void moveToHead(DLinkedNode node){
  89.  
    this.removeNode(node);
  90.  
    this.addNode(node);
  91.  
    }
  92.  
     
  93.  
    // pop the current tail.
  94.  
    private DLinkedNode popTail(){
  95.  
    DLinkedNode res = tail.pre;
  96.  
    this.removeNode(res);
  97.  
    return res;
  98.  
    }
  99.  
    }

那么问题的后半部分,是 Redis 如何实现,这个问题这么问肯定是有坑的,那就是redis肯定不是这样实现的。

Redis的LRU实现

如果按照HashMap和双向链表实现,需要额外的存储存放 next 和 prev 指针,牺牲比较大的存储空间,显然是不划算的。所以Redis采用了一个近似的做法,就是随机取出若干个key,然后按照访问时间排序后,淘汰掉最不经常使用的,具体分析如下:

为了支持LRU,Redis 2.8.19中使用了一个全局的LRU时钟,server.lruclock,定义如下,

  1.  
    #define REDIS_LRU_BITS 24
  2.  
    unsigned lruclock:REDIS_LRU_BITS; /* Clock for LRU eviction */

默认的LRU时钟的分辨率是1秒,可以通过改变REDIS_LRU_CLOCK_RESOLUTION宏的值来改变,Redis会在serverCron()中调用updateLRUClock定期的更新LRU时钟,更新的频率和hz参数有关,默认为100ms一次,如下,

  1.  
    #define REDIS_LRU_CLOCK_MAX ((1<<REDIS_LRU_BITS)-1) /* Max value of obj->lru */
  2.  
    #define REDIS_LRU_CLOCK_RESOLUTION 1 /* LRU clock resolution in seconds */
  3.  
     
  4.  
    void updateLRUClock(void) {
  5.  
    server.lruclock = (server.unixtime / REDIS_LRU_CLOCK_RESOLUTION) &
  6.  
    REDIS_LRU_CLOCK_MAX;
  7.  
    }

server.unixtime是系统当前的unix时间戳,当 lruclock 的值超出REDIS_LRU_CLOCK_MAX时,会从头开始计算,所以在计算一个key的最长没有访问时间时,可能key本身保存的lru访问时间会比当前的lrulock还要大,这个时候需要计算额外时间,如下,

  1.  
    /* Given an object returns the min number of seconds the object was never
  2.  
    * requested, using an approximated LRU algorithm. */
  3.  
    unsigned long estimateObjectIdleTime(robj *o) {
  4.  
    if (server.lruclock >= o->lru) {
  5.  
    return (server.lruclock - o->lru) * REDIS_LRU_CLOCK_RESOLUTION;
  6.  
    } else {
  7.  
    return ((REDIS_LRU_CLOCK_MAX - o->lru) + server.lruclock) *
  8.  
    REDIS_LRU_CLOCK_RESOLUTION;
  9.  
    }
  10.  
    }

Redis支持和LRU相关淘汰策略包括,

  • volatile-lru 设置了过期时间的key参与近似的lru淘汰策略
  • allkeys-lru 所有的key均参与近似的lru淘汰策略

当进行LRU淘汰时,Redis按如下方式进行的,

  1.  
    ......
  2.  
    /* volatile-lru and allkeys-lru policy */
  3.  
    else if (server.maxmemory_policy == REDIS_MAXMEMORY_ALLKEYS_LRU ||
  4.  
    server.maxmemory_policy == REDIS_MAXMEMORY_VOLATILE_LRU)
  5.  
    {
  6.  
    for (k = 0; k < server.maxmemory_samples; k++) {
  7.  
    sds thiskey;
  8.  
    long thisval;
  9.  
    robj *o;
  10.  
     
  11.  
    de = dictGetRandomKey(dict);
  12.  
    thiskey = dictGetKey(de);
  13.  
    /* When policy is volatile-lru we need an additional lookup
  14.  
    * to locate the real key, as dict is set to db->expires. */
  15.  
    if (server.maxmemory_policy == REDIS_MAXMEMORY_VOLATILE_LRU)
  16.  
    de = dictFind(db->dict, thiskey);
  17.  
    o = dictGetVal(de);
  18.  
    thisval = estimateObjectIdleTime(o);
  19.  
     
  20.  
    /* Higher idle time is better candidate for deletion */
  21.  
    if (bestkey == NULL || thisval > bestval) {
  22.  
    bestkey = thiskey;
  23.  
    bestval = thisval;
  24.  
    }
  25.  
    }
  26.  
    }
  27.  
    ......

Redis会基于server.maxmemory_samples配置选取固定数目的key,然后比较它们的lru访问时间,然后淘汰最近最久没有访问的key,maxmemory_samples的值越大,Redis的近似LRU算法就越接近于严格LRU算法,但是相应消耗也变高,对性能有一定影响,样本值默认为5。

总结

看来,虽然一个简单的概念,在工业界的产品中,为了追求空间的利用率,也会采用权衡的实现方案。

传送门 https://zhuanlan.zhihu.com/p/34133067

 

原文:https://blog.csdn.net/hopeztm/article/details/79547052

关于linkedhashmap实现LRU:https://www.cnblogs.com/lzrabbit/p/3734850.html

posted @ 2018-07-24 02:01 draem0507 阅读(...) 评论(...) 编辑 收藏
View Code