1、简介
LRU有一个明显的缺点，它无法正确的表示一个Key的热度，如果一个key从未被访问过，仅仅发生内存淘汰的前一会儿被用户访问了一下，在LRU算法中这会被认为是一个热key。
例如如下图，keyA与keyB同时被set到Redis中，在内存淘汰发生之前，keyA被频繁的访问，而keyB只被访问了一次，但是这次访问的时间比keyA的任意一次访问时间都更接近内存淘汰触发的时间，如果keyA与keyB均被Redis选中进行淘汰，keyA将被优先淘汰。我想大家都不太希望keyA被淘汰吧，那么有没有更好的的内存淘汰机制呢？当然有，那就是LFU。
LFU(Least Frequently Used)是Redis 4.0 引入的淘汰算法，它通过key的访问频率比较来淘汰key，重点突出的是Frequently Used。
LRU与LFU的区别：
- LRU -> Recently Used，根据最近一次访问的时间比较
- LFU -> Frequently Used，根据key的访问频率比较
Redis4.0之后为maxmemory_policy淘汰策略添加了两个LFU模式（LRU请看我上一篇文章）：
- 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
2、实现方式
Redis分配一个字符串的最小空间占用是19字节，16字节（对象头）+3字节（SDS基本字段）。Redis的内存淘汰算法LRU/LFU均依靠其中的对象头中的lru来实现。
Redis对象头的内存结构：
typedef struct redisObject { unsigned type:4; // 4 bits 对象的类型（zset、set、hash等） unsigned encoding:4; // 4 bits 对象的存储方式（ziplist、intset等） unsigned lru:24; // 24bits 记录对象的访问信息 int refcount; // 4 bytes 引用计数 void *ptr; // 8 bytes （64位操作系统），指向对象具体的存储地址/对象body }
Redis对象头中的lru字段，在LRU模式下和LFU模式下使用方式并不相同。
2.1 LRU实现方式
在LRU模式，lru字段存储的是key被访问时Redis的时钟server.lrulock（Redis为了保证核心单线程服务性能，缓存了Unix操作系统时钟，默认每毫秒更新一次，缓存的值是Unix时间戳取模2^24）。当key被访问的时候，Redis会更新这个key的对象头中lru字段的值。
因此在LRU模式下，Redis可以根据对象头中的lru字段记录的值，来比较最后一次key的访问时间。
用Java代码演示一个简单的Redis-LRU算法：
- Redis对象头
package com.lizba.redis.lru; /** * <p> * Redis对象头 * </p> * * @Author: Liziba * @Date: 2021/9/22 22:40 */ public class RedisHead { /** 时间 */ private Long lru; /** 具体数据 */ private Object body; public RedisHead setLru(Long lru) { this.lru = lru; return this; } public RedisHead setBody(Object body) { this.body = body; return this; } public Long getLru() { return lru; } public Object getBody() { return body; } }
- Redis LRU实现代码
package com.lizba.redis.lru; import java.util.Comparator; import java.util.List; import java.util.concurrent.ConcurrentHashMap; import java.util.stream.Collectors; /** * <p> * Redis中LRU算法的实现demo * </p> * * @Author: Liziba * @Date: 2021/9/22 22:36 */ public class RedisLruDemo { /** * 缓存容器 */ private ConcurrentHashMap<String, RedisHead> cache; /** * 初始化大小 */ private int initialCapacity; public RedisLruDemo(int initialCapacity) { this.initialCapacity = initialCapacity; this.cache = new ConcurrentHashMap<>(initialCapacity); ; } /** * 设置key/value 设置的时候更新LRU * * @param key * @param body */ public void set(String key, Object body) { // 触发LRU淘汰 synchronized (RedisLruDemo.class) { if (!cache.containsKey(key) && cache.size() >= initialCapacity) { this.flushLruKey(); } } RedisHead obj = this.getRedisHead().setBody(body).setLru(System.currentTimeMillis()); cache.put(key, obj); } /** * 获取key，存在则更新LRU * * @param key * @return */ public Object get(String key) { RedisHead result = null; if (cache.containsKey(key)) { result = cache.get(key); result.setLru(System.currentTimeMillis()); } return result; } /** * 清除LRU key */ private void flushLruKey() { List<String> sortData = cache.keySet() .stream() .sorted(Comparator.comparing(key -> cache.get(key).getLru())) .collect(Collectors.toList()); String removeKey = sortData.get(0); System.out.println( "淘汰 -> " + "lru : " + cache.get(removeKey).getLru() + " body : " + cache.get(removeKey).getBody()); cache.remove(removeKey); if (cache.size() >= initialCapacity) { this.flushLruKey(); } return; } /** * 获取所有数据测试用 * * @return */ public List<RedisHead> getAll() { return cache.keySet().stream().map(key -> cache.get(key)).collect(Collectors.toList()); } private RedisHead getRedisHead() { return new RedisHead(); } }
- 测试代码
package com.lizba.redis.lru; import java.util.Random; import java.util.concurrent.TimeUnit; /** * <p> * 测试LRU * </p> * * @Author: Liziba * @Date: 2021/9/22 22:51 */ public class TestRedisLruDemo { public static void main(String[] args) throws InterruptedException { RedisLruDemo demo = new RedisLruDemo(10); // 先加入10个key，此时cache达到容量，下次加入会淘汰key for (int i = 0; i < 10; i++) { demo.set(i + "", i); } // 随机访问前十个key，这样可以保证下次加入时随机淘汰 for (int i = 0; i < 20; i++) { int nextInt = new Random().nextInt(10); TimeUnit.SECONDS.sleep(1); demo.get(nextInt + ""); } // 再次添加5个key，此时每次添加都会触发淘汰 for (int i = 10; i < 15; i++) { demo.set(i + "", i); } System.out.println("-------------------------------------------"); demo.getAll().forEach( redisHead -> System.out.println("剩余 -> " + "lru : " + redisHead.getLru() + " body : " + redisHead.getBody())); } }
- 测试结果
2.2 LFU实现方式
在LFU模式下，Redis对象头的24bit lru字段被分成两段来存储，高16bit存储ldt(Last Decrement Time)，低8bit存储logc(Logistic Counter)。
2.2.1 ldt(Last Decrement Time)
高16bit用来记录最近一次计数器降低的时间，由于只有8bit，存储的是Unix分钟时间戳取模2^16，16bit能表示的最大值为65535（65535/24/60≈45.5），大概45.5天会折返（折返指的是取模后的值重新从0开始）。
Last Decrement Time计算的算法源码：
/* 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. */ // server.unixtime是Redis缓存的Unix时间戳 // 可以看出使用的Unix的分钟时间戳，取模2^16 unsigned long LFUGetTimeInMinutes(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. */ unsigned long LFUTimeElapsed(unsigned long ldt) { // 获取系统当前的LFU time unsigned long now = LFUGetTimeInMinutes(); // 如果now >= ldt 直接取差值 if (now >= ldt) return now-ldt; // 如果now < ldt 增加上65535 // 注意Redis 认为折返就只有一次折返，多次折返也是一次，我思考了很久感觉这个应该是可以接受的，本身Redis的淘汰算法就带有随机性 return 65535-ldt+now; }
2.2.2 logc(Logistic Counter)
低8位用来记录访问频次，8bit能表示的最大值为255，logc肯定无法记录真实的Rediskey的访问次数，其实从名字可以看出存储的是访问次数的对数值，每个新加入的key的logc初始值为5（LFU_INITI_VAL），这样可以保证新加入的值不会被首先选中淘汰；logc每次key被访问时都会更新；此外，logc会随着时间衰减。
2.2.3 logc 算法调整
redis.conf 提供了两个配置项，用于调整LFU的算法从而控制Logistic Counter的增长和衰减。
- lfu-log-factor 用于调整Logistic Counter的增长速度，lfu-log-factor值越大，Logistic Counter增长越慢。
Redis Logistic Counter增长的源代码：
/* Logarithmically increment a counter. The greater is the current counter value * the less likely is that it gets really implemented. Saturate it at 255. */ uint8_t LFULogIncr(uint8_t counter) { // Logistic Counter最大值为255 if (counter == 255) return 255; // 取一个0~1的随机数r double r = (double)rand()/RAND_MAX; // counter减去LFU_INIT_VAL （LFU_INIT_VAL为每个key的Logistic Counter初始值，默认为5） double baseval = counter - LFU_INIT_VAL; // 如果衰减之后已经小于5了，那么baseval < 0取0 if (baseval < 0) baseval = 0; // lfu-log-factor在这里被使用 // 可以看出如果lfu_log_factor的值越大，p越小 // r < p的概率就越小，Logistic Counter增加的概率就越小（因此lfu_log_factor越大增长越缓慢） double p = 1.0/(baseval*server.lfu_log_factor+1); if (r < p) counter++; return counter; }
如下是官网提供lfu-log-factor在不同值下，key随着访问次数的增加的Logistic Counter变化情况的数据：
- lfu-decay-time 用于调整Logistic Counter的衰减速度，它是一个以分钟为单位的数值，默认值为1,；lfu-decay-time值越大，衰减越慢。
Redis Logistic Counter衰减的源代码：
/* If the object decrement time is reached decrement the LFU counter but * do not update LFU fields of the object, we update the access time * and counter in an explicit way when the object is really accessed. * And we will times halve the counter according to the times of * elapsed time than server.lfu_decay_time. * Return the object frequency counter. * * This function is used in order to scan the dataset for the best object * to fit: as we check for the candidate, we incrementally decrement the * counter of the scanned objects if needed. */ unsigned long LFUDecrAndReturn(robj *o) { // 获取lru的高16位，也就是ldt unsigned long ldt = o->lru >> 8; // 获取lru的低8位，也就是logc unsigned long counter = o->lru & 255; // 根据配置的lfu-decay-time计算Logistic Counter需要衰减的值 unsigned long num_periods = server.lfu_decay_time ? LFUTimeElapsed(ldt) / server.lfu_decay_time : 0; if (num_periods) counter = (num_periods > counter) ? 0 : counter - num_periods; return counter; }
2.2.4 LFU 优化
LFU 与 LRU 有一个共同点，当内存达到max_memory时，选择key是随机抓取的，因此Redis为了使这种随机性更加准确，设计了一个淘汰池，这个淘汰池对于LFU和LRU算的都适应，只是淘汰池的排序算法有区别而已。
Redis 3.0就对这一块进行了优化（来自redis.io）：
3、LFU使用
3.1 配置文件开启LFU淘汰算法
修改redis.conf配置文件，设置maxmemory-policy volatile-lfu/allkeys-lfu
重启Redis，连接客户端通过info指令查看maxmemory_policy的配置信息
通过object freq key 获取对象的LFU的Logistic Counter值
