美文网首页Java 杂谈Java架构互联网科技
一个今日头条的面试题——LRU原理和Redis实现

一个今日头条的面试题——LRU原理和Redis实现

作者: Java架构 | 来源:发表于2018-08-30 18:51 被阅读179次

    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 head 代表双向链表的表头,tail 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:

    s = save, g = get

    总结一下核心操作的步骤:

    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。

    get(key),通过 HashMap 找到 LRU 链表节点,因为根据LRU 原理,这个节点是最新访问的,所以要把节点插入到队头,然后返回缓存的值。

    完整基于 Java 的代码参考如下

    ```

    class DLinkedNode {

        String key;

        int value;

        DLinkedNode pre;

        DLinkedNode post;

    }

    ```

    LRU Cache

    ```

    public class LRUCache {

        private Hashtable

                cache = new Hashtable();

        private int count;

        private int capacity;

        private DLinkedNode head, tail;

        public LRUCache(int capacity) {

            this.count = 0;

            this.capacity = capacity;

            head = new DLinkedNode();

            head.pre = null;

            tail = new DLinkedNode();

            tail.post = null;

            head.post = tail;

            tail.pre = head;

        }

        public int get(String key) {

            DLinkedNode node = cache.get(key);

            if(node == null){

                return -1; // should raise exception here.

            }

            // move the accessed node to the head;

            this.moveToHead(node);

            return node.value;

        }

        public void set(String key, int value) {

            DLinkedNode node = cache.get(key);

            if(node == null){

                DLinkedNode newNode = new DLinkedNode();

                newNode.key = key;

                newNode.value = value;

                this.cache.put(key, newNode);

                this.addNode(newNode);

                ++count;

                if(count > capacity){

                    // pop the tail

                    DLinkedNode tail = this.popTail();

                    this.cache.remove(tail.key);

                    --count;

                }

            }else{

                // update the value.

                node.value = value;

                this.moveToHead(node);

            }

        }

        /**

         * Always add the new node right after head;

         */

        private void addNode(DLinkedNode node){

            node.pre = head;

            node.post = head.post;

            head.post.pre = node;

            head.post = node;

        }

        /**

         * Remove an existing node from the linked list.

         */

        private void removeNode(DLinkedNode node){

            DLinkedNode pre = node.pre;

            DLinkedNode post = node.post;

            pre.post = post;

            post.pre = pre;

        }

        /**

         * Move certain node in between to the head.

         */

        private void moveToHead(DLinkedNode node){

            this.removeNode(node);

            this.addNode(node);

        }

        // pop the current tail.

        private DLinkedNode popTail(){

            DLinkedNode res = tail.pre;

            this.removeNode(res);

            return res;

        }

    }

    ```

    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,

    ```

    #define REDIS_LRU_BITS 24

    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,

    ```

    #define REDIS_LRU_CLOCK_MAX ((1<lru */

    #define REDIS_LRU_CLOCK_RESOLUTION 1 /* LRU clock resolution in seconds */

    void updateLRUClock(void) {

        server.lruclock = (server.unixtime / REDIS_LRU_CLOCK_RESOLUTION) &

                                                    REDIS_LRU_CLOCK_MAX;

    }

    ```

    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,

    ```

    /* Given an object returns the min number of seconds the object was never

     * requested, using an approximated LRU algorithm. */

    unsigned long estimateObjectIdleTime(robj *o) {

        if (server.lruclock >= o->lru) {

            return (server.lruclock - o->lru) * REDIS_LRU_CLOCK_RESOLUTION;

        } else {

            return ((REDIS_LRU_CLOCK_MAX - o->lru) + server.lruclock) *

                        REDIS_LRU_CLOCK_RESOLUTION;

        }

    }

    ```

    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,

    ```

    ......

                /* volatile-lru and allkeys-lru policy */

                else if (server.maxmemory_policy == REDIS_MAXMEMORY_ALLKEYS_LRU ||

                    server.maxmemory_policy == REDIS_MAXMEMORY_VOLATILE_LRU)

                {

                    for (k = 0; k < server.maxmemory_samples; k++) {

                        sds thiskey;

                        long thisval;

                        robj *o;

                        de = dictGetRandomKey(dict);

                        thiskey = dictGetKey(de);

                        /* When policy is volatile-lru we need an additional lookup

                         * to locate the real key, as dict is set to db->expires. */

                        if (server.maxmemory_policy == REDIS_MAXMEMORY_VOLATILE_LRU)

                            de = dictFind(db->dict, thiskey);

                        o = dictGetVal(de);

                        thisval = estimateObjectIdleTime(o);

                        /* Higher idle time is better candidate for deletion */

                        if (bestkey == NULL || thisval > bestval) {

                            bestkey = thiskey;

                            bestval = thisval;

                        }

                    }

                }

                ......

    ```

    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。

    对Java架构技术感兴趣的同学,欢迎加QQ群619881427,一起学习,相互讨论。

    群内已经有小伙伴将知识体系整理好(源码,笔记,PPT,学习视频),欢迎加群免费领取。

    分享给喜欢Java的,喜欢编程,有梦想成为架构师的程序员们,希望能够帮助到你们。

    不是Java的程序员也没关系,帮忙转发给更多朋友!谢谢。

    一个分享小技巧点击阅读原文也。可以轻松获取学习资料哦!

    相关文章

      网友评论

        本文标题:一个今日头条的面试题——LRU原理和Redis实现

        本文链接:https://www.haomeiwen.com/subject/yomdwftx.html