Redis怎么管理熱度數據

這篇文章主要介紹“Redis怎么管理熱度數據”，在日常操作中，相信很多人在Redis怎么管理熱度數據問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Redis怎么管理熱度數據”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

內存回收

使用Redis 服務時，很多情況下某些鍵值對只會在特定的時間內有效，為了防止這種類型的數據一直占有內存，我們可以給鍵值對設置有效期。Redis 中可以通過 4 個獨立的命令來給一個鍵設置過期時間：

• expire key ttl：將 key 值的過期時間設置為 ttl 秒。

•  pexpire key ttl：將 key 值的過期時間設置為 ttl 毫秒。

•  expireat key timestamp：將 key 值的過期時間設置為指定的 timestamp 秒數。

•  pexpireat key timestamp：將 key 值的過期時間設置為指定的 timestamp 毫秒數。

PS：不管使用哪一個命令，最終 Redis 底層都是使用 pexpireat 命令來實現的。另外，set 等命令也可以設置 key 的同時加上過期時間，這樣可以保證設值和設過期時間的原子性。

設置了有效期后，可以通過 ttl 和 pttl 兩個命令來查詢剩余過期時間（如果未設置過期時間則下面兩個命令返回 -1，如果設置了一個非法的過期時間，則都返回 -2）：

•  ttl key 返回 key 剩余過期秒數。

•  pttl key 返回 key 剩余過期的毫秒數。

過期策略

如果將一個過期的鍵刪除，我們一般都會有三種策略：

•  定時刪除：為每個鍵設置一個定時器，一旦過期時間到了，則將鍵刪除。這種策略對內存很友好，但是對 CPU 不友好，因為每個定時器都會占用一定的 CPU 資源。

•  惰性刪除：不管鍵有沒有過期都不主動刪除，等到每次去獲取鍵時再判斷是否過期，如果過期就刪除該鍵，否則返回鍵對應的值。這種策略對內存不夠友好，可能會浪費很多內存。

•  定期掃描：系統每隔一段時間就定期掃描一次，發現過期的鍵就進行刪除。這種策略相對來說是上面兩種策略的折中方案，需要注意的是這個定期的頻率要結合實際情況掌控好，使用這種方案有一個缺陷就是可能會出現已經過期的鍵也被返回。

在 Redis 當中，其選擇的是策略 2 和策略 3 的綜合使用。不過 Redis 的定期掃描只會掃描設置了過期時間的鍵，因為設置了過期時間的鍵 Redis 會單獨存儲，所以不會出現掃描所有鍵的情況：

typedef struct redisDb {      dict *dict; //所有的鍵值對      dict *expires; //設置了過期時間的鍵值對     dict *blocking_keys; //被阻塞的key,如客戶端執行BLPOP等阻塞指令時     dict *watched_keys; //WATCHED keys     int id; //Database ID     //... 省略了其他屬性  } redisDb;

8 種淘汰策略

假如 Redis 當中所有的鍵都沒有過期，而且此時內存滿了，那么客戶端繼續執行 set 等命令時 Redis 會怎么處理呢？Redis 當中提供了不同的淘汰策略來處理這種場景。

首先 Redis 提供了一個參數 maxmemory 來配置 Redis 最大使用內存：

maxmemory <bytes>

或者也可以通過命令 config set maxmemory 1GB 來動態修改。

如果沒有設置該參數，那么在 32 位的操作系統中 Redis 最多使用 3GB 內存，而在 64 位的操作系統中則不作限制。

Redis 中提供了 8 種淘汰策略，可以通過參數 maxmemory-policy 進行配置：

PS：淘汰策略也可以直接使用命令 config set maxmemory-policy <策略> 來進行動態配置。

LRU 算法

LRU 全稱為：Least Recently Used。即：最近最長時間未被使用。這個主要針對的是使用時間。

Redis 改進后的 LRU 算法

在 Redis 當中，并沒有采用傳統的 LRU 算法，因為傳統的 LRU 算法存在 2 個問題：

•  需要額外的空間進行存儲。

•  可能存在某些 key 值使用很頻繁，但是最近沒被使用，從而被 LRU 算法刪除。

為了避免以上 2 個問題，Redis 當中對傳統的 LRU 算法進行了改造，通過抽樣的方式進行刪除。

配置文件中提供了一個屬性 maxmemory_samples 5，默認值就是 5，表示隨機抽取 5 個 key 值，然后對這 5 個 key 值按照 LRU 算法進行刪除，所以很明顯，key 值越大，刪除的準確度越高。

對抽樣 LRU 算法和傳統的 LRU 算法，Redis 官網當中有一個對比圖：

•  淺灰色帶是被刪除的對象。

•  灰色帶是未被刪除的對象。

•  綠色是添加的對象。

左上角第一幅圖代表的是傳統 LRU 算法，可以看到，當抽樣數達到 10 個（右上角），已經和傳統的 LRU 算法非常接近了。

Redis 如何管理熱度數據

前面我們講述字符串對象時，提到了 redisObject 對象中存在一個 lru 屬性：

typedef struct redisObject {      unsigned type:4;//對象類型（4位=0.5字節）      unsigned encoding:4;//編碼（4位=0.5字節）      unsigned lru:LRU_BITS;//記錄對象最后一次被應用程序訪問的時間（24位=3字節）      int refcount;//引用計數。等于0時表示可以被垃圾回收（32位=4字節）      void *ptr;//指向底層實際的數據存儲結構，如：SDS等(8字節)  } robj;

lru 屬性是創建對象的時候寫入，對象被訪問到時也會進行更新。正常人的思路就是最后決定要不要刪除某一個鍵肯定是用當前時間戳減去 lru，差值最大的就優先被刪除。但是 Redis 里面并不是這么做的，Redis 中維護了一個全局屬性 lru_clock，這個屬性是通過一個全局函數 serverCron 每隔 100 毫秒執行一次來更新的，記錄的是當前 unix 時間戳。

最后決定刪除的數據是通過 lru_clock 減去對象的 lru 屬性而得出的。那么為什么 Redis 要這么做呢？直接取全局時間不是更準確嗎？

這是因為這么做可以避免每次更新對象的 lru 屬性的時候可以直接取全局屬性，而不需要去調用系統函數來獲取系統時間，從而提升效率（Redis 當中有很多這種細節考慮來提升性能，可以說是對性能盡可能的優化到極致）。

不過這里還有一個問題，我們看到，redisObject 對象中的 lru 屬性只有 24 位，24 位只能存儲 194 天的時間戳大小，一旦超過 194 天之后就會重新從 0 開始計算，所以這時候就可能會出現 redisObject 對象中的 lru 屬性大于全局的 lru_clock 屬性的情況。

正因為如此，所以計算的時候也需要分為 2 種情況：

•  當全局 lruclock > lru，則使用 lruclock - lru 得到空閑時間。

•  當全局 lruclock < lru，則使用 lruclock_max（即 194 天） - lru + lruclock 得到空閑時間。

需要注意的是，這種計算方式并不能保證抽樣的數據中一定能刪除空閑時間最長的。這是因為首先超過 194 天還不被使用的情況很少，再次只有 lruclock 第 2 輪繼續超過 lru 屬性時，計算才會出問題。

比如對象 A 記錄的 lru 是 1 天，而 lruclock 第二輪都到 10 天了，這時候就會導致計算結果只有 10-1=9 天，實際上應該是 194+10-1=203 天。但是這種情況可以說又是更少發生，所以說這種處理方式是可能存在刪除不準確的情況，但是本身這種算法就是一種近似的算法，所以并不會有太大影響。

LFU 算法

LFU 全稱為：Least Frequently Used。即：最近最少頻率使用，這個主要針對的是使用頻率。這個屬性也是記錄在redisObject 中的 lru 屬性內。

當我們采用 LFU 回收策略時，lru 屬性的高 16 位用來記錄訪問時間（last decrement time：ldt，單位為分鐘），低 8 位用來記錄訪問頻率（logistic counter：logc），簡稱 counter。

訪問頻次遞增

LFU 計數器每個鍵只有 8 位，它能表示的最大值是 255，所以 Redis 使用的是一種基于概率的對數器來實現 counter 的遞增。r

給定一個舊的訪問頻次，當一個鍵被訪問時，counter 按以下方式遞增：

1. 鴻蒙官方戰略合作共建——HarmonyOS技術社區

2.  提取 0 和 1 之間的隨機數 R。

3.  counter - 初始值（默認為 5），得到一個基礎差值，如果這個差值小于 0，則直接取 0，為了方便計算，把這個差值記為 baseval。

4.  概率 P 計算公式為：1/(baseval * lfu_log_factor + 1)。

5.  如果 R < P 時，頻次進行遞增（counter++）。

公式中的 lfu_log_factor 稱之為對數因子，默認是 10 ，可以通過參數來進行控制：

lfu_log_factor 10

下圖就是對數因子 lfu_log_factor 和頻次 counter 增長的關系圖：

可以看到，當對數因子 lfu_log_factor 為 100 時，大概是 10M（1000萬） 次訪問才會將訪問 counter 增長到 255，而默認的 10 也能支持到 1M（100萬） 次訪問 counter 才能達到 255 上限，這在大部分場景都是足夠滿足需求的。

訪問頻次遞減

如果訪問頻次 counter 只是一直在遞增，那么遲早會全部都到 255，也就是說 counter 一直遞增不能完全反應一個 key 的熱度的，所以當某一個 key 一段時間不被訪問之后，counter 也需要對應減少。

counter 的減少速度由參數 lfu-decay-time 進行控制，默認是 1，單位是分鐘。默認值 1 表示：N 分鐘內沒有訪問，counter 就要減 N。

lfu-decay-time 1

具體算法如下：

  1.  獲取當前時間戳，轉化為分鐘后取低 16 位（為了方便后續計算，這個值記為 now）。

  2.  取出對象內的 lru 屬性中的高 16 位（為了方便后續計算，這個值記為 ldt）。

  3.  當 lru > now 時，默認為過了一個周期（16 位，最大 65535)，則取差值 65535-ldt+now：當 lru <= now 時，取差值 now-ldt（為了方便后

      續計算，這個差值記為 idle_time）。

  4.  取出配置文件中的 lfu_decay_time 值，然后計算：idle_time / lfu_decay_time（為了方便后續計算，這個值記為num_periods）。

  5.  最后將counter減少：counter - num_periods。

看起來這么復雜，其實計算公式就是一句話：取出當前的時間戳和對象中的 lru 屬性進行對比，計算出當前多久沒有被訪問到，比如計算得到的結果是 100 分鐘沒有被訪問，然后再去除配置參數 lfu_decay_time，如果這個配置默認為 1也即是 100/1=100，代表 100 分鐘沒訪問，所以 counter 就減少 100。

到此，關于“Redis怎么管理熱度數據”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！