HBase Block Cache实现机制分析

本文结合HBase 0.94.1版本源码，对HBase的Block Cache实现机制进行分析，总结学习其Cache设计的核心思想。

1. 概述

HBase上Regionserver的内存分为两个部分，一部分作为Memstore，主要用来写；另外一部分作为BlockCache，主要用于读。

• 写请求会先写入Memstore，Regionserver会给每个region提供一个Memstore，当Memstore满64MB以后，会启动 flush刷新到磁盘。当Memstore的总大小超过限制时（heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9），会强行启动flush进程，从最大的Memstore开始flush直到低于限制。
• 读请求先到Memstore中查数据，查不到就到BlockCache中查，再查不到就会到磁盘上读，并把读的结果放入BlockCache。由于BlockCache采用的是LRU策略，因此BlockCache达到上限(heapsize * hfile.block.cache.size * 0.85)后，会启动淘汰机制，淘汰掉最老的一批数据。

一个Regionserver上有一个BlockCache和N个Memstore，它们的大小之和不能大于等于heapsize * 0.8，否则HBase不能正常启动。

默认配置下，BlockCache为0.2，而Memstore为0.4。在注重读响应时间的应用场景下，可以将 BlockCache设置大些，Memstore设置小些，以加大缓存的命中率。

HBase RegionServer包含三个级别的Block优先级队列：

• Single：如果一个Block第一次被访问，则放在这一优先级队列中；
• Multi：如果一个Block被多次访问，则从Single队列移到Multi队列中；
• InMemory：如果一个Block是inMemory的，则放到这个队列中。

以上将Cache分级思想的好处在于：

• 首先，通过inMemory类型Cache，可以有选择地将in-memory的column families放到RegionServer内存中，例如Meta元数据信息；
• 通过区分Single和Multi类型Cache，可以防止由于Scan操作带来的Cache频繁颠簸，将最少使用的Block加入到淘汰算法中。

默认配置下，对于整个BlockCache的内存，又按照以下百分比分配给Single、Multi、InMemory使用：0.25、0.50和0.25。

注意，其中InMemory队列用于保存HBase Meta表元数据信息，因此如果将数据量很大的用户表设置为InMemory的话，可能会导致Meta表缓存失效，进而对整个集群的性能产生影响。

2. 源码分析

下面是对HBase 0.94.1中相关源码（org.apache.hadoop.hbase.io.hfile.LruBlockCache）的分析过程。

2.1加入Block Cache

/** Concurrent map (the cache) */   private final ConcurrentHashMap<BlockCacheKey,CachedBlock> map;   /**    * Cache the block with the specified name and buffer.    * <p>    * It is assumed this will NEVER be called on an already cached block.  If    * that is done, an exception will be thrown.    * @param cacheKey block’s cache key    * @param buf block buffer    * @param inMemory if block is in-memory    */   public void cacheBlock(BlockCacheKey cacheKey, Cacheable buf, boolean inMemory) {     CachedBlock cb = map.get(cacheKey);     if(cb != null) {       throw new RuntimeException(“Cached an already cached block”);     }     cb = new CachedBlock(cacheKey, buf, count.incrementAndGet(), inMemory);     long newSize = updateSizeMetrics(cb, false);     map.put(cacheKey, cb);     elements.incrementAndGet();     if(newSize > acceptableSize() && !evictionInProgress) {       runEviction();     }   }   /**    * Cache the block with the specified name and buffer.    * <p>    * It is assumed this will NEVER be called on an already cached block.  If    * that is done, it is assumed that you are reinserting the same exact    * block due to a race condition and will update the buffer but not modify    * the size of the cache.    * @param cacheKey block’s cache key    * @param buf block buffer    */   public void cacheBlock(BlockCacheKey cacheKey, Cacheable buf) {     cacheBlock(cacheKey, buf, false);   }

1）  这里假设不会对同一个已经被缓存的BlockCacheKey重复放入cache操作；

2）  根据inMemory标志创建不同类别的CachedBlock对象：若inMemory为true则创建BlockPriority.MEMORY类型，否则创建BlockPriority.SINGLE；注意，这里只有这两种类型的Cache，因为BlockPriority.MULTI在Cache Block被重复访问时才进行创建，见CachedBlock的access方法代码：

/**    * Block has been accessed.  Update its local access time.    */   public void access(long accessTime) {     this.accessTime = accessTime;     if(this.priority == BlockPriority.SINGLE) {       this.priority = BlockPriority.MULTI;     }   }

3）  将BlockCacheKey和创建的CachedBlock对象加入到全局的ConcurrentHashMap map中，同时做一些更新计数操作；

4）  最后判断如果加入后的Block Size大于设定的临界值且当前没有淘汰线程运行，则调用runEviction()方法启动LRU淘汰过程：

/** Eviction thread */   private final EvictionThread evictionThread;   /**    * Multi-threaded call to run the eviction process.    */   private void runEviction() {     if(evictionThread == null) {       evict();     } else {       evictionThread.evict();     }   }

其中，EvictionThread线程即是LRU淘汰的具体实现线程。下面将给出详细分析。

2.2淘汰Block Cache

EvictionThread线程主要用于与主线程的同步，从而完成Block Cache的LRU淘汰过程。

/*    * Eviction thread.  Sits in waiting state until an eviction is triggered    * when the cache size grows above the acceptable level.<p>    *    * Thread is triggered into action by {@link LruBlockCache#runEviction()}    */   private static class EvictionThread extends HasThread {     private WeakReference<LruBlockCache> cache;     private boolean go = true;     public EvictionThread(LruBlockCache cache) {       super(Thread.currentThread().getName() + “.LruBlockCache.EvictionThread”);       setDaemon(true);       this.cache = new WeakReference<LruBlockCache>(cache);     }     @Override     public void run() {       while (this.go) {         synchronized(this) {           try {             this.wait();           } catch(InterruptedException e) {}         }         LruBlockCache cache = this.cache.get();         if(cache == null) break;         cache.evict();       }     }     public void evict() {       synchronized(this) {         this.notify(); // FindBugs NN_NAKED_NOTIFY       }     }     void shutdown() {       this.go = false;       interrupt();     }   }

EvictionThread线程启动后，调用wait被阻塞住，直到EvictionThread线程的evict方法被主线程调用时执行notify（见上面的代码分析过程，通过主线程的runEviction方法触发调用），开始执行LruBlockCache的evict方法进行真正的淘汰过程，代码如下：

/**    * Eviction method.    */   void evict() {     // Ensure only one eviction at a time     if(!evictionLock.tryLock()) return;     try {       evictionInProgress = true;       long currentSize = this.size.get();       long bytesToFree = currentSize – minSize();       if (LOG.isDebugEnabled()) {         LOG.debug(“Block cache LRU eviction started; Attempting to free ” +           StringUtils.byteDesc(bytesToFree) + ” of total=” +           StringUtils.byteDesc(currentSize));       }       if(bytesToFree <= 0) return;       // Instantiate priority buckets       BlockBucket bucketSingle = new BlockBucket(bytesToFree, blockSize,           singleSize());       BlockBucket bucketMulti = new BlockBucket(bytesToFree, blockSize,           multiSize());       BlockBucket bucketMemory = new BlockBucket(bytesToFree, blockSize,           memorySize());       // Scan entire map putting into appropriate buckets       for(CachedBlock cachedBlock : map.values()) {         switch(cachedBlock.getPriority()) {           case SINGLE: {             bucketSingle.add(cachedBlock);             break;           }           case MULTI: {             bucketMulti.add(cachedBlock);             break;           }           case MEMORY: {             bucketMemory.add(cachedBlock);             break;           }         }       }       PriorityQueue<BlockBucket> bucketQueue =         new PriorityQueue<BlockBucket>(3);       bucketQueue.add(bucketSingle);       bucketQueue.add(bucketMulti);       bucketQueue.add(bucketMemory);       int remainingBuckets = 3;       long bytesFreed = 0;       BlockBucket bucket;       while((bucket = bucketQueue.poll()) != null) {         long overflow = bucket.overflow();         if(overflow > 0) {           long bucketBytesToFree = Math.min(overflow,             (bytesToFree – bytesFreed) / remainingBuckets);           bytesFreed += bucket.free(bucketBytesToFree);         }         remainingBuckets–;       }       if (LOG.isDebugEnabled()) {         long single = bucketSingle.totalSize();         long multi = bucketMulti.totalSize();         long memory = bucketMemory.totalSize();         LOG.debug(“Block cache LRU eviction completed; ” +           “freed=” + StringUtils.byteDesc(bytesFreed) + “, ” +           “total=” + StringUtils.byteDesc(this.size.get()) + “, ” +           “single=” + StringUtils.byteDesc(single) + “, ” +           “multi=” + StringUtils.byteDesc(multi) + “, ” +           “memory=” + StringUtils.byteDesc(memory));       }     } finally {       stats.evict();       evictionInProgress = false;       evictionLock.unlock();     }   }

1）首先获取锁，保证同一时刻只有一个淘汰线程运行；

2）计算得到当前Block Cache总大小currentSize及需要被淘汰释放掉的大小bytesToFree，如果bytesToFree小于等于0则不进行后续操作；

3） 初始化创建三个BlockBucket队列，分别用于存放Single、Multi和InMemory类Block Cache，其中每个BlockBucket维护了一个CachedBlockQueue，按LRU淘汰算法维护该BlockBucket中的所有CachedBlock对象；

4） 遍历记录所有Block Cache的全局ConcurrentHashMap，加入到相应的BlockBucket队列中；

5） 将以上三个BlockBucket队列加入到一个优先级队列中，按照各个BlockBucket超出bucketSize的大小顺序排序（见BlockBucket的compareTo方法）；

6） 遍历优先级队列，对于每个BlockBucket，通过Math.min(overflow, (bytesToFree – bytesFreed) / remainingBuckets)计算出需要释放的空间大小，这样做可以保证尽可能平均地从三个BlockBucket中释放指定的空间；具体实现过程详见BlockBucket的free方法，从其CachedBlockQueue中取出即将被淘汰掉的CachedBlock对象：

public long free(long toFree) {       CachedBlock cb;       long freedBytes = 0;       while ((cb = queue.pollLast()) != null) {         freedBytes += evictBlock(cb);         if (freedBytes >= toFree) {           return freedBytes;         }       }       return freedBytes;     }

7） 进一步调用了LruBlockCache的evictBlock方法，从全局ConcurrentHashMap中移除该CachedBlock对象，同时更新相关计数：

protected long evictBlock(CachedBlock block) {     map.remove(block.getCacheKey());     updateSizeMetrics(block, true);     elements.decrementAndGet();     stats.evicted();     return block.heapSize();   }

8） 释放锁，完成善后工作。

3. 总结

以上关于Block Cache的实现机制，核心思想是将Cache分级，这样的好处是避免Cache之间相互影响，尤其是对HBase来说像Meta表这样的Cache应该保证高优先级。