Redis学习笔记27——缓存被污染了怎么办

在一些场景下，有些数据被访问的次数非常少，甚至只会被访问一次。当这些数据服务完访问请求后，如果还继续留存在缓存中的话，就只会白白占用缓存空间。这种情况，就是缓存污染。

我们应用 Redis 缓存时，如果能缓存会被反复访问的数据，那就能加速业务应用的访问。但是，如果发生了缓存污染，那么，缓存对业务应用的加速作用就减少了。

如何解决缓存污染问题

我们很容易就可以想到了各种缓存淘汰策略，那这些策略的效果如何？

如果这8种策略（noeviction、volatile-random、volatile-ttl、volatile-lru、volatile-lfu、allkeys-lru、allkeys-random 和 allkeys-lfu ），如果按照算法来分，可以分成四组。

• random
• ttl
• LRU
• LFU

random

们都是采用随机挑选数据的方式，来筛选即将被淘汰的数据。

毋庸置疑，在避免缓存污染的问题上效果很有限

TTL

volatile-ttl 针对的是设置了过期时间的数据，把这些数据中剩余存活时间最短的筛选出来并淘汰掉。

所以，除了在明确知道数据被再次访问的情况下，这种策略并不能应对污染问题。

LRU

LRU 策略的核心思想：如果一个数据刚刚被访问，那么这个数据肯定是热数据，还会被再次访问。

但是，因为只看数据的访问时间，使用 LRU 策略在处理扫描式单次查询操作时，无法解决缓存污染。所谓的扫描式单次查询操作，就是指应用对大量的数据进行一次全体读取，每个数据都会被读取，而且只会被读取一次。此时，因为这些被查询的数据刚刚被访问过，所以 lru 字段值都很大。

LFU

为了应对扫描式缓存污染问题，Redis 从 4.0 版本开始增加了 LFU 淘汰策略。

与 LRU 策略相比，LFU 策略中会从两个维度来筛选并淘汰数据：一是，数据访问的时效性（访问时间离当前时间的远近）；二是，数据的被访问次数。

LFU策略

LFU 缓存策略是在 LRU 策略基础上，为每个数据增加了一个计数器，来统计这个数据的访问次数。当使用 LFU 策略筛选淘汰数据时，首先会根据数据的访问次数进行筛选，把访问次数最低的数据淘汰出缓存。如果两个数据的访问次数相同，LFU 策略再比较这两个数据的访问时效性，把距离上一次访问时间更久的数据淘汰出缓存。

Redis 在实现 LFU 策略的时候，只是把原来 24bit 大小的 lru 字段，又进一步拆分成了两部分。

1. ldt字段：lru字段的前16bit，表示数据访问的时间戳
2. counter字段：lru字段的后8bit，表示数据访问的次数

总的来说，当 LFU 策略筛选数据时，Redis 会在候选集合中，根据counter字段进行淘汰。当访问次数相同时，再根据ldt时间戳大小，选择访问时间最久远的数据进行淘汰。

counter的非线性增加

这时出现了一个问题，8bit的counter字段的最大值是255，访问次数超过255了该怎么办？

其实，在实现 LFU 策略时，Redis 并没有采用数据每被访问一次，就给对应的 counter 值加 1 的计数规则，而是采用了一个配置项lfu_log_factor（大于等于0），将其非线性化，以控制计数器增加的速度，其值越大，counter到达255的速度越慢。

counter的衰减机制

应用负载的情况是很复杂的，在一些场景下，有些数据在短时间内被大量访问后就不会再被访问了。那么再按照访问次数来筛选的话，这些数据会被留存在缓存中，但不会提升缓存命中率。为此，Redis 在实现 LFU 策略时，还设计了一个 counter 值的衰减机制。

LFU 策略使用衰减因子配置项lfu_decay_time来控制访问次数的衰减。其值越大，衰减的越慢。

小结

在实际业务应用中，LRU 和 LFU 两个策略都有应用。LRU 和 LFU 两个策略关注的数据访问特征各有侧重LRU策略更加关注数据的时效性，而LFU策略更加关注数据的访问频次。通常情况下，实际应用的负载具有较好的时间局部性，所以 LRU 策略的应用会更加广泛。但是，在扫描式查询的应用场景中，LFU 策略就可以很好地应对缓存污染问题了，建议你优先使用。