[[410834]]

本文轉載自微信公眾號「肌肉碼農」，作者肌肉碼農。轉載本文請聯系肌肉碼農公眾號。

Caffeine使用一個ConcurrencyHashMap來保存所有數據，那它的過期淘汰策略采用什么方式與數據結構呢?其中寫過期是使用writeOrderDeque,這個比較簡單無需多說，而讀過期相對復雜很多，使用W-TinyLFU的結構與算法。

網絡上有很多文章介紹W-TinyLFU結構的，大家可以去查一下，這里主要是從源碼來分析，總的來說它使用了三個雙端隊列：accessOrderEdenDeque,accessOrderProbationDeque,accessOrderProtectedDeque,使用雙端隊列的原因是支持LRU算法比較方便。

accessOrderEdenDeque屬于eden區，緩存1%的數據，其余的99%緩存在main區。

accessOrderProbationDeque屬于main區，緩存main內數據的20%，這部分是屬于冷數據，即將補淘汰。

accessOrderProtectedDeque屬于main區，緩存main內數據的80%，這部分是屬于熱數據，是整個緩存的主存區。

我們先看一下淘汰方法入口：

void evictEntries() { 
  if (!evicts()) { 
    return; 
  } 
  //先從edn區淘汰 
  int candidates = evictFromEden(); 
  //eden淘汰后的數據進入main區，然后再從main區淘汰 
  evictFromMain(candidates); 
} 

accessOrderEdenDeque對應W-TinyLFU的W(window)，這里保存的是最新寫入數據的引用，它使用LRU淘汰，這里面的數據主要是應對突發流量的問題，淘汰后的數據進入accessOrderProbationDeque.代碼如下：

int evictFromEden() { 
  int candidates = 0; 
  Node<K, V> node = accessOrderEdenDeque().peek(); 
  while (edenWeightedSize() > edenMaximum()) { 
    // The pending operations will adjust the size to reflect the correct weight 
    if (node == null) { 
      break; 
    } 
 
    Node<K, V> next = node.getNextInAccessOrder(); 
    if (node.getWeight() != 0) { 
      node.makeMainProbation(); 
      //先從eden區移除 
      accessOrderEdenDeque().remove(node); 
      //移除的數據加入到main區的probation隊列 
      accessOrderProbationDeque().add(node); 
      candidates++; 
 
      lazySetEdenWeightedSize(edenWeightedSize() - node.getPolicyWeight()); 
    } 
    node = next; 
  } 
 
  return candidates; 
} 

數據進入probation隊列后，繼續執行以下代碼：

void evictFromMain(int candidates) { 
  int victimQueue = PROBATION; 
  Node<K, V> victim = accessOrderProbationDeque().peekFirst(); 
  Node<K, V> candidate = accessOrderProbationDeque().peekLast(); 
  while (weightedSize() > maximum()) { 
    // Stop trying to evict candidates and always prefer the victim 
    if (candidates == 0) { 
      candidate = null; 
    } 
 
    // Try evicting from the protected and eden queues 
    if ((candidate == null) && (victim == null)) { 
      if (victimQueue == PROBATION) { 
        victim = accessOrderProtectedDeque().peekFirst(); 
        victimQueue = PROTECTED; 
        continue; 
      } else if (victimQueue == PROTECTED) { 
        victim = accessOrderEdenDeque().peekFirst(); 
        victimQueue = EDEN; 
        continue; 
      } 
 
      // The pending operations will adjust the size to reflect the correct weight 
      break; 
    } 
 
    // Skip over entries with zero weight 
    if ((victim != null) && (victim.getPolicyWeight() == 0)) { 
      victim = victim.getNextInAccessOrder(); 
      continue; 
    } else if ((candidate != null) && (candidate.getPolicyWeight() == 0)) { 
      candidate = candidate.getPreviousInAccessOrder(); 
      candidates--; 
      continue; 
    } 
 
    // Evict immediately if only one of the entries is present 
    if (victim == null) { 
      candidates--; 
      Node<K, V> evict = candidate; 
      candidate = candidate.getPreviousInAccessOrder(); 
      evictEntry(evict, RemovalCause.SIZE, 0L); 
      continue; 
    } else if (candidate == null) { 
      Node<K, V> evict = victim; 
      victim = victim.getNextInAccessOrder(); 
      evictEntry(evict, RemovalCause.SIZE, 0L); 
      continue; 
    } 
 
    // Evict immediately if an entry was collected 
    K victimKey = victim.getKey(); 
    K candidateKey = candidate.getKey(); 
    if (victimKey == null) { 
      Node<K, V> evict = victim; 
      victim = victim.getNextInAccessOrder(); 
      evictEntry(evict, RemovalCause.COLLECTED, 0L); 
      continue; 
    } else if (candidateKey == null) { 
      candidates--; 
      Node<K, V> evict = candidate; 
      candidate = candidate.getPreviousInAccessOrder(); 
      evictEntry(evict, RemovalCause.COLLECTED, 0L); 
      continue; 
    } 
 
    // Evict immediately if the candidate's weight exceeds the maximum 
    if (candidate.getPolicyWeight() > maximum()) { 
      candidates--; 
      Node<K, V> evict = candidate; 
      candidate = candidate.getPreviousInAccessOrder(); 
      evictEntry(evict, RemovalCause.SIZE, 0L); 
      continue; 
    } 
 
    // Evict the entry with the lowest frequency 
    candidates--; 
    //最核心算法在這里：從probation的頭尾取出兩個node進行比較頻率，頻率更小者將被remove 
    if (admit(candidateKey, victimKey)) { 
      Node<K, V> evict = victim; 
      victim = victim.getNextInAccessOrder(); 
      evictEntry(evict, RemovalCause.SIZE, 0L); 
      candidate = candidate.getPreviousInAccessOrder(); 
    } else { 
      Node<K, V> evict = candidate; 
      candidate = candidate.getPreviousInAccessOrder(); 
      evictEntry(evict, RemovalCause.SIZE, 0L); 
    } 
  } 
} 

上面的代碼邏輯是從probation的頭尾取出兩個node進行比較頻率，頻率更小者將被remove，其中尾部元素就是上一部分從eden中淘汰出來的元素，如果將兩步邏輯合并起來講是這樣的：在eden隊列通過lru淘汰出來的”候選者“與probation隊列通過lru淘汰出來的“被驅逐者“進行頻率比較，失敗者將被從cache中真正移除。下面看一下它的比較邏輯admit：

boolean admit(K candidateKey, K victimKey) { 
  int victimFreq = frequencySketch().frequency(victimKey); 
  int candidateFreq = frequencySketch().frequency(candidateKey); 
  //如果候選者的頻率高就淘汰被驅逐者 
  if (candidateFreq > victimFreq) { 
    return true; 
    //如果被驅逐者比候選者的頻率高，并且候選者頻率小于等于5則淘汰者 
  } else if (candidateFreq <= 5) { 
    // The maximum frequency is 15 and halved to 7 after a reset to age the history. An attack 
    // exploits that a hot candidate is rejected in favor of a hot victim. The threshold of a warm 
    // candidate reduces the number of random acceptances to minimize the impact on the hit rate. 
    return false; 
  } 
  //隨機淘汰 
  int random = ThreadLocalRandom.current().nextInt(); 
  return ((random & 127) == 0); 
} 

從frequencySketch取出候選者與被驅逐者的頻率，如果候選者的頻率高就淘汰被驅逐者，如果被驅逐者比候選者的頻率高，并且候選者頻率小于等于5則淘汰者，如果前面兩個條件都不滿足則隨機淘汰。

整個過程中你是不是發現protectedDeque并沒有什么作用，那它是怎么作為主存區來保存大部分數據的呢?

//onAccess方法觸發該方法  
void reorderProbation(Node<K, V> node) { 
  if (!accessOrderProbationDeque().contains(node)) { 
    // Ignore stale accesses for an entry that is no longer present 
    return; 
  } else if (node.getPolicyWeight() > mainProtectedMaximum()) { 
    return; 
  } 
 
  long mainProtectedWeightedSize = mainProtectedWeightedSize() + node.getPolicyWeight(); 
 //先從probation中移除 
 accessOrderProbationDeque().remove(node); 
//加入到protected中 
  accessOrderProtectedDeque().add(node); 
  node.makeMainProtected(); 
 
  long mainProtectedMaximum = mainProtectedMaximum(); 
//從protected中移除 
  while (mainProtectedWeightedSize > mainProtectedMaximum) { 
    Node<K, V> demoted = accessOrderProtectedDeque().pollFirst(); 
    if (demoted == null) { 
      break; 
    } 
    demoted.makeMainProbation(); 
    //加入到probation中 
    accessOrderProbationDeque().add(demoted); 
    mainProtectedWeightedSize -= node.getPolicyWeight(); 
  } 
 
  lazySetMainProtectedWeightedSize(mainProtectedWeightedSize); 
} 

當數據被訪問時并且該數據在probation中，這個數據就會移動到protected中去，同時通過lru從protected中淘汰一個數據進入到probation中。

這樣數據流轉的邏輯全部通了：新數據都會進入到eden中，通過lru淘汰到probation,并與probation中通過lru淘汰的數據進行使用頻率pk,如果勝利了就繼續留在probation中，如果失敗了就會被直接淘汰，當這條數據被訪問了，則移動到protected。當其它數據被訪問了，則它可能會從protected中通過lru淘汰到probation中。

TinyLFU

傳統LFU一般使用key-value形式來記錄每個key的頻率，優點是數據結構非常簡單，并且能跟緩存本身的數據結構復用，增加一個屬性記錄頻率就行了，它的缺點也比較明顯就是頻率這個屬性會占用很大的空間，但如果改用壓縮方式存儲頻率呢? 頻率占用空間肯定可以減少，但會引出另外一個問題：怎么從壓縮后的數據里獲得對應key的頻率呢?

TinyLFU的解決方案是類似位圖的方法，將key取hash值獲得它的位下標，然后用這個下標來找頻率，但位圖只有0、1兩個值，那頻率明顯可能會非常大，這要怎么處理呢? 另外使用位圖需要預占非常大的空間，這個問題怎么解決呢?

TinyLFU根據最大數據量設置生成一個long數組，然后將頻率值保存在其中的四個long的4個bit位中(4個bit位不會大于15)，取頻率值時則取四個中的最小一個。

Caffeine認為頻率大于15已經很高了，是屬于熱數據，所以它只需要4個bit位來保存，long有8個字節64位，這樣可以保存16個頻率。取hash值的后左移兩位，然后加上hash四次，這樣可以利用到16個中的13個，利用率挺高的，或許有更好的算法能將16個都利用到。

public void increment(@Nonnull E e) { 
    if (isNotInitialized()) { 
      return; 
    } 
 
    int hash = spread(e.hashCode()); 
    int start = (hash & 3) << 2; 
 
    // Loop unrolling improves throughput by 5m ops/s 
    int index0 = indexOf(hash, 0); //indexOf也是一種hash方法，不過會通過tableMask來限制范圍 
    int index1 = indexOf(hash, 1); 
    int index2 = indexOf(hash, 2); 
    int index3 = indexOf(hash, 3); 
 
    boolean added = incrementAt(index0, start); 
    added |= incrementAt(index1, start + 1); 
    added |= incrementAt(index2, start + 2); 
    added |= incrementAt(index3, start + 3); 
 
    //當數據寫入次數達到數據長度時就重置 
    if (added && (++size == sampleSize)) { 
      reset(); 
    } 
  } 

給對應位置的bit位四位的Int值加1：

boolean incrementAt(int i, int j) { 
  int offset = j << 2; 
  long mask = (0xfL << offset); 
  //當已達到15時，次數不再增加 
  if ((table[i] & mask) != mask) { 
    table[i] += (1L << offset); 
    return true; 
  } 
  return false; 
} 

獲得值的方法也是通過四次hash來獲得，然后取最小值：

public int frequency(@Nonnull E e) { 
  if (isNotInitialized()) { 
    return 0; 
  } 
 
  int hash = spread(e.hashCode()); 
  int start = (hash & 3) << 2; 
  int frequency = Integer.MAX_VALUE; 
  //四次hash 
  for (int i = 0; i < 4; i++) { 
    int index = indexOf(hash, i); 
    //獲得bit位四位的Int值 
    int count = (int) ((table[index] >>> ((start + i) << 2)) & 0xfL); 
    //取最小值 
    frequency = Math.min(frequency, count); 
  } 
  return frequency; 
} 

當數據寫入次數達到數據長度時就會將次數減半，一些冷數據在這個過程中將歸0，這樣會使hash沖突降低：

void reset() { 
  int count = 0; 
  for (int i = 0; i < table.length; i++) { 
    count += Long.bitCount(table[i] & ONE_MASK); 
    table[i] = (table[i] >>> 1) & RESET_MASK; 
  } 
  size = (size >>> 1) - (count >>> 2); 
}