深入理解Memcache原理

baidus

　　1.为什么要使用memcache
　　由于网站的高并发读写需求，传统的关系型数据库开始出现瓶颈，例如：
　　1）对数据库的高并发读写：
　　关系型数据库本身就是个庞然大物，处理过程非常耗时（如解析SQL语句，事务处理等）。如果对关系型数据库进行高并发读写（每秒上万次的访问），那么它是无法承受的。
　　2）对海量数据的处理：
　　对于大型的SNS网站，每天有上千万次的数据产生（如twitter, 新浪微博）。对于关系型数据库，如果在一个有上亿条数据的数据表种查找某条记录，效率将非常低。
　　


　　使用memcache能很好的解决以上问题。
　　在实际使用中，通常把数据库查询的结果保存到Memcache中，下次访问时直接从memcache中读取，而不再进行数据库查询操作，这样就在很大程度上减少了数据库的负担。
　　保存在memcache中的对象实际放置在内存中，这也是memcache如此高效的原因。



　　2.memcache的安装和使用
　　这个网上有太多教程了，不做赘言。
　　

3.基于libevent的事件处理



libevent是个程序库，它将Linux的epoll、BSD类操作系统的kqueue等事件处理功能 封装成统一的接口。即使对服务器的连接数增加，也能发挥O(1)的性能。

memcached使用这个libevent库，因此能在Linux、BSD、Solaris等操作系统上发挥其高性能。

参考：

• libevent: http://www.monkey.org/~provos/libevent/
  
• The C10K Problem: http://www.kegel.com/c10k.html
  

　　4.memcache使用实例：
　　

<?php
$mc = new Memcache();
$mc->connect('127.0.0.1', 11211);
$uid = (int)$_GET['uid'];
$sql = &quot;select * from users where uid='uid' &quot;;
$key = md5($sql);
if(!($data = $mc->get($key))) {
$conn = mysql_connect('localhost', 'test', 'test');
mysql_select_db('test');
$result = mysql_fetch_object($result);
while($row = mysql_fetch_object($result)) {
$data[] = $row;
}
$mc->add($key, $datas);
}
var_dump($datas);
?>
　　5.memcache如何支持高并发(此处还需深入研究)
　　memcache使用多路复用I/O模型，如（epoll, select等），传统I/O中，系统可能会因为某个用户连接还没做好I/O准备而一直等待，知道这个连接做好I/O准备。这时如果有其他用户连接到服务器，很可能会因为系统阻塞而得不到响应。
　　而多路复用I/O是一种消息通知模式，用户连接做好I/O准备后，系统会通知我们这个连接可以进行I/O操作，这样就不会阻塞在某个用户连接。因此，memcache才能支持高并发。
　　此外，memcache使用了多线程机制。可以同时处理多个请求。线程数一般设置为CPU核数，这研报告效率最高。
　　


　　6.使用Slab分配算法保存数据
　　slab分配算法的原理是：把固定大小（1MB）的内存分为n小块，如下图所示：



　　


　　slab分配算法把每1MB大小的内存称为一个slab页，每次向系统申请一个slab页，然后再通过分隔算法把这个slab页分割成若干个小块的chunk（如上图所示），然后把这些chunk分配给用户使用，分割算法如下（在slabs.c文件中）：
　　(注：memcache的github项目地址：https://github.com/wusuopubupt/memcached)
　　

/**
* Determines the chunk sizes and initializes the slab class descriptors
* accordingly.
*/
void slabs_init(const size_t limit, const double factor, const bool prealloc) {
int i = POWER_SMALLEST - 1;
unsigned int size = sizeof(item) + settings.chunk_size;
mem_limit = limit;
if (prealloc) {
/* Allocate everything in a big chunk with malloc 通过malloc的方式申请内存*/
mem_base = malloc(mem_limit);
if (mem_base != NULL) {
mem_current = mem_base;
mem_avail = mem_limit;
} else {
fprintf(stderr, &quot;Warning: Failed to allocate requested memory in&quot;
&quot; one large chunk.\nWill allocate in smaller chunks\n&quot;);
}
}
memset(slabclass, 0, sizeof(slabclass));
while (++i < POWER_LARGEST && size <= settings.item_size_max / factor) {
/* Make sure items are always n-byte aligned  注意这里的字节对齐*/
if (size % CHUNK_ALIGN_BYTES)
size += CHUNK_ALIGN_BYTES - (size % CHUNK_ALIGN_BYTES);
slabclass.size = size;
slabclass.perslab = settings.item_size_max / slabclass.size;
size *= factor;//以1.25为倍数增大chunk
if (settings.verbose > 1) {
fprintf(stderr, &quot;slab class %3d: chunk size %9u perslab %7u\n&quot;,
i, slabclass.size, slabclass.perslab);
}
}
power_largest = i;
slabclass[power_largest].size = settings.item_size_max;
slabclass[power_largest].perslab = 1;
if (settings.verbose > 1) {
fprintf(stderr, &quot;slab class %3d: chunk size %9u perslab %7u\n&quot;,
i, slabclass.size, slabclass.perslab);
}
/* for the test suite:  faking of how much we've already malloc'd */
{
char *t_initial_malloc = getenv(&quot;T_MEMD_INITIAL_MALLOC&quot;);
if (t_initial_malloc) {
mem_malloced = (size_t)atol(t_initial_malloc);
}
}
if (prealloc) {
slabs_preallocate(power_largest);
}
}


　　
　　上面代码中的slabclass是一个类型为slabclass_t结构的数组，其定义如下：
　　

typedef struct {
unsigned int size;      /* sizes of items */
unsigned int perslab;   /* how many items per slab */
void **slots;           /* list of item ptrs */
unsigned int sl_total;  /* size of previous array */
unsigned int sl_curr;   /* first free slot */
void *end_page_ptr;         /* pointer to next free item at end of page, or 0 */
unsigned int end_page_free; /* number of items remaining at end of last alloced page */
unsigned int slabs;     /* how many slabs were allocated for this class */
void **slab_list;       /* array of slab pointers */
unsigned int list_size; /* size of prev array */
unsigned int killing;  /* index+1 of dying slab, or zero if none */
size_t requested; /* The number of requested bytes */
} slabclass_t;
　　借用别人的一张图说明slabclass_t结构:



　　


　　由分割算法的源代码可知，slab算法按照不同大小的chunk分割slab页，而不同大小的chunk以factor（默认是1.25）倍增大。
　　使用memcache -u root -vv 命令查看内存分配情况(8字节对齐)：
　　





　　


　　找到大小最合适的chunk分配给请求缓存的数据：
　　

/*
* Figures out which slab class (chunk size) is required to store an item of
* a given size.
*
* Given object size, return id to use when allocating/freeing memory for object
* 0 means error: can't store such a large object
*/
unsigned int slabs_clsid(const size_t size) {
int res = POWER_SMALLEST;// 初始化为最小的chunk
if (size == 0)
return 0;
while (size > slabclass[res].size) //逐渐增大chunk size，直到找到第一个比申请的size大的chunk
if (res++ == power_largest)     /* won't fit in the biggest slab */
return 0;
return res;
}

内存分配：　　
　　（此处参考：http://slowsnail.com.cn/?p=20）
　　

static void *do_slabs_alloc(const size_t size, unsigned int id) {
slabclass_t *p;
void *ret = NULL;
item *it = NULL;
if (id < POWER_SMALLEST || id > power_largest) {//判断id是否会导致slabclass[]数组越界
MEMCACHED_SLABS_ALLOCATE_FAILED(size, 0);
return NULL;
}
p = &slabclass[id];//获取slabclass[id]的引用
assert(p->sl_curr == 0 || ((item *)p->slots)->slabs_clsid == 0);//判断slabclass[id]是否有剩余的chunk
if (! (p->sl_curr != 0 || do_slabs_newslab(id) != 0)) {//如果slabclass[id]中已经没有空余chunk并且试图向系统申请一个“页”（slab）的chunk失败,则返回NULL
/* We don't have more memory available */
ret = NULL;
} else if (p->sl_curr != 0) {//slabclass[id]的空闲链表中还有chunk，则直接将其分配出去
it = (item *)p->slots;//获取空闲链表的头指针
p->slots = it->next;//将头结点指向下一个结点（取下头结点）
if (it->next) it->next->prev = 0;//将新头结点的prev指针置空
p->sl_curr--;//减少slabclass[id]空闲链表中的chunk计数
ret = (void *)it;//将头结点赋给ret指针
}
if (ret) {//请求成功
p->requested += size;//更新slabclass[id]所分配的内存总数
MEMCACHED_SLABS_ALLOCATE(size, id, p->size, ret);
} else {
MEMCACHED_SLABS_ALLOCATE_FAILED(size, id);
}
return ret;
}do_slabs_allc()函数首先尝试从slot列表（被回收的chunk）中获取可用的chunk,如果有可用的就返回，否则从空闲的chunk列表中获取可用的chunk并返回。


　　
　　删除过期item:
　　延迟删除过期item到查找时进行，可以提高memcache的效率，因为不必每时每刻检查过期item,从而提高CPU工作效率
　　


　　使用LRU(last recently used)算法淘汰数据：
　　

/*
* try to get one off the right LRU
* don't necessariuly unlink the tail because it may be locked: refcount>0
* search up from tail an item with refcount==0 and unlink it; give up after 50
* tries
*/
if (tails[id] == 0) {
itemstats[id].outofmemory++;
return NULL;
}
for (search = tails[id]; tries > 0 && search != NULL; tries--, search=search->prev) {
if (search->refcount == 0) { //refount==0的情况，释放掉
if (search->exptime == 0 || search->exptime > current_time) {
itemstats[id].evicted++;
itemstats[id].evicted_time = current_time - search->time;
STATS_LOCK();
stats.evictions++;
STATS_UNLOCK();
}
do_item_unlink(search);
break;
}
}
it = slabs_alloc(ntotal, id);
if (it == 0) {
itemstats[id].outofmemory++;
/* Last ditch effort. There is a very rare bug which causes
* refcount leaks. We've fixed most of them, but it still happens,
* and it may happen in the future.
* We can reasonably assume no item can stay locked for more than
* three hours, so if we find one in the tail which is that old,
* free it anyway.
*/
tries = 50;
for (search = tails[id]; tries > 0 && search != NULL; tries--, search=search->prev) {
if (search->refcount != 0 && search->time + 10800 < current_time) { //最近3小时没有被访问到的情况，释放掉
itemstats[id].tailrepairs++;
search->refcount = 0;
do_item_unlink(search);
break;
}
}
it = slabs_alloc(ntotal, id);
if (it == 0) {
return NULL;
}
}
　　
　　从item列表的尾部开始遍历，找到refcount==0的chunk,调用do_item_unlink()函数释放掉，另外，search->time&#43;10800<current_time(即最近3小时没有被访问过的item)，也释放掉--这就是LRU算法的原理。
　　


　　附：阿里2014笔试题一道：
　　

某缓存系统采用LRU淘汰算法，假定缓存容量为4,并且初始为空，那么在顺序访问一下数据项的时候：1,5,1,3,5,2,4,1,2出现缓存直接命中的次数是？，最后缓存中即将准备淘汰的数据项是？


答案：3， 5
解答：

• 1调入内存 1
  
• 5调入内存 1 5
  
• 1调入内存 5 1（命中 1，更新次序）
  
• 3调入内存 5 1 3
  
• 5调入内存 1 3 5 （命中5）
  
• 2调入内存 1 3 5 2
  
• 4调入内存（1最久未使用，淘汰1） 3 5 2 4
  
• 1调入内存（3最久未使用，淘汰3） 5 2 4 1
  
• 2调入内存 5 4 1 2（命中2）
  

因此，直接命中次数是3,最后缓存即将准备淘汰的数据项是5

　　
　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　


　　



版权声明：博客新地址：   http://blog.mathandcs.com/