前言

在一些常见下，有些数据被访问的次数非常少，甚至只会被访问一次。当这些数据请求后，还继续留存在缓存中的话，只会白白占用缓存的空间。这种情况就是缓存污染。

当缓存污染不严重时，只有少量数据占据缓存空间，此时对缓存系统的影响不大。但是，缓存污染一旦变得验证后，就会有大量不在访问的数据滞留在缓存中。如果这时数据占满了缓存空间，我们再往缓存中写入新数据时，就需要先把这些数据逐步淘汰出缓存，这就会引入额外的操作时间开销，进而会影响应应用的性能。

---

1.如何解决缓存污染问题

要解决缓存污染，就得把不会在被访问的数据筛选出来并淘汰掉。这样就不用等到缓存被写满后，再逐一淘汰旧数据后，才能写入新数据了。而哪些数据能留在缓存中，是由缓存的淘汰策略决定的。

之前在《15.Redis 缓存的淘汰策略》讲过8种数据淘汰策略，分别是noeviction、vloatile-random、vloatile-ttl、vloatile-lru、vloatile-lfu、allkeys-random、allkeys-lrru、allkeys-lfu。

在这 8 种策略中，noeviction 策略是不会淘汰数据的。其他的 7 种策略，都会按照一定的规则来淘汰数据。

因 LRU 算法是被广泛应用的缓存数据淘汰算法，所以我们先分析其他策略，然后在单独分析淘汰策略使用 LRU 算法的情况，最后再学习下 LFU 算法用于淘汰策略时对缓存污染的应对措施。

首先，看下 vloatile-random 和 allkeys-random 这两种策略。他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。

随机挑选是不会根据数据的访问情况来筛选数据。如果被淘汰的数据又被访问了，就会发生缓存缺失。也就是说，应用需要到后端数据库访问这些数据，降低了应用的请求响应速度。所以 vloatile-random 和 allkeys-random 策略，在避免缓存污染这个问题上的效果非常有限。

假设我们配置 Redis 缓存使用 allkeys-random 淘汰策略，当缓存写满时， allkeys-random 策略随机选择了数据 20 进行淘汰。不巧的是，数据 20 紧接着又被访问了，此时 Redis 就会发生了缓存缺失。

vloatile-ttl 针对的是设置了过期时间的数据，把这些剩余存活时间最短的筛选出来并淘汰掉。但是剩余存活时间并不能直接反映数据再次访问的情况。所以，按照 vloatile-ttl 策略淘汰数据，和按随机方式淘汰数据类型，避免缓存污染的效果有限。

你可能会想到一种例外情况：业务应用在给数据设置过期时间时，明确知道数据再次被访问的情况，并根据访问情况设置过期时间。此时，Redis 按照数据的剩余最短存活时间筛选，是可以把不会再被访问的数据筛选出来的，进而避免缓存污染。例如，业务部门知道数据被访问的时长是一个小时，并把数据的过期时间设置为一个小时。这样一来，被淘汰的数据是不会再被访问了。

先小结下。除了在明确知道数据被再次访问的情况下，vloatile-ttl 可以有效避免缓存污染。其他情况下， vloatile-random 、 allkeys-random、vloatile-ttl 这三种策略并不能应对缓存污染问题。

2.LRU 缓存策略

LRU 策略会按照数据访问的时效性，来筛选即将被淘汰的数据，应用非常广泛。在《15.Redis 缓存的淘汰策略》已经学校了 Redis 是如何实现 LRU 策略的，所以我们就重点看下它在解决缓存污染问题上的效果。

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。

按照这个核心思想，Redis 中的 LRU 策略，会在每个数据对应的 RedisObject 结构体中设置一个 lru 字段，用来记录数据的访问时间戳。在进行数据淘汰时，LRU 策略会在候选数据集中淘汰lru字段最小的数据（也就是访问时间最久的数据）。

所以，在数据被频繁访问的业务场景中，LRU 策略的确能有效留存访问时间最近的数据。而且，因为留存的这些数据还会被再次访问，所以又可以提升业务应用的访问速度。

但是，也正是因只看数据的访问时间，使用 LRU 策略在处理扫描式单词查询操作时，无法解决缓存污染问题。

扫描式单词查询操作，就是指应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 RedisObject 的 lru 字段值都很大。

在使用 LRU 策略淘汰数据时，这些数据会留存在缓存中很长一段时间，造成缓存污染。如果查询的数据量很大，这些数据占满了缓存空间，却又不会服务新的缓存请求，此时再有新数据要写入缓存的话，还是需要先把旧数据替换出缓存才行，这会影响性能。

如下图所示，数据 6 被访问后，被写入 Redis 缓存。但是，在此之后，数据 6 一致没有被再次访问，这就导致数据 6 滞留在缓存中，造成了污染。

所以，对于采用了 LRU 策略的 Redis 缓存来说，扫描式单次查询会造成缓存污染。为了应对这类缓存污染问题，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）
• 二是数据被访问的次数。

3.LFU 缓存策略的优化

LFU 缓存策略是在 LRU 策略的基础上，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 策略再比较两个数据的访问时效，把距离上一次访问时间更久的数据淘汰。

和那些被频繁访问的数据相比，扫描式单次查询的数据因为不会再被访问，所以它们的访问次数不会再增加。因此 LFU 策略会优先把这些访问次数低的数据淘汰出缓存。这样，LFU 策略就可以避免这些数据对缓存的污染了。

我们再复习下 LRU 策略的实现：为避免操作链表的开销，Redis 在实现 LRU 策略时使用了两个近似的方法：

• Redis 是用 RedisObject 结构来保存数据的，RedisObject 结构中设置了一个 lru 字段，用来记录数据的访问时间戳。
• Redis 并没有为所有数据维护一个全局的链表，而是通过随机采样的方式，选取一定数量的数据（例如 10 个）的数据放入候选集合，后续在候选集合中根据 lru 字段值的大小进行筛选。

在此基础上，Redis 在实现 LFU 策略的时候，只是把原来 24 bit 大小的 lru 字段，又进一步进行了拆分成了两部分。

1. ldt 值：lru 字段的前 16 bit，表示数据的访问时间戳。
2. counter 值：lru 字段的后 8 bit，表示数据的访问次数。

当 LFU 策略筛选数据时，Redis 会在候选集合中，根据 lru 字段的后 8bit 选择访问次数最小的数据进行淘汰。当访问次数相同，再根据 lru 字段的前 16bit 值大小，选择访问时间最久的数据进行淘汰。

Redis 只用 8bit 记录数据的访问次数，而 8 bit 记录的最大值是 255，这样可以吗？

在实际应用中，一个数据可能会被访问成千上万次。如果每次被访问，counter 就加 1 的话，那么只要访问 255 次，数据的 counter 值就一样了。在进行数据淘汰的时候，LFU 策略就无法很好的区分并筛选这些数据，反而还可能把不怎么访问的数据留存在了缓存中。

假如，第一个数据 A 的累计访问次数是 256 ，访问的时间戳是 20240101100909，所以它的 counter 为 255，而第二个数据 B 的累计访问次数是 1024，访问时间戳为 20240101090909.如果 counter 只能记录到 255，那么数据 B 的 counter 也是255。
此时，缓存写满了，Redis 使用 LFU 策略进行淘汰。数据 A 和 B 的 counter 都是 255，LFU 再比较 A 和 B 访问的时间戳，发现数据 B 上一次访问时间早于 A，就会把 B 淘汰。但其实数据 B 的访问次数远大于数据 A，很可能会再次被访问。这样一来，使用 LFU 策略来淘汰数据就不合适了。

的确，Redis 也注意到了这个问题。因此，在实现 LFU 策略时，Redis 并没有采用数据每次被访问，就给对应的 counter 加 1的计数规则，而是采用了一个更优化的技术规则。

LFU 策略的技术规则是：每次当数据被访问一次时，首先用计数器当前值乘以配置项 lfu_log_factor 再加 1，再取其倒数，得到一个 P 值；然后，把这个 P 值和一个取值范围在（0,1）间的随机数 r 值比大小，只有 p 值大于 r 值，计数器才加 1。

下面这段 Redis 的部分源码，显示了 LFU 策略增加计数器值的计算逻辑。其中，baseval 是计数器当前值。计数器的初始值默认是 5（有代码的 LFU_INIT_VAL 常量设置），而不是 0，这样可以避免数据刚被写入缓存，就因访问次数少而被立即淘汰。

double r = (double) rand()/RAND_MAX;
...
double p = 1.0/(baseval *  server.lfu_log_factor + 1);
if(p>r) counter++;

使用了这个规则后，我们可以通过设置不同的 lfu_log_factor 配置项，来控制数据值的增加速度，避免 counter 值很快就到 255 了。

下表是 Redis 官网提供的一张表，它记录了当 lfu_log_factor 取不同值时，在不同的实际访问次数情况下，计数器的值是如何变化的。

lfu_log_factor	100 hits	1k hits	100k hits	1M hits	10M hits
0	104	255	255	255	255
1	18	49	255	255	255
10	10	18	142	255	255
100	8	11	49	143	255

可以看到，当 lfu_log_factor 取值为 1 时，实际访问次数为 100 K 后，counter 值就达到 255 了，无法再区分访问次数更多的数据了。而当 lfu_log_factor 取值为 100 时，实际访问次数为 10MB，counter 值才达到 255，此时，实际访问次数小于 10M 的不同数据都可以通过 counter 值区分出来。

正是因为适用了非线性地增的计数方法，及时缓存数据的访问次数成千上万，LFU 策略也可以有效地区分不同的访问次数，从而进行合理的数据筛选。从上面的表中，可以看到，当 lfu_log_factor 取值为 10 时，百、千、十万几倍的访问次数对应的 counter 值已经有明显的区分了，所以，我们在应用 LFU 策略时，一般可以将 lfu_log_factor 取值为 10。

前面我们也提到了，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。LFU 策略会计算当前时间和数据最近一次访问时间的差值，并把这个差值换算成以分钟为单位。然后，LFU 策略再把这个差值除以 lfu_decay_time 值，所得的结果就是数据 counter 要衰减的值。

假设 lfu_decay_time 取值为 1，如果数据在 N 分钟内没有被访问，那么它的访问次数就要减 N。如果 lfu_decay_time 取值更大，那么相应的衰减值会变小，衰减效果也会减弱。所以，如果业务应用中有短时高频访问的数据的话，建议把 lfu_decay_time 设置为 1，这样一来，LFU 策略在它们不在被访问后，会较快的衰减它们的访问次数，尽早把它们从缓存中淘汰出去，避免缓存污染。

4.小结

在实际业务中，LRU 和 LFU 两个策略都有应用。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率。

• 通常情况下，实际应用的负载具有较好的时间局部性，LRU 策略的应用会更加广泛。
• 但是，在扫描式单次查询的应用场景中，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。

此外，如果业务应用中有短时高频访问的数据，除了 LFU 策略本身会对数据的访问次数进行自动衰减外，还可以使用 volatile-ttl 策略，并根据这些数据的访问时限，设置它们的过期时间，以免它们留存在缓存中造成污染。