小编点评

**S3-FIFO：一个仅使用FIFO队列的驱逐算法** **背景** LRU和FIFO是经典的缓存驱逐算法，在过去几十年中也出现了很多追求更高效率的驱逐算法，如ARC、2Q、LIRS、TinyLFU。 **S3-FIFO** S3-FIFO是一种仅使用FIFO队列的缓存驱逐算法。它使用三个静态FIFO队列：S、M和G。 * **S**作为10%的缓存空间的缓存。 * **M**作为90%的缓存空间的缓存。 * **G**作为剩下的缓存空间的缓存。 当在ghost队列中发现请求的数据时，此时并不算缓存命中，原因是ghost队列并不保存数据。 **缓存读和写** * 每个对象使用两个bits(freq)来跟踪对象访问状态，上限为3。 * 当缓存命中时自动加1。 * 当插入一个对象时，如果G中没有该对象，则插入S。 * 当S满时，位于S尾部的对象要么会被转移到M(访问非0)，要么被转移到G(访问为0)，并在转移之后清除访问标记(freq)。 * 当G满时，它会按照FIFO顺序驱逐对象。 * M使用一个类似 FIFO-Reinsertion的算法，但同时使用两个bits来跟踪访问信息。 **实验结果** S3-FIFO在各种场景中的实验结果表明，它比LRU和FIFO具有更好的性能。

正文

S3-FIFO

本文作为下一篇缓存文章的预备知识。

背景

基于LRU和FIFO的驱逐

FIFO和LRU都是经典的缓存驱逐算法，在过去几十年中也出现了很多追求更高效率的驱逐算法，如ARC, 2Q, LIRS, TinyLFU。传统观点认为，基于LRU的缓冲未命中率要低于基于FIFO的算法，如CLOCK，这类高级算法通常都是基于LRU的。但基于LRU的算法存在3个问题：1)每个对象需要两个指针，对于包含小对象的负载会产生大量存储开销；2)由于在缓存命中时需要使用锁来将请求的对象放到队列首部，因此无法实现扩展；3)由于是随机写，闪存不友好。

可扩展的重要性

由于很多现代CPU都包含多个核，因此缓存的扩展性意味着它的吞吐量可以随CPU核数的增加而增加。理想情况下，一个缓存的吞吐量和CPU核数呈线性关系。但在基于LRU的算法中，读取操作需要加锁才能更新元数据，因此无法完全利用CPU的计算能力。

FIFO的优势

可以使用ring buffer来实现FIFO，无需为每个对象分配指向元数据的指针，也无需在每次缓存命中时修改对象的位置，因此不存在可扩展瓶颈。另外FIFO按照先进先出的顺序来驱逐对象，因此是一种闪存友好的访问模式，可以减小闪存写入以及闪存损耗。但FIFO在效率上落后于LRU和一些先进的驱逐算法。

one-hit wonders ratio

术语"one-hit-wonder ratio"指在一个序列(sequences)中，只被请求一次的对象所占的比例，通常用于CDN中(其存在较大的one-hit-wonder ratio)。虽然one-hit-wonder ratio会因为缓存负载的类型而有所变化，但我们发现越短的请求序列(shorter request sequences，即较少的对象)的one-hit-wonder ratio越高

这里的请求序列可以看做是一个请求样本

上面示例中，在序列长度为17，包含5个对象的场景中，有1个对象(E)仅被访问了一次，其one-hit-wonder ratio为20%；而在序列长度为7(1^st~7^st)的场景中，有2个对象(C，D)仅被访问了一次，其one-hit-wonder ratio为50%；类似地在序列长度为4(1^st~4^st)的场景中，其one-hit-wonder ratio为67%.

生产中的one-hit wonders ratio

那么在实际生产中的表现是否和上面示例中一致？下图展示了对来自MSR的一个块缓存(hm_0) trace和来自Twitter的一个key-value 缓存的trace结果。X轴表示对象在trace中的比率(分别使用线性(左图)和对数表示(右图))。

可以看到完整trace的one-hit-wonder ratio(左图X轴为1.00的点)分别为13%(Twitter)和38%(MSR)，而包含10%对象的随机子序列的one-hit-wonder ratio(右图X轴为10^-1的点)分别为26%(Twitter)和75%(MSR)。

生产traces中的one-hit-wonder ratio。完整trace的one-hit-wonder ratio为13%和38%，可以看到，序列越短，one-hit-wonder ratio越高

我们进一步分析了一个包含6594条trace的大型缓存trace集合，并在箱线图中绘制了一次命中比例的分布。完整trace的one-hit-wonder ratio的中位数为26%，包含50% trace序列的one-hit-wonder ratio的中位数为38%。此外，包含10%和1% trace序列的one-hit-wonder ratio的中位数分别为72%和78%。

one-hit-wonder ratio的影响

我们在分析中使用的trace大部分是为期一周，少部分是为期一个月的。由于缓存大小通常远小于trace的占用空间(trace中的对象数量/字节数)，因此在短序列场景下就可能会发生缓存驱逐。我们观察发现，当缓存大小为trace空间的10%时，大约有72%的对象在驱逐之前不会被再次使用。

我们用缓存仿真进一步证实了观测结果。上图展示了驱逐对象的频率。我们的trace分析表明，在Twitter的trace中，当序列为trace空间的10%时，one-hit-wonder ratio为26%，而仿真展示了类似的结果：被LRU逐出的对象中有26%在插入缓存(大小为trace的10%)后没有被请求。类似地，在MSR的trace中，当序列长度为trace的10%时，one-hit-wonder ratio为75%，而仿真中被LRU驱逐的对象中的82%没有被再次使用。

很明显，缓存应该过滤掉这些one-hit wonders，因为它们占用了空间，却没有带来好处。

S3-FIFO：一个仅使用FIFO队列的驱逐算法

受上面观测结果的启发，我们设计了一个新的缓存驱逐算法，称为S3-FIFO：简单、使用三个静态FIFO队列的可扩展缓存(Simple, Scalable caching with three Static FIFO queues)。

S3-FIFO使用3个FIFO队列：一个small FIFO队列(S)，一个main FIFO队列(M)，一个ghost FIFO队列(G)。我们将S设置为10%的缓存空间(实验得出)。M为90%的缓存空间，而G的大小和M相同。注意，当在ghost队列中发现请求的数据时，此时并不算缓存命中，原因是ghost队列并不保存数据。

• 缓存读：S3-FIFO中，每个对象使用两个bits(freq)来跟踪对象访问状态，上限为3，缓存命中时自动加1。

• 缓存写：当插入一个对象时，如果G中没有该对象，则插入S。当S满时，位于S尾部的对象要么会被转移到M(访问非0)，要么被转移到G(访问为0)，并在转移之后清除访问标记(freq)

  当G满时，它会按照FIFO顺序驱逐对象。

  M使用一个类似 FIFO-Reinsertion的算法，但同时使用两个bits来跟踪访问信息。至少对象的freq大于0，会被重新插入M首部，并将freq减1(freq-1)

添加对象的演示如下：