1.Redis基本数据类型

文章涉及源码均基于6.0.8

1.1 概览

redis基本数据类型有如下5种：

不同类型时间复杂度：

1.2 SDS结构

String内部有三种编码方式，本质上是char[]类型，用object encoding [keyName]可以查看具体类型：

1. int，存储8字节的长整型（long）
2. embstr，小于44个字节的字符串
3. raw，大于44字节字符串

【总结】
int升级ebmtr：int如果改成了string，或者int超过了2^64;
embtr升级为raw：分配的大小超过44字节，或者修改embstr（因为embstr是只读的）
升级不可逆，除非重新set

1.3 Hash

存储的是无序键值对，最大存储2^32-1个

下图展示了hash应用层面的结构：

实际上，在redis中Hash代码组织结构如下：

其中，dict字典中保留了两个ht，一个用作扩容；
ht中存了一个table二维数组，也称作hash桶，桶中存放着dicEntry；
最后才是真正存放数据的地方dicEntry，包含field和value，并且通过next指针指向下一个entry.

和string对比

1. string是使用key分层来处理同一组数据，相比之下，hash更加节省内存；
2. string需要通过mget来获取同一组数据，hash一个key就搞定，效率快；
3. hash不能针对单个field设置过期时间，没有string灵活；
4. hash既然一个key可以存储多个filed，那么显然容易导致big key

1.4 压缩列表

压缩列表实际上就是一个数组，只是数组的头3个字段分别保存的是zlBytes（列表占用字节数）、zltail（列表尾部偏移量）、zllen（数组entry个数），其余数组中每个item都保存一个entry。所以头尾查找比较高效。

• ziplist结构
  
• ziplist中entry结构：
  

通过entry结构可以看出，实际上通过存储pre_entry_length²，间接性保留了指向前一个entry的指针，因为通过当前指针往前偏移这个长度后就回到了前一个entry的头部。
也说明ziplist支持从尾部往前查找。

参考：redis设计与实现-压缩列表

1.5 quicklist

quicklist是redis3.2版本之后新增的数据结构，实则是双向链表和压缩列表的结合体

6.0.8源码如下：

typedef struct quicklist {
    quicklistNode *head;
    quicklistNode *tail;
    unsigned long count;        /* 所有压缩列表中entry的总数之和 */
    unsigned long len;          /* quicklistNodes总数 */
    int fill : QL_FILL_BITS;              /* 装填因子：nodes上限，配置list-max-ziplist-size默认-2，表示8kb */
    unsigned int compress : QL_COMP_BITS; /* 压缩深度，默认0，N代表对首尾N个entry不压缩，比如1表示entry1和entryN不压缩，依次类推 */
    unsigned int bookmark_count: QL_BM_BITS;
    quicklistBookmark bookmarks[];/* 可选，重新分配内存时使用 */
} quicklist;

1.6 intset

set中如果存的是数字类型，底层数组用的是intset结构，配置默认512

set-max-intset-entries 512

可知，如果非数字或者数组大小超过设置的512个，就转换为hash结构。

1.7 跳表

1.7.1 结构

跳表就是在链表的基础上，增加了多级索引，通过索引位置跳转实现数据快速定位，时间复杂度O（logN）。注意前提条件是链表有序。

比如获取56只需要3次即可定位到目标数据³：

源码中的定义

/* ZSETs use a specialized version of Skiplists */
typedef struct zskiplistNode {
    sds ele;  /* 元素 */
    double score;  /* 分值 */
    struct zskiplistNode *backward;  /* 后退指针*/
    struct zskiplistLevel {
        struct zskiplistNode *forward;  /* 前进指针*/
        unsigned long span;  /* 后退指针*/
    } level[];  /* List<zskiplistNode> level */  
} zskiplistNode;

typedef struct zskiplist {
    struct zskiplistNode *header, *tail;
    unsigned long length;
    int level;
} zskiplist;

typedef struct zset {
    dict *dict;  /* hash结构，value->score */
    zskiplist *zsl;
} zset;

1.7.2 深度

redis中跳表的深度是由随机算法生成的，最大不超过32

/* Returns a random level for the new skiplist node we are going to create.
 * The return value of this function is between 1 and ZSKIPLIST_MAXLEVEL
 * (both inclusive), with a powerlaw-alike distribution where higher
 * levels are less likely to be returned.
 实现 随机level
 */
int zslRandomLevel(void) {
    //初始level = 1
    int level = 1;
    //ZSKIPLIST_P=0.25  满足随机数<16383,level+1
    while ((random()&0xFFFF) < (ZSKIPLIST_P * 0xFFFF))
        level += 1;
    //最终调整 不能大于 ZSKIPLIST_MAXLEVEL server.h中 默认 32 /* Should be enough for 2^64 elements */
    return (level<ZSKIPLIST_MAXLEVEL) ? level : ZSKIPLIST_MAXLEVEL;
}

1.8 转ziplist时机

• hash退化成为ziplist
  – hash中field数量<512
  – hash中所有filed和value都<64bytes
• skiplist退化成ziplist
  –元素数量<128
  –所有元素长度<64bytes

# Similarly to hashes and lists, sorted sets are also specially encoded in
# order to save a lot of space. This encoding is only used when the length and
# elements of a sorted set are below the following limits:
zset-max-ziplist-entries 128
zset-max-ziplist-value 64

2.Redis全局Hash

2.1 redis健值的存储结构

redis的k/v使用的是一张全局哈希表，每次根据key来做hash操作，定位到entry对象，注意这里entry中保存的不是value，而是key和value！

2.2 全局哈希表处理哈希冲突

使用链表处理哈希冲突，但是redis是采用追加的头结点的方式，也是为了速度考虑，因为新插入的数据被访问的频率一般来说比较高。

2.3 rehash的时机

当以下条件中的任意一个被满足时， 程序会自动开始对哈希表执行扩展操作：
（1）服务器目前没有在执行 BGSAVE 命令或者 BGREWRITEAOF 命令， 并且哈希表的负载因子大于等于 1 ；
（2）服务器目前正在执行BGSAVE 命令或者 BGREWRITEAOF 命令， 并且哈希表的负载因子大于等于 5

负载因子 = 节点数 / 桶数

注意节点数是指所有的key的数量，而并非已使用桶的数量，所以是可以超过1或者5的的

2.4 BGSAVE和BGREWIRTEROF

BGSAVE：生成RDB快照时主线程fork出的子进程，用于生成RDB文件
BGREWIRTEROF：AOF日志重写时主线程fork出的子进程

2.5 rehash过程

为了使rehash更高效，redis默认使用两张hash表，开始只往hash1中写入，当需要扩容的时候(负载因子默认1，used / size)，设置hash2容量 = hash1 * 2，然后把hash1中的数据rehash到hash2，最后释放hash1，hash1留作下次扩容时使用。

2.6 渐进式hash的过程

因为rehash由主线程来执行，如果数据量过大，会阻塞主线程。所以采用渐进式hash，将每次rehash的操作分摊到后续的读写请求里：即每次复制hash1一个桶中的entries到hash2中。

​如果后续一直没有请求进来，redis会有一个后台任务来定时复制数据到hash2。

3. Redis备份

3.1 AOF日志

配置append-only 默认no，即不开启AOF，启用需要改为yes
刷盘策略appendfsync有以下三种配置：

AOF日志恢复比快照慢，因为AOF存的是执行命令。

3.2 快照备份

1. redis默认使用bgsave命令来fork一个子线程来创建rdb快照文件。
2. 写时复制(Copy-On-Write)技术，子线程共享父线程内存，只有父线程操作某个key的时候，对这个key的内存创建副本，大大节省了内存开销。
3. 使用增量快照，在内存中记录两次快照间隔变更的数据，第二次快照只需要基于前一次快照更新变化的那部分数据。
4. 快照频率太快，频繁fork子线程会阻塞主线程；频率慢，则宕机丢失的数据会比较多。
5. redis4.0后支持aof+rdb快照的模式，两次快照之间的变更使用AOF日志，这样可以节省增量快照内存的开销，而且兼顾快照恢复快速的优势

3.3 混合模式

redis 4.0之后采用了AOF + RDB模式，在AOF重写的时候，会重写成RDB格式，这样一方面实现了AOF压缩，另外一方面又避免了AOF恢复数据慢的缺点，两全其美。

4. 内存回收

通过redis源码可以知道，含过期时间的key和永久key是分开存放到不同的dict中的

/* Redis database representation. There are multiple databases identified
 * by integers from 0 (the default database) up to the max configured
 * database. The database number is the 'id' field in the structure.
 redis 统一维护的key
 */
typedef struct redisDb {
    dict *dict;                 /* The keyspace for this DB   所有的 key 后面分类key */
    //定期过期规则  expire.c 的 activeExpireCycle 方法
    dict *expires;              /* Timeout of keys with a timeout set  设置过期时间的key  */
    dict *blocking_keys;        /* Keys with clients waiting for data (BLPOP) 阻塞的key */
    dict *ready_keys;           /* Blocked keys that received a PUSH 可读的key */
    dict *watched_keys;         /* WATCHED keys for MULTI/EXEC CAS  监测的key */
    int id;                     /* Database ID */
    long long avg_ttl;          /* Average TTL, just for stats */
    unsigned long expires_cursor; /* Cursor of the active expire cycle. */
    list *defrag_later;         /* List of key names to attempt to defrag one by one, gradually. */
} redisDb;

4.1 过期策略

4.1.1 惰性过期

过期后不作处理，删除操作延迟到下一次访问的时候，通过expireIfNeeded方法来执行清除。

int expireIfNeeded(redisDb *db, robj *key) {
	//如果没过期 返回0
    if (!keyIsExpired(db,key)) return 0;

    /* If we are running in the context of a slave, instead of
     * evicting the expired key from the database, we return ASAP:
     * the slave key expiration is controlled by the master that will
     * send us synthesized DEL operations for expired keys.
     *
     * Still we try to return the right information to the caller,
     * that is, 0 if we think the key should be still valid, 1 if
     * we think the key is expired at this time. */
	 //如果配置有masterhost主节点，说明这里是从节点，那么不操作增删改 不然就主从不一致了
    if (server.masterhost != NULL) return 1;

    /* Delete the key  */
    server.stat_expiredkeys++;
    //广播key过期事件给AOF日志和slave节点
    propagateExpire(db,key,server.lazyfree_lazy_expire);
    notifyKeyspaceEvent(NOTIFY_EXPIRED,
        "expired",key,db->id);
        //判断 是否有在进行定期过期   两个方法 一个异步，一个非异步
    int retval = server.lazyfree_lazy_expire ? dbAsyncDelete(db,key) :
                                               dbSyncDelete(db,key);
    if (retval) signalModifiedKey(NULL,db,key);
    return retval;
}

4.1.2 定期过期

redis.config中 hz 10 表示每10s执行一次清理，不建议设置太大。
默认开启了动态dynamic-hz，当高并发内存消耗过快时redis会适当调大hz，低峰期空闲时又会调小，提供了一种弹性机制。

# By default "hz" is set to 10. Raising the value will use more CPU when
# Redis is idle, but at the same time will make Redis more responsive when
# there are many keys expiring at the same time, and timeouts may be
# handled with more precision.
#
# The range is between 1 and 500, however a value over 100 is usually not
# a good idea. Most users should use the default of 10 and raise this up to
# 100 only in environments where very low latency is required.
hz 10
# Normally it is useful to have an HZ value which is proportional to the
# number of clients connected. This is useful in order, for instance, to
# avoid too many clients are processed for each background task invocation
# in order to avoid latency spikes.
#
# Since the default HZ value by default is conservatively set to 10, Redis
# offers, and enables by default, the ability to use an adaptive HZ value
# which will temporary raise when there are many connected clients.
#
# When dynamic HZ is enabled, the actual configured HZ will be used
# as a baseline, but multiples of the configured HZ value will be actually
# used as needed once more clients are connected. In this way an idle
# instance will use very little CPU time while a busy instance will be
# more responsive.
dynamic-hz yes

那么，每10s执行一次，如何获取这些过期的key呢，总不可能全部key扫一遍吧，看下图：

对应源码：

// 活跃过期周期
void activeExpireCycle(int type) {
    /* Adjust the running parameters according to the configured expire
     * effort. The default effort is 1, and the maximum configurable effort
     * is 10. */
    unsigned long
	// active_expire_effort 来源于 config.c  配置 active-expire-effort 默认值 redis.conf 看到默认 1
    effort = server.active_expire_effort-1, /* Rescale from 0 to 9. */
	// 20 + 20/4*0 还是20
    config_keys_per_loop = ACTIVE_EXPIRE_CYCLE_KEYS_PER_LOOP +
                           ACTIVE_EXPIRE_CYCLE_KEYS_PER_LOOP/4*effort,
    config_cycle_fast_duration = ACTIVE_EXPIRE_CYCLE_FAST_DURATION +
                                 ACTIVE_EXPIRE_CYCLE_FAST_DURATION/4*effort,
    config_cycle_slow_time_perc = ACTIVE_EXPIRE_CYCLE_SLOW_TIME_PERC +
                                  2*effort,
								  //第三步 自循环条件值来源 10 - 0
    config_cycle_acceptable_stale = ACTIVE_EXPIRE_CYCLE_ACCEPTABLE_STALE-
                                    effort;

    /* This function has some global state in order to continue the work
     * incrementally across calls. */
    static unsigned int current_db = 0; /* Last DB tested. */
    static int timelimit_exit = 0;      /* Time limit hit in previous call? */
    static long long last_fast_cycle = 0; /* When last fast cycle ran. */

    int j, iteration = 0;
    int dbs_per_call = CRON_DBS_PER_CALL;
    long long start = ustime(), timelimit, elapsed;

    /* When clients are paused the dataset should be static not just from the
     * POV of clients not being able to write, but also from the POV of
     * expires and evictions of keys not being performed. */
    if (clientsArePaused()) return;

    if (type == ACTIVE_EXPIRE_CYCLE_FAST) {
        /* Don't start a fast cycle if the previous cycle did not exit
         * for time limit, unless the percentage of estimated stale keys is
         * too high. Also never repeat a fast cycle for the same period
         * as the fast cycle total duration itself. */
        if (!timelimit_exit &&
            server.stat_expired_stale_perc < config_cycle_acceptable_stale)
            return;

        if (start < last_fast_cycle + (long long)config_cycle_fast_duration*2)
            return;

        last_fast_cycle = start;
    }

    /* We usually should test CRON_DBS_PER_CALL per iteration, with
     * two exceptions:
     *
     * 1) Don't test more DBs than we have.
     * 2) If last time we hit the time limit, we want to scan all DBs
     * in this iteration, as there is work to do in some DB and we don't want
     * expired keys to use memory for too much time. */
    if (dbs_per_call > server.dbnum || timelimit_exit)
        dbs_per_call = server.dbnum; //配置文件config.c 配置 dbnum默认16 ，是从databases里面拿的 而databases是redis.conf 配置的

    /* We can use at max 'config_cycle_slow_time_perc' percentage of CPU
     * time per iteration. Since this function gets called with a frequency of
     * server.hz times per second, the following is the max amount of
     * microseconds we can spend in this function. */
    timelimit = config_cycle_slow_time_perc*1000000/server.hz/100;//方法运行超时时间25*1000000/10/100=25000微秒，即25ms
    timelimit_exit = 0;
    if (timelimit <= 0) timelimit = 1;

    if (type == ACTIVE_EXPIRE_CYCLE_FAST)
        timelimit = config_cycle_fast_duration; /* in microseconds. */

    /* Accumulate some global stats as we expire keys, to have some idea
     * about the number of keys that are already logically expired, but still
     * existing inside the database. */
    long total_sampled = 0;
    long total_expired = 0;

	//循环DB，可配，默认16  不是单独的库是所有的都会去过期
    for (j = 0; j < dbs_per_call && timelimit_exit == 0; j++) {
        /* Expired and checked in a single loop. */
        unsigned long expired, sampled;

        redisDb *db = server.db+(current_db % server.dbnum);

        /* Increment the DB now so we are sure if we run out of time
         * in the current DB we'll restart from the next. This allows to
         * distribute the time evenly across DBs. */
        current_db++;

        /* Continue to expire if at the end of the cycle there are still
         * a big percentage of keys to expire, compared to the number of keys
         * we scanned. The percentage, stored in config_cycle_acceptable_stale
         * is not fixed, but depends on the Redis configured "expire effort". */
		 //do while 死循环   
        do {
            unsigned long num, slots;
            long long now, ttl_sum;
            int ttl_samples;
            iteration++;

            /* If there is nothing to expire try next DB ASAP. */
			//如果没有过期key,循环下一个DB
            if ((num = dictSize(db->expires)) == 0) {
                db->avg_ttl = 0;
                break;
            }
            slots = dictSlots(db->expires);
            now = mstime();

            /* When there are less than 1% filled slots, sampling the key
             * space is expensive, so stop here waiting for better times...
             * The dictionary will be resized asap. */
            if (num && slots > DICT_HT_INITIAL_SIZE &&
                (num*100/slots < 1)) break;

            /* The main collection cycle. Sample random keys among keys
             * with an expire set, checking for expired ones. */
            expired = 0;
            sampled = 0;
            ttl_sum = 0;
            ttl_samples = 0;

			//最多拿20个 config_keys_per_loop 这个往上可找到来源
            if (num > config_keys_per_loop)
                num = config_keys_per_loop;

            /* Here we access the low level representation of the hash table
             * for speed concerns: this makes this code coupled with dict.c,
             * but it hardly changed in ten years.
             *
             * Note that certain places of the hash table may be empty,
             * so we want also a stop condition about the number of
             * buckets that we scanned. However scanning for free buckets
             * is very fast: we are in the cache line scanning a sequential
             * array of NULL pointers, so we can scan a lot more buckets
             * than keys in the same time. */
            long max_buckets = num*20;//20*20= 400个桶
            long checked_buckets = 0; //检查的hash桶数量

			//如果拿到的key大于20 或者  循环的checked_buckets大于400，跳出
            while (sampled < num && checked_buckets < max_buckets) {
				//检查2个table的原因 ，扩容的时候两个hashtable里面都会有数据
                for (int table = 0; table < 2; table++) {
					//判断是否 table=1（第二个桶） 并且 没有在rehashing扩容中 说明第二个桶里面没有
					//扩容中两个桶都会有数据，扩容之后会第二个桶置空
                    if (table == 1 && !dictIsRehashing(db->expires)) break;
					//  db->expires 设置了过期时间的
                    unsigned long idx = db->expires_cursor;
                    idx &= db->expires->ht[table].sizemask;
					//根据index拿到hash桶
                    dictEntry *de = db->expires->ht[table].table[idx];
                    long long ttl;

                    /* Scan the current bucket of the current table. */
                    checked_buckets++;
					//循环hash桶里的key 
                    while(de) {
                        /* Get the next entry now since this entry may get
                         * deleted. */
                        dictEntry *e = de;
                        de = de->next;

                        ttl = dictGetSignedIntegerVal(e)-now;
						//检查是否过期  第一步 和 第二步的 到此结束
                        if (activeExpireCycleTryExpire(db,e,now)) expired++;
                        if (ttl > 0) {
                            /* We want the average TTL of keys yet
                             * not expired. */
                            ttl_sum += ttl;
                            ttl_samples++;
                        }
                        sampled++;
                    }
                }
                db->expires_cursor++;
            }
            total_expired += expired;
            total_sampled += sampled;

            /* Update the average TTL stats for this database. */
            if (ttl_samples) {
                long long avg_ttl = ttl_sum/ttl_samples;

                /* Do a simple running average with a few samples.
                 * We just use the current estimate with a weight of 2%
                 * and the previous estimate with a weight of 98%. */
                if (db->avg_ttl == 0) db->avg_ttl = avg_ttl;
                db->avg_ttl = (db->avg_ttl/50)*49 + (avg_ttl/50);
            }

            /* We can't block forever here even if there are many keys to
             * expire. So after a given amount of milliseconds return to the
             * caller waiting for the other active expire cycle. */
			 //检查16次
            if ((iteration & 0xf) == 0) { /* check once every 16 iterations. */
                elapsed = ustime()-start;
                if (elapsed > timelimit) {
                    timelimit_exit = 1;
                    server.stat_expired_time_cap_reached_count++;
                    break;
                }
            }
            /* We don't repeat the cycle for the current database if there are
             * an acceptable amount of stale keys (logically expired but yet
             * not reclaimed). */
			// 自循 条件 第三步： sampled==0 表示没有拿到设置过期数据 ；config_cycle_acceptable_stale值往上
				//过期的*100/拿到过期取样的数据 > 10 是不是超过了百分之10 就继续
		
        } while (sampled == 0 ||
                 (expired*100/sampled) > config_cycle_acceptable_stale);
    }

1. 首先会对16个db遍历，因为定期策略针对全部db
2. 首先内层的while循环会根据桶的维度去清理过期key，通过masksize随机取桶的idx（idx &= db->expires->ht[table].sizemask本人不太确定是否随机）
3. 每拿完一个桶，就去判断是否遍历了超过20个，没拿够就继续下个桶⁴
4. 拿了400个桶后如果依然不够20个，有几个就算几个，直接跳外层循环
5. 外层会判断2个极端情况：还是只拿到0个；清理的key超过总样本的10%，满足这两个条件就会接着2→3→4→5
6. 外层每循环16次会检查一次执行时间是否>25ms，超时则跳出，否则接着奏乐接着舞

4.2 淘汰策略

当内存使用达到上限时，redis提供了8种淘汰策略：

这里主要分析一下LRU和LFU

4.2.1 LRU

1. 首先，redisObject中保留了24位lru时间戳，记录着每个key最近一次的访问时间
2. 当需要淘汰的时候会筛选出N个（maxmemory-samples默认5）候选数据进入候选集合pool，pool大小16，根据下面源码计算对象空闲时间idle
3. 只有idle大于pool中最小idle时才允许插入，这时就会淘汰头部idle最大的数据
4. 通过这种近似LRU的算法，而不是采用hash+doubleLink，极大节省了内存，而且samples调整为10的时候几乎接近真实LRU

/* Given an object returns the min number of milliseconds the object was never
 1. requested, using an approximated LRU algorithm. */
 //LRU 计算对象的空闲时间
unsigned long long estimateObjectIdleTime(robj *o) {
	//获取系统秒单位时间的最后24位
    unsigned long long lruclock = LRU_CLOCK();
	//因为只有24位，所有最大的值为2的24次方-1，194天
	//超过最大值从0开始，所以需要判断lruclock（当前系统时间）跟缓存对象的lru字段的大小
	//如果当前秒单位大于等于redisObject对象的LRU的话
    if (lruclock >= o->lru) {
		//如果lruclock>=robj.lru，返回lruclock-o->lru，再转换单位ms
        return (lruclock - o->lru) * LRU_CLOCK_RESOLUTION;

        //lruclock已经预生成
    } else {
		//否则采用lruclock + (LRU_CLOCK_MAX - o->lru)，得到lru的值越小，表明越早被访问，则相减值越大越容易被淘汰
        return (lruclock + (LRU_CLOCK_MAX - o->lru)) *
                    LRU_CLOCK_RESOLUTION;
    }
}

4.2.2 LFU

采用LFU的时候，lru的高16位存访问时间戳，单位min；低8位存储访问的频次，上限255。

counter++的源码，在key被访问时调用：

/* Logarithmically increment a counter. The greater is the current counter value
 * the less likely is that it gets really implemented. Saturate it at 255.
 增加访问次数方法
 */
uint8_t LFULogIncr(uint8_t counter) {
	//如果已经到最大值255，返回255 ，8位的最大值
    if (counter == 255) return 255;
	//得到随机数（0-1）
    double r = (double)rand()/RAND_MAX;
	//LFU_INIT_VAL表示基数值,默认为5（在server.h配置） 防止刚加入就被干掉
    double baseval = counter - LFU_INIT_VAL;
	//如果当前counter小于基数，那么p=1,100%加
    if (baseval < 0) baseval = 0;
	//不然，按照几率是否加counter，同时跟baseval与lfu_log_factor相关
    //都是在分母，所以2个值越大，加counter几率越小，越大加的几率越小（所以刚才的255够不够的问题解决）
    double p = 1.0/(baseval*server.lfu_log_factor+1);
    if (r < p) counter++;  //p越小，几率也就越小
    return counter;
}

lfu-log-factor默认10，计算逻辑如下：

1. 取0~1之间的随机数r
2. 用当前counter - 5得到baseval
3. 计算p = 1 / (baseval*lfu_log_factor + 1)，显然lfu_log_factor 越大，p就越小，从而越不容易增长
4. 如果r < p则counter++

其中，factor的数值对应可访问次数通过redis-benchmark测试结论见下表：

counter–的源码，和LRU类似，在计算idle时调用：

/* If the object decrement time is reached decrement the LFU counter but
 * do not update LFU fields of the object, we update the access time
 * and counter in an explicit way when the object is really accessed.
 * And we will times halve the counter according to the times of
 * elapsed time than server.lfu_decay_time.
 * Return the object frequency counter.
 *
 * This function is used in order to scan the dataset for the best object
 * to fit: as we check for the candidate, we incrementally decrement the
 * counter of the scanned objects if needed. */
unsigned long LFUDecrAndReturn(robj *o) {
	//object.lru字段右移8位，得到前面16位的时间 (上次衰减时间)
    unsigned long ldt = o->lru >> 8;
	//lru字段与255进行 &与 运算（255代表8位的最大值），得到8位counter值
    unsigned long counter = o->lru & 255;
	//如果配置了 lfu_decay_time，用 LFUTimeElapsed(ldt) 除以配置的值
    //总的没访问的分钟时间/配置值，得到每分钟没访问衰减多少
	//默认得到的就是 一分钟减少一次
    unsigned long num_periods = server.lfu_decay_time ? LFUTimeElapsed(ldt) / server.lfu_decay_time : 0;
    if (num_periods)
		//不能减少为负数，非负数用couter值减去衰减值
        counter = (num_periods > counter) ? 0 : counter - num_periods;
    return counter;
}

lfu-decay-time默认1：LFUTimeElapsed(ldt)得到当前时间与上次访问时间的差，即多少min未访问，也就是默认1min衰减1次。

淘汰和LRU共用一套策略，调用LFUDecrAndReturn返回的counter被用作idle加入到候选集，参考LRU，不再赘述。

5. 主从复制

1. 采用读写分离

2. 从库使用如下命令和主库建立主从关系

   relicaof 主库ip 端口
   

3. 主从首次全量复制流程

   1. 从库发送psync ? -1命令给主库，表示需要同步;

   2. 主库回复FULLRESYNC + runId + offSet给从库，确认ok;

   3. 主库发送RDB文件给从库；

   4. 主库发送新写命令repl_buffer给从库。

      runId-redis实例的唯一id

      offSet-同步偏移量

4. 主从断链恢复后复制流程

   1. 主从断连后，主库会把断连期间的操作命令写入一个环形缓冲区repli_backlog_buffer;

   2. repli_backlog_buffer包含两个偏移量maste_repl_offset和slave_repl_offset，初始位置重合；

   3. 随着主库不断地写入或者更新，maste_repl_offset会不断增加；

   4. 恢复连接后，从库发送命令

      psync 主库runId slave_repl_offset
      

   5. 主库把断连期间的数据发送到repli_buffer

   6. 从库同步后更新slave_repl_offset，跳回d步骤，直至主从偏移量重合。

6. 哨兵sentinel

哨兵有两个作用：监控和选主，适用于主从，而redis cluster选主并不依赖哨兵，而是每个master之间维持心跳进行选主。

1. 监控是用于判断主库是否处于下线状态
2. 选主是选择一个从库作为新的主库

监控使用哨兵集群，少数服从多数，和大多数选主算法一样，为了避免脑裂，N取奇数，当N/2 + 1个都判定主库主观下线，则主库就被客观下线。

选主是通过一定的规则：

1. 剔除不健康从库，比如经常和主库断连，超过阈值10次的（ 配置down-after-milliseconds * 10）
2. 对剩余从库打分，选择top1作为主库，优先级如下:
   -可以手动设置slave-priority，这样就会优先选择高优先级的从库
   -选择同步偏移量最小的：min(master_repl_offset - slave_repl_offset)
   -如果偏移量都是0，则选择从库实例ID最小的