memcache内核，一文搞定！面试不再怕了！！！（值得收藏）

memcache是互联网分层架构中，使用最多的的KV缓存。面试的过程当中，memcache相关的问题几乎是必问的，关于memcache的面试提问，你能回答到哪个层次呢？
画外音：极可能关乎，你拿到offer的薪酬档位。

第一类问题：知道不知道

这一类问题，考察用没用过，知不知道，相对比较好回答。

关于memcache一些基础特性，使用过的小伙伴基本都能回答出来：
（1）mc的核心职能是KV内存管理，value存储最大为1M，它不支持复杂数据结构（哈希、列表、集合、有序集合等）；
（2）mc不支持持久化；
（3）mc支持key过时；
（4）mc持续运行不多会出现内存碎片，速度不会随着服务运行时间下降；
（5）mc使用非阻塞IO复用网络模型，使用监听线程/工做线程的多线程模型；

面对这类封闭性的问题，必定要斩钉截铁，毫无犹豫的给出回答。

第二类问题：为何(why)，什么(what)

这一类问题，考察对于一个工具，只停留在使用层面，仍是有原理性的思考。

memcache为何不支持复杂数据结构？为何不支持持久化？

业务决定技术方案，mc的诞生，以“以服务的方式，而不是库的方式管理KV内存”为设计目标，它颠覆的是，KV内存管理组件库，复杂数据结构与持久化并非它的初衷。

固然，用“颠覆”这个词未必不合适，库和服务各有使用场景，只是在分布式的环境下，服务的使用范围更广。设计目标，诞生背景很重要，这必定程度上决定了实现方案，就如redis的出现，是为了有一个更好用，更多功能的缓存服务。
画外音：我很喜欢问这个问题，大部分候选人面对这个没有标准答案的问题，状态多是蒙圈。

memcache是用什么技术实现key过时的？

懒淘汰(lazy expiration)。

memcache为何能保证运行性能，且不多会出现内存碎片？

提早分配内存。

memcache为何要使用非阻塞IO复用网络模型，使用监听线程/工做线程的多线程模型，有什么优缺点？

目的是提升吞吐量。
多线程可以充分的利用多核，但会带来一些锁冲突。

面对这类半开放的问题，有些并无标准答案，必定要回答出本身的思考和看法。

第三类问题：怎么作(how) | 文本刚开始

这一类问题，探测候选人理解得有多透，掌握得有多细，对技术有多刨根究底。
画外音：所谓“好奇心”，真的很重要，只想要“一份工做”的技术人很难有这种好奇心。

memcache是什么实现内存管理，以减少内存碎片，是怎么实现分配内存的？

开讲以前，先解释几个很是重要的概念：
chunk：它是将内存分配给用户使用的最小单元。
item：用户要存储的数据，包含key和value，最终都存储在chunk里。
slab：它会管理一个固定chunk size的若干个chunk，而mc的内存管理，由若干个slab组成。
画外音：为了不复杂性，本文先不引入page的概念了。

如上图所示，一系列slab，分别管理128B，256B，512B…的chunk内存单元。

将上图中管理128B的slab0放大：

可以发现slab中的一些核心数据结构是：

• chunk_size：该slab管理的是128B的chunk
• free_chunk_list：用于快速找到空闲的chunk
• chunk[]：已经预分配好，用于存放用户item数据的实际chunk空间
  画外音：其实还有lru_list。

假如用户要存储一个100B的item，是如何找到对应的可用chunk的呢？

会从最接近item大小的slab的chunk[]中，经过free_chunk_list快速找到对应的chunk，如上图所示，与item大小最接近的chunk是128B。

### 为何不会出现内存碎片呢？

拿到一个128B的chunk，去存储一个100B的item，余下的28B不会再被其余的item所使用，即：实际上浪费了存储空间，来减小内存碎片，保证访问的速度。
画外音：理论上，内存碎片几乎不存在。

memcache经过slab，chunk，free_chunk_list来快速分配内存，存储用户的item，那它又是如何快速实现key的查找的呢？
没有什么特别算法：

• 经过hash表实现快速查找
• 经过链表来解决冲突

用最朴素的方式，实现key的快速查找。

随着item的个数不断增多，hash冲突愈来愈大，hash表如何保证查询效率呢？

当item总数达到hash表长度的1.5倍时，hash表会动态扩容，rehash将数据从新分布，以保证查找效率不会不断下降。

扩展hash表以后，同一个key在新旧hash表内的位置会发生变化，如何保证数据的一致性，以及如何保证迁移过程服务的可用性呢（确定不能加一把大锁，迁移完成数据，再从新服务吧）？

哈希表扩展，数据迁移是一个耗时的操做，会有一个专门的线程来实施，为了不大锁，采用的是“分段迁移”的策略。

当item数量达到阈值时，迁移线程会分段迁移，对hash表中的一部分桶进行加锁，迁移数据，解锁：

• 一来，保证不会有长时间的阻塞，影响服务的可用性
• 二来，保证item不会在新旧hash表里不一致

新的问题来了，对于已经存在与旧hash表中的item，能够经过上述方式迁移，那么在item迁移的过程当中，若是有新的item插入，是应该插入旧hash表仍是新hash表呢？
memcache的作法是，判断旧hash表中，item应该插入的桶，是否已经迁移至新表中：

• 若是已经迁移，则item直接插入新hash表
• 若是尚未被迁移，则直接插入旧hash表，将来等待迁移线程来迁移至新hash表

为何要这么作呢，不能直接插入新hash表吗？
memcache没有给出官方的解释，楼主揣测，这种方法可以保证一个桶内的数据，只在一个hash表中（要么新表，要么旧表），任何场景下都不会出现，旧表新表查询两次，以提高查询速度。

memcache是怎么实现key过时的，懒淘汰(lazy expiration)具体是怎么玩的？

实现“超时”和“过时”，最多见的两种方法是：

• 启动一个超时线程，对全部item进行扫描，若是发现超时，则进行超时回调处理
• 每一个item设定一个超时信号通知，通知触发超时回调处理
  这两种方法，都须要有额外的资源消耗。

mc的查询业务很是简单，只会返回cache hit与cache miss两种结果，这种场景下，很是适合使用懒淘汰的方式。

懒淘汰的核心是：

• item不会被主动淘汰，即没有超时线程，也没有信号通知来主动检查
• item每次会查询(get)时，检查一下时间戳，若是已通过期，被动淘汰，并返回cache miss

举个例子，假如set了一个key，有效期100s：

• 在第50s的时候，有用户查询(get)了这个key，判断未过时，返回对应的value值
• 在第200s的时候，又有用户查询(get)了这个key，判断已过时，将item所在的chunk释放，返回cache miss

这种方式的实现代价很小，消耗资源很是低：

• 在item里，加入一个过时时间属性
• 在get时，加入一个时间判断

内存老是有限的，chunk数量有限的状况下，可以存储的item个数是有限的，假如chunk被用完了，该怎么办？

仍然是上面的例子，假如128B的chunk都用完了，用户又set了一个100B的item，要不要挤掉已有的item？
要。

这里的启示是：
（1）即便item的有效期设置为“永久”，也可能被淘汰；
（2）若是要作全量数据缓存，必定要仔细评估，cache的内存大小，必须大于，全量数据的总大小，不然很容易采坑；

挤掉哪个item？怎么挤？

这里涉及LRU淘汰机制。

若是操做系统的内存管理，最多见的淘汰算法是FIFO和LRU：

• FIFO(first in first out)：最早被set的item，最早被淘汰
• LRU(least recently used)：最近最少被使用(get/set)的item，最早被淘汰

使用LRU算法挤掉item，须要增长两个属性：

• 最近item访问计数
• 最近item访问时间
  并增长一个LRU链表，就可以快速实现。
  画外音：因此，管理chunk的每一个slab，除了free_chunk_list，还有lru_list。

思路比结论重要。

架构师之路-分享技术思路

文章较长，如有收获，帮忙转发+再看一下。

调研：面试memcache内核，你在哪一个档位？