内存管理都不会，还做什么架构师？-优快云博客

内存管理，是架构师的基本功之一。如何掌握这项基本功，最好的方法是和开源的项目学习。memcache的内核设计，值得每一个架构师借鉴。

第一部分：知其然

关于memcache一些基础特性，架构师必须知道：

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）；
mc不支持持久化；
mc支持key过期；
mc持续运行很少会出现内存碎片，速度不会随着服务运行时间降低；
mc使用非阻塞IO复用网络模型，使用监听线程/工作线程的多线程模型；

memcache的这些特性，成竹在胸了吗？

第二部分：知其原理(why, what)

第一部分，只停留在使用层面，除此之外，架构师还必须了解原理。

(1) memcache为什么不支持复杂数据结构？为什么不支持持久化？

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不是它的初衷。

当然，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，这一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。

(2) memcache是用什么技术实现key过期的？

懒淘汰(lazy expiration)。

(3) memcache为什么能保证运行性能，且很少会出现内存碎片？

提前分配内存。

(4) memcache为什么要使用非阻塞IO复用网络模型，使用监听线程/工作线程的多线程模型，有什么优缺点？

目的是提高吞吐量。多线程能够充分的利用多核，但会带来一些锁冲突。

第三部分：知其所以然，知其内核(how)

一个对技术内核充满“好奇心”的架构师，必须了解细节，掌握内核。

画外音：本文刚刚开始。

(1) memcache是什么实现内存管理，以减小内存碎片，是怎么实现分配内存的？

开讲之前，先解释几个非常重要的概念：

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：为了避免复杂性，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：

能够发现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。

(2) 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，通过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。

(3) 为什么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不会再被其他的item所使用，即：实际上浪费了存储空间，来减少内存碎片，保证访问的速度。

画外音：理论上，内存碎片几乎不存在。

(4) memcache通过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：

通过hash表实现快速查找；
通过链表来解决冲突；

用最朴素的方式，实现key的快速查找。

(5) 随着item的个数不断增多，hash冲突越来越大，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将数据重新分布，以保证查找效率不会不断降低。

(6) 扩展hash表之后，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（肯定不能加一把大锁，迁移完成数据，再重新服务吧）？

哈希表扩展，数据迁移是一个耗时的操作，会有一个专门的线程来实施，为了避免大锁，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；

(7) 新的问题来了，对于已经存在于旧hash表中的item，可以通过上述方式迁移，那么在item迁移的过程中，如果有新的item插入，是应该插入旧hash表还是新hash表呢？

memcache的做法是，判断旧hash表中，item应该插入的桶，是否已经迁移至新表中：

如果已经迁移，则item直接插入新hash表；
如果还没有被迁移，则直接插入旧hash表，未来等待迁移线程来迁移至新hash表；

(8) 为什么要这么做呢，不能直接插入新hash表吗？

memcache没有给出官方的解释，楼主揣测，这种方法能够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，以提升查询速度。

(9) memcache是怎么实现key过期的，懒淘汰(lazy expiration)具体是怎么玩的？

实现“超时”和“过期”，最常见的两种方法是：

启动一个超时线程，对所有item进行扫描，如果发现超时，则进行超时回调处理；
每个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，都需要有额外的资源消耗。

mc的查询业务非常简单，只会返回cache hit与cache miss两种结果，这种场景下，非常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，如果已经过期，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，判断未过期，返回对应的value值；
在第200s的时候，又有用户查询(get)了这个key，判断已过期，将item所在的chunk释放，返回cache miss；

这种方式的实现代价很小，消耗资源非常低：

在item里，加入一个过期时间属性；
在get时，加入一个时间判断；

内存总是有限的，chunk数量有限的情况下，能够存储的item个数是有限的，假如chunk被用完了，该怎么办？

(10) 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：

即使item的有效期设置为“永久”，也可能被淘汰；
如果要做全量数据缓存，一定要仔细评估，cache的内存大小，必须大于，全量数据的总大小，否则很容易踩坑；

(11) 挤掉哪一个item？怎么挤？

这里涉及LRU淘汰机制。

如果操作系统的内存管理，最常见的淘汰算法是FIFO和LRU：

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

使用LRU算法挤掉item，需要增加两个属性：

最近item访问计数；
最近item访问时间；

并增加一个LRU链表，就能够快速实现。

画外音：所以，管理chunk的每个slab，除了free_chunk_list，还有lru_list。

内存管理，你学废了吗？

知其然，知其所以然。

思路比结论更重要。

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

四、AI大模型商业化落地方案

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量