关系型数据库工作原理-高速缓存(翻译自Coding-Geek文章)

本文翻译自Coding-Geek文章:《 How does a relational database work》。

原文链接：http://coding-geek.com/how-databases-work/#Buffer-Replacement_strategies

先翻译高速缓存章节，后续有时间再翻译其它章节。翻译内容在原文的目录：

一、数据管理器

数据查询器执行查询操作，从数据表中获取数据，它向Data Manger发送请求，获取数据。其中存在2个问题：

1. 关系型数据使用事物模型，当数据库在执行修改操作时，不能执行查询操作。避免查询出脏数据。
2. 数据提取是最慢的数据库操作，因为数据要从磁盘上读取。因此，数据库必须要有一个非常强大的数据缓存系统。

本章，我们将看一下关系数据是如何解决这两个问题的。我们不会探讨数据库是如何从磁盘加载数据的，这个不是本文的重点(受篇幅所限，不展开分析)。

二、高速缓存器

正如我之前所言，数据库的性能瓶颈是I/O。为了提升性能，现代数据库都使用了高速缓存。

数据查询器从Cache Manger中获取数据，而不是直接从磁盘文件中读取数据。Cache Manger管理着一片内存区域，叫缓存池。 直接从内存获取数据，使得访问数据库的性能突飞猛进。但是，很难评估使用高速缓存的重要性有多大，这取决于你要做什么样的数据库操作。

• 顺序访问 VS 随机访问。
• 读操作 VS 写操作。

以及数据库使用的是什么样的磁盘

• 7.2k/10k/15k rpm HDD
• SSD
• RAID 1/5/…

但是，我敢说使用内存高速缓存比不适用缓存直接从磁盘读数据快100到10万倍。
这也导致另外一个问题(所有的数据库都有这个问题……)， 高速缓存器需要在查询器访问数据之前预取数据，否则查询器需要挂起，等待高速缓存器把数据从磁盘加载到内存先。

三、缓存数据预取

问题的核心就在“数据预取”。数据查询器清楚需要哪些数据，因为它了解每一次查询操作的具体要求，也清楚数据库表的存储结构。数据预取的基本逻辑是这样的：

1. 数据查询器在获取第一批数据时通知Cache Manger提前加载第二批数据到缓存中。
2. 数据查询器在获取第二批数据时通知Cache Manger提前加载第三批数据，而第一批数据可以从缓存中移除了。
3. …….

Cache Manger存储所有的数据在缓存池中。为了确定缓存池中数据是否正在被使用，Cache Manger需要维护一些关于这些数据的额外信息(被称之为锁的东西)。

但有时，数据查询器不清楚下一步需要什么数据，或者数据库没有提供指定预取哪些数据的功能。取而代之，数据库提供的是随机预取功能(例如，查询了数据1,2,3后，它因为你可能还需要7,8,9，提前把7,8,9加载到缓存中)或者顺序缓存功能（执行一次查询后，将磁盘上查询数据临近的其它数据也预取到缓存中）。

为了评估Cache Manger预期机制工作的效果，现代数据库系统提供一个指标度量：缓存命中率。缓存命中率描述查询器从缓存中拿到数据的几率（在不需要读磁盘文件的情况下）。

说明：糟糕的缓存命中率，并不总是意味Cache工作得不好。更多信息可参考Oracle说明文档。

但是，高速缓存内存大小是受限的，缓存内容需要不断吐故纳新。缓存数据的加载和移除都需要消耗磁盘I/O和网络I/O资源。如果某个查询操作要经常执行，缓存数据频繁的加载和移除是非常低效的。为了解决这个问题，现代数据库都使用了一些缓存置换策略。

四、缓存置换策略

大多数现代数据库缓存置换策略都使用LRU算法，至少SQL Server, MySQL, Oracle and DB2是这样的。

1. LRU

LRU的意思是非最近当前使用。这个算法的是基于这样一种假设：最近使用过的数据，在将来被再次使用的概率很大，需要驻留在缓存中；反之，非最近当前使用的数据可移除。

为了方便理解，我们假设缓存中的数据未被加锁(因此可被移除)。举个例子说明它的工作原理，这个简单的示例中缓存池能容纳3个数据。

1. Cache Manger使用数据1后，将1放入缓存。
2. Cache Manger使用数据4后，将4放入缓存。
3. Cache Manger使用数据3后，将3放入缓存。
4. Cache Manger使用数据9后，将9放入缓存。由于缓存已满，需要先移除一条数据；移除哪一条？
   根据LRU原则，1是最远当前使用的数据，移除1后加入9。
5. Cache Manger使用数据4后放入缓存，4变成了最近被使用过的数据。调整顺序。
6. Cache Manger使用数据1后放入缓存，1变成了最近被使用过的数据。3被移除。
7. ……

算法OK，但有一些限制，如果读取的是一张大表呢？ 换言之，读取的表数据太大，超过了缓存空间的大小。使用该算法将清除缓存之前所有的数据，即使新加载上来的这张大表数据只会使用一次就不再使用。

2. 算法改进

为解决这个问题，一些数据库管理系统加了一些特殊规则。例如：Oracle规则说明：

对于超级大表的读取，直接从磁盘文件中读取数据，避免是用高速缓存。对于中型表，可以从磁盘文件直接读也可以用缓存；如果使用缓存应该把读取的数据放到LRU列表末尾(这样，新加入缓存数据时将先把该表的数据移除)。

LRU算法有高级版本，叫LRU-K。例如SQL Server使用的LRU-K, K=2。K代表的是考虑最近时间段，数据访问的次数。
前面的例子是LRU-K算法最简单的例子，只考虑一次访问，K = 1。LRU-K的原理如下：

1. 记录数据的最近访问次数(最多记录K次)。
2. 根据数据访问次数，设置一个权值。最近访问次数越多的权值越大。
3. 当一批新的数据加载到缓存中时，权值大的数据不会被移除，即使该数据是很早就加载到缓存中的。
4. 如果数据长时间未被再使用，权值会逐渐降低。

权值的计算是很耗资源的，这也是为什么 SQL Server使用K=2的原因。这种设置方式，投入产出比较高。

想更深入的了解LRU算法，可以参考一下算法文档（文档google）。

3. 其它算法

还有一些其它算法策略，用于管理高速缓存器。

• 2Q(类似LRU-K算法)
• CLOCK(类似LRU-K算法)
• MRU（用得比较多的算法，逻辑类似LRU，用的是另一套规则）
• LRFU(最近、最频繁使用算法)
• ……

一些数据库允许你使用除默认算法外的其它算法。多种方式可选。

五、写缓存器

前讨论的最多的是读缓存器，它在数据使用之前将其提前加载到内存。数据库中还存在一种写缓存器，它将多次操作修改的数据存储累计起来，一次写到磁盘文件。降低对磁盘IO的频繁访问(数据库瓶颈在I/O)。

谨记，高速缓存中存储的是分页数据而不是人们直观印象中的行数据。如果缓存中的某一页数据被修改了，还没有保存到磁盘上，这页被称为“脏页”。有多种策略算法能评估脏页数据写到磁盘上的最佳时机，而这也和事物强相关(事务是下一章节将展开的内容)。

已翻译的《How does a relational database work》其它章节链接：
1. 关系型数据库工作原理-时间复杂度：http://blog.csdn.net/ylforever/article/details/51205332
2. 关系型数据库工作原理-归并排序：http://blog.csdn.net/ylforever/article/details/51216916
3. 关系型数据库工作原理-数据结构：http://blog.csdn.net/ylforever/article/details/51278954
4. 关系型数据库工作原理-高速缓存：http://blog.csdn.net/ylforever/article/details/50990121
5. 关系型数据库工作原理-事务管理(一)：http://blog.csdn.net/ylforever/article/details/51048945
6. 关系型数据库工作原理-事务管理(二)：http://blog.csdn.net/ylforever/article/details/51082294