摘要

分布式緩存被廣泛應用于以十億用戶規(guī)模服務于社交網(wǎng)絡和網(wǎng)絡應用。然而，典型的工作負載偏差會導致緩存服務器之間的負載不平衡。這種負載不平衡降低了請求吞吐量，并增加了請求延遲，從而降低了緩存的好處。最近的研究從理論上表明，前端一個小的完美緩存對分布式緩存的負載平衡有很大的影響。然而，確定在前端服務器上實現(xiàn)近乎完美的緩存的緩存大小和替換策略是一項挑戰(zhàn)，特別是對于動態(tài)變化和不斷變化的工作負載。這篇文章介紹了Cache on Track（CoT），這是一個用于云環(huán)境的分散、彈性和預測性的緩存框架。CoT是以下問題的答案：在緩存服務器端實現(xiàn)負載平衡所需的前端緩存大小是多少？CoT提出了一個新的緩存替換策略，專門為服務于傾斜工作負載的小型前端緩存量身定制。前端服務器使用重擊跟蹤算法來連續(xù)跟蹤top-k熱鍵。CoT從跟蹤的密鑰中動態(tài)緩存最熱的C密鑰。此外，每個前端服務器獨立地監(jiān)視其對緩存服務器負載不平衡的影響，并相應地調(diào)整其跟蹤器和緩存大小。我們的實驗表明，CoT的替換策略在不同的傾斜工作負載下，對于相同的緩存大小，始終超過LRU、LFU和ARC的命中率。此外，CoT的命中率略高于LRU-2當兩個策略的跟蹤（歷史）大小相同時。CoT實現(xiàn)了服務器大小的負載平衡，與其他替換策略相比，前端緩存減少了50%到93.75%。最后，我們的實驗表明，CoT的大小調(diào)整算法成功地自動配置了跟蹤器和緩存大小，以在工作負載分布發(fā)生變化的情況下實現(xiàn)后端負載平衡。

介紹

社交網(wǎng)絡、網(wǎng)絡和移動應用吸引了數(shù)億用戶[3，7]。這些用戶分享他們的關(guān)系，并在及時的個性化體驗中交換圖像和視頻[13]。為了實現(xiàn)這種實時體驗，底層存儲系統(tǒng)必須提供對大數(shù)據(jù)的高效、可擴展和高可用性訪問。社交網(wǎng)絡用戶消耗的數(shù)據(jù)比他們產(chǎn)生的數(shù)據(jù)多出幾個數(shù)量級[10]。此外，單頁加載需要數(shù)百個對象查找，這些對象查找需要在幾秒鐘內(nèi)完成[13]。因此，傳統(tǒng)的基于磁盤的存儲系統(tǒng)不適合處理這種規(guī)模的請求，因為磁盤的高訪問延遲和I/O吞吐量限制[50]。

為了克服這些限制，分布式緩存服務被廣泛地部署在每個客戶存儲的頂部，以便高效地為大規(guī)模的用戶請求提供服務[49]。Memcached[4]和Redis[5]等分布式緩存系統(tǒng)被Amazon Elasti Cache[1]和Azure Redis Cache[2]等云服務提供商廣泛采用。這些緩存服務為直接訪問每一個電阻存儲層的系統(tǒng)提供了顯著的延遲和吞吐量提升。Redis和Memcached使用con-sistent散列[35]在多個緩存服務器之間分發(fā)密鑰。盡管一致散列確保了分配給每個緩存碎片的密鑰數(shù)量的公平分布，但它不考慮分配過程中每個密鑰的工作負載?，F(xiàn)實世界的工作負載通常是傾斜的，很少有鍵比其他鍵更熱[30]。這種傾斜導致緩存服務器之間的負載不平衡。

緩存層中的負載不平衡可能會對整個應用程序性能產(chǎn)生顯著影響。尤其是，它可能導致在接入頻率分布的尾部的操作延遲急劇增加[29]。此外，當工作負載偏差增加時，平均吞吐量降低，平均延遲增加[15]。當在依賴數(shù)據(jù)對象鏈中執(zhí)行操作時，實際工作負載的平均延遲和尾部延遲的這種增加是放大的[41]。一次Facebook頁面加載會在多輪數(shù)據(jù)獲取操作中檢索數(shù)百個對象[44，13]。最后，解決方案同樣會過度配置緩存層資源，以處理負載最重的緩存服務器所帶來的資源利用率最低的緩存服務器所帶來的影響。

為了解決負載不平衡問題，人們提出了多種方法，使用集中負載監(jiān)控[9，48]、服務器端負載監(jiān)控[29]或前端負載監(jiān)控[24]。Adya等人。[9] 提出將數(shù)據(jù)服務平面與控制平面分離的切片器?？刂破矫媸且粋€集中化的系統(tǒng)組件，它收集有關(guān)碎片訪問和服務器工作負載的元數(shù)據(jù)。它定期運行一個優(yōu)化算法，該算法決定重新分配、重新分區(qū)或復制密鑰空間的片段，以實現(xiàn)更好的后端負載平衡。Hong等人。[29]使用分布式服務器端負載監(jiān)控來解決負載不平衡問題。每個后端服務器都獨立地跟蹤其熱鍵和取消決定，以便將其熱鍵的工作負載分配給其他后端服務器。[9，48]和[29]中的解決方案要求后端更改緩存的密鑰-服務器映射并將新映射公布到所有的前端服務器。Fan等人。[24]使用分布式前端負載監(jiān)控方法。這種方法表明，在前端服務器中添加一個小緩存對解決后端負載不平衡有很大的影響。在前端服務器上緩存重量級用戶可以減少緩存服務器提供的密鑰之間的偏差，從而實現(xiàn)更好的后端負載平衡。Fan等人。理論上通過分析和仿真表明，每個前端都有一個小的完美緩存，解決了后端負載不平衡的問題。然而，完美的緩存實際上很難實現(xiàn)。為了動態(tài)地改變和發(fā)展工作負載，確定緩存大小和在前端實現(xiàn)接近每影響緩存的替換策略是一項挑戰(zhàn)。

在這篇文章中，我們提出了Cache-on-Track（CoT），它是一種分散的、彈性的、預測性強的前端服務器緩存。CoT pro提出了一個新的緩存替換策略，專門針對服務于傾斜工作負載的小型前端緩存。CoT使用一個小的前端緩存來解決后端負載不平衡的問題，如[24]中介紹的。然而，CoT并不認為前端有完美的緩存。CoT使用節(jié)省空間的算法[43]來跟蹤top-k重擊手。跟蹤信息允許CoT從top-k跟蹤的近似鍵中緩存出準確的top-C最熱鍵，以防止長尾的冷鍵和噪聲鍵替換緩存中的熱鍵。CoT是分散的，因為每個前端獨立地根據(jù)在這個特定前端服務的密鑰訪問分配來確定其熱鍵集。這種低成本的CoT解決了后端負載不平衡的問題，沒有引入單一的故障點或瓶頸，這些通常都是集中解決方案帶來的。此外，這使得CoT可以擴展到數(shù)千個前端服務器，這是社交網(wǎng)絡和現(xiàn)代web應用程序的共同要求。CoT是彈性的，因為每個前端使用其本地負載信息來監(jiān)視其對后端負載不平衡的貢獻。每個前端彈性地調(diào)整其跟蹤器和緩存大小，以減少由這個前端引起的負載不平衡。在工作負載發(fā)生變化的情況下，CoT除了動態(tài)調(diào)整跟蹤器和緩存大小之外，還動態(tài)調(diào)整前端跟蹤器與緩存的比率，以消除任何后端負載不平衡。

在傳統(tǒng)的架構(gòu)中，內(nèi)存大小是靜態(tài)的，緩存算法努力實現(xiàn)所有可用資源的最佳利用。然而，在云環(huán)境中，理論上存在有限的內(nèi)存和處理資源，而云站姿遷移是一種常態(tài)，云最終用戶的目標是實現(xiàn)其slo，同時減少所需的云資源，從而降低其貨幣部署成本。CoT的主要目標是在每個前端減少必要的前端緩存大小，以消除服務器端負載不平衡。減少前端緩存大小對于以下方面至關(guān)重要：1）它降低了部署前端緩存的金錢成本。為此，我們引用大衛(wèi)•洛米特（David Lomet）最近的著作[40，39，38]中的話，他指出成本/性能通常比純粹的性能更重要：“這里的論點不是沒有足夠的主內(nèi)存來保存數(shù)據(jù)，而是有一種成本更低的數(shù)據(jù)管理方法。”。

2） 在數(shù)據(jù)更新的情況下，當需要數(shù)據(jù)一致性時，增加前端緩存大小會顯著增加數(shù)據(jù)一致性管理技術(shù)的成本。請注意，社交網(wǎng)絡和現(xiàn)代web應用程序運行在成千上萬的前端服務器上。增加前端緩存大小不僅會使部署更大緩存的成本乘以前端服務器的數(shù)量，但也增加了一致性管理管道中的一些成本，包括a）跟蹤不同前端服務器中的密鑰體現(xiàn)的成本，b）將更新傳播到前端服務器的網(wǎng)絡和處理成本。3） 由于工作負載是傾斜的，我們的經(jīng)驗清楚地表明，添加更多前端緩存線的相對成本（以每個緩存線的平均緩存命中率和后端負載不平衡減少來衡量）隨著前端緩存大小的增加而急劇減少。

CoT的調(diào)整大小算法根據(jù)動態(tài)工作負載的變化動態(tài)地增加或減少前端分配的內(nèi)存。CoT的動態(tài)調(diào)整大小算法在不同的云設置中很有價值

1） 所有前端服務器部署在同一個數(shù)據(jù)中心，并獲得相同的動態(tài)演進工作負載分布；2）所有前端服務器部署在同一個數(shù)據(jù)中心，但獲得不同的動態(tài)演進工作負載分布，
最終3）前端服務器部署在不同的邊緣數(shù)據(jù)中心，并獲得不同的動態(tài)變化的工作負載分布。特別是，CoT旨在從每個單獨的前端服務器的角度捕捉本地趨勢。在社交網(wǎng)絡應用程序中，服務于不同地理區(qū)域的前端服務器可能會經(jīng)歷不同的密鑰訪問分布和不同的本地趨勢（例如，邁阿密與紐約）。類似地，在大型數(shù)據(jù)處理管道中，幾個應用程序部署在共享緩存層的頂部。每個應用程序可能對不同的數(shù)據(jù)分區(qū)感興趣，因此體驗不同的密鑰訪問分布和本地趨勢。CoT在前端服務器上運行的是細粒度密鑰級別，而Slicer[9]這樣的解決方案在緩存服務器上運行的是較粗的細粒度切片或碎片。服務器端解決方案是對CoT的補充。雖然捕獲本地趨勢可以減輕緩存服務器之間的負載并減少負載不平衡，但其他因素可能會導致負載不平衡，因此使用服務器端負載平衡（例如切片器）可能仍然是有益的。

我們在本文中的貢獻總結(jié)如下。

•緩存在軌（CoT）是一種分散的、有彈性的，

以及預測性的前端緩存框架

減少后端負載不平衡并改進

整體表現(xiàn)。

•

CoT動態(tài)地最小化所需的前端緩存大小，以實現(xiàn)后端負載平衡。與其他替代政策相比，CoT的內(nèi)置彈性是一個關(guān)鍵的新優(yōu)勢。

•

廣泛的實驗研究，將CoT的替代政策與傳統(tǒng)的以及最先進的替代政策，即LFU、LRU、ARC和LRU-2進行比較。實驗結(jié)果表明，與其他替換策略相比，CoT在不同工作負載下實現(xiàn)了服務器大小的負載平衡，前端緩存減少了50%到93.75%。

•實驗研究表明

成功地自動配置跟蹤程序和緩存

大小以實現(xiàn)后端負載平衡。

•在我們的實驗中，我們發(fā)現(xiàn)

YCSB的[19]加密工作負載發(fā)生器-

阿托爾。這個生成器生成的工作負載

明顯沒有承諾的那么偏斜

壓縮分布。

論文的其余部分安排如下。第二節(jié)介紹了系統(tǒng)和數(shù)據(jù)模型。在第3節(jié)中，我們通過介紹在前端使用LRU、LFU、ARC和LRU-k緩存的主要優(yōu)點和局限性來激勵CoT。我們在第四節(jié)介紹了嬰兒床的細節(jié)。第五節(jié)對膠輥的性能和運行費用進行了評估，第六節(jié)對相關(guān)工作進行了討論，第七節(jié)對論文進行了總結(jié)。

論文PDF版下載：https://arxiv.org/pdf/2006.08067