HBase Block Cache实现机制分析

本文结合HBase 0.94.1版本源码，对HBase的Block Cache实现机制进行分析，总结学习其Cache设计的核心思想。

1. 概述

HBase上Regionserver的内存分为两个部分，一部分作为Memstore，主要用来写；另外一部分作为BlockCache，主要用于读。

• 写请求会先写入Memstore，Regionserver会给每个region提供一个Memstore，当Memstore满64MB以后，会启动 flush刷新到磁盘。当Memstore的总大小超过限制时（heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9），会强行启动flush进程，从最大的Memstore开始flush直到低于限制。
• 读请求先到Memstore中查数据，查不到就到BlockCache中查，再查不到就会到磁盘上读，并把读的结果放入BlockCache。由于BlockCache采用的是LRU策略，因此BlockCache达到上限(heapsize * hfile.block.cache.size * 0.85)后，会启动淘汰机制，淘汰掉最老的一批数据。

一个Regionserver上有一个BlockCache和N个Memstore，它们的大小之和不能大于等于heapsize * 0.8，否则HBase不能正常启动。

默认配置下，BlockCache为0.2，而Memstore为0.4。在注重读响应时间的应用场景下，可以将 BlockCache设置大些，Memstore设置小些，以加大缓存的命中率。

HBase RegionServer包含三个级别的Block优先级队列：

• Single：如果一个Block第一次被访问，则放在这一优先级队列中；
• Multi：如果一个Block被多次访问，则从Single队列移到Multi队列中；
• InMemory：如果一个Block是inMemory的，则放到这个队列中。

以上将Cache分级思想的好处在于：

• 首先，通过inMemory类型Cache，可以有选择地将in-memory的column families放到RegionServer内存中，例如Meta元数据信息；
• 通过区分Single和Multi类型Cache，可以防止由于Scan操作带来的Cache频繁颠簸，将最少使用的Block加入到淘汰算法中。

默认配置下，对于整个BlockCache的内存，又按照以下百分比分配给Single、Multi、InMemory使用：0.25、0.50和0.25。

注意，其中InMemory队列用于保存HBase Meta表元数据信息，因此如果将数据量很大的用户表设置为InMemory的话，可能会导致Meta表缓存失效，进而对整个集群的性能产生影响。

2. 源码分析

下面是对HBase 0.94.1中相关源码（org.apache.hadoop.hbase.io.hfile.LruBlockCache）的分析过程。

2.1加入Block Cache

/** Concurrent map (the cache) */

private final ConcurrentHashMap<BlockCacheKey,CachedBlock> map;

/**

* Cache the block with the specified name and buffer.

* <p>

* It is assumed this will NEVER be called on an already cached block. If

* that is done, an exception will be thrown.

*@param cacheKey block’s cache key

*@param buf block buffer

*@param inMemory if block is in-memory

*/

public void cacheBlock(BlockCacheKey cacheKey, Cacheable buf,boolean inMemory) {

CachedBlock cb = map.get(cacheKey);

if (cb !=null ) {

throw new RuntimeException(“Cached an already cached block”);

}

cb =new CachedBlock(cacheKey, buf, count.incrementAndGet(), inMemory);

long newSize = updateSizeMetrics(cb,false );

map.put(cacheKey, cb);

elements.incrementAndGet();

if (newSize > acceptableSize() && !evictionInProgress) {

runEviction();

}

}

/**

* Cache the block with the specified name and buffer.

* <p>

* It is assumed this will NEVER be called on an already cached block. If

* that is done, it is assumed that you are reinserting the same exact

* block due to a race condition and will update the buffer but not modify

* the size of the cache.

*@param cacheKey block’s cache key

*@param buf block buffer

*/

public void cacheBlock(BlockCacheKey cacheKey, Cacheable buf) {

cacheBlock(cacheKey, buf,false );

}

1） 这里假设不会对同一个已经被缓存的BlockCacheKey重复放入cache操作；

2） 根据inMemory标志创建不同类别的CachedBlock对象：若inMemory为true则创建BlockPriority.MEMORY类型，否则创建BlockPriority.SINGLE；注意，这里只有这两种类型的Cache，因为BlockPriority.MULTI在Cache Block被重复访问时才进行创建，见CachedBlock的access方法代码：

/**

* Block has been accessed. Update its local access time.

*/

public void access(long accessTime) {

this .accessTime = accessTime;

if (this .priority == BlockPriority.SINGLE) {

this .priority = BlockPriority.MULTI;

}

}

3） 将BlockCacheKey和创建的CachedBlock对象加入到全局的ConcurrentHashMap map中，同时做一些更新计数操作；

4） 最后判断如果加入后的Block Size大于设定的临界值且当前没有淘汰线程运行，则调用runEviction()方法启动LRU淘汰过程：

/** Eviction thread */

private final EvictionThread evictionThread;

/**

* Multi-threaded call to run the eviction process.

*/

private void runEviction() {

if (evictionThread ==null ) {

evict();

}else {

evictionThread.evict();

}

}

其中，EvictionThread线程即是LRU淘汰的具体实现线程。下面将给出详细分析。

2.2淘汰Block Cache

EvictionThread线程主要用于与主线程的同步，从而完成Block Cache的LRU淘汰过程。

/*

* Eviction thread. Sits in waiting state until an eviction is triggered

* when the cache size grows above the acceptable level.<p>

*

* Thread is triggered into action by {@link LruBlockCache#runEviction()}

*/

private static class EvictionThreadextends HasThread {

private WeakReference<LruBlockCache> cache;

private boolean go =true ;

public EvictionThread(LruBlockCache cache) {

super (Thread.currentThread().getName() + “.LruBlockCache.EvictionThread”);

setDaemon(true );

this .cache =new WeakReference<LruBlockCache>(cache);

}

@Override

public void run() {

while (this .go) {

synchronized (this ) {

try {

this .wait();

}catch (InterruptedException e) {}

}

LruBlockCache cache =this .cache.get();

if (cache ==null )break ;

cache.evict();

}

}

public void evict() {

synchronized (this ) {

this .notify(); // FindBugs NN_NAKED_NOTIFY

}

}

void shutdown() {

this .go =false ;

interrupt();

}

}

EvictionThread线程启动后，调用wait被阻塞住，直到EvictionThread线程的evict方法被主线程调用时执行notify（见上面的代码分析过程，通过主线程的runEviction方法触发调用），开始执行LruBlockCache的evict方法进行真正的淘汰过程，代码如下：

/**

* Eviction method.

*/

void evict() {

// Ensure only one eviction at a time

if (!evictionLock.tryLock())return ;

try {

evictionInProgress =true ;

long currentSize =this .size.get();

long bytesToFree = currentSize – minSize();

if (LOG.isDebugEnabled()) {

LOG.debug(“Block cache LRU eviction started; Attempting to free ” +

StringUtils.byteDesc(bytesToFree) + ” of total=” +

StringUtils.byteDesc(currentSize));

}

if (bytesToFree <= 0)return ;

// Instantiate priority buckets

BlockBucket bucketSingle =new BlockBucket(bytesToFree, blockSize,

singleSize());

BlockBucket bucketMulti =new BlockBucket(bytesToFree, blockSize,

multiSize());

BlockBucket bucketMemory =new BlockBucket(bytesToFree, blockSize,

memorySize());

// Scan entire map putting into appropriate buckets

for (CachedBlock cachedBlock : map.values()) {

switch (cachedBlock.getPriority()) {

case SINGLE: {

bucketSingle.add(cachedBlock);

break ;

}

case MULTI: {

bucketMulti.add(cachedBlock);

break ;

}

case MEMORY: {

bucketMemory.add(cachedBlock);

break ;

}

}

}

PriorityQueue<BlockBucket> bucketQueue =

new PriorityQueue<BlockBucket>(3);

bucketQueue.add(bucketSingle);

bucketQueue.add(bucketMulti);

bucketQueue.add(bucketMemory);

int remainingBuckets = 3;

long bytesFreed = 0;

BlockBucket bucket;

while ((bucket = bucketQueue.poll()) !=null ) {

long overflow = bucket.overflow();

if (overflow > 0) {

long bucketBytesToFree = Math.min(overflow,

(bytesToFree – bytesFreed) / remainingBuckets);

bytesFreed += bucket.free(bucketBytesToFree);

}

remainingBuckets–;

}

if (LOG.isDebugEnabled()) {

long single = bucketSingle.totalSize();

long multi = bucketMulti.totalSize();

long memory = bucketMemory.totalSize();

LOG.debug(“Block cache LRU eviction completed; ” +

“freed=” + StringUtils.byteDesc(bytesFreed) + “, ” +

“total=” + StringUtils.byteDesc(this .size.get()) + “, ” +

“single=” + StringUtils.byteDesc(single) + “, ” +

“multi=” + StringUtils.byteDesc(multi) + “, ” +

“memory=” + StringUtils.byteDesc(memory));

}

}finally {

stats.evict();

evictionInProgress =false ;

evictionLock.unlock();

}

}

1）首先获取锁，保证同一时刻只有一个淘汰线程运行；

2）计算得到当前Block Cache总大小currentSize及需要被淘汰释放掉的大小bytesToFree，如果bytesToFree小于等于0则不进行后续操作；

3） 初始化创建三个BlockBucket队列，分别用于存放Single、Multi和InMemory类Block Cache，其中每个BlockBucket维护了一个CachedBlockQueue，按LRU淘汰算法维护该BlockBucket中的所有CachedBlock对象；

4） 遍历记录所有Block Cache的全局ConcurrentHashMap，加入到相应的BlockBucket队列中；

5） 将以上三个BlockBucket队列加入到一个优先级队列中，按照各个BlockBucket超出bucketSize的大小顺序排序（见BlockBucket的compareTo方法）；

6） 遍历优先级队列，对于每个BlockBucket，通过Math.min(overflow, (bytesToFree – bytesFreed) / remainingBuckets)计算出需要释放的空间大小，这样做可以保证尽可能平均地从三个BlockBucket中释放指定的空间；具体实现过程详见BlockBucket的free方法，从其CachedBlockQueue中取出即将被淘汰掉的CachedBlock对象：

public long free(long toFree) {

CachedBlock cb;

long freedBytes = 0;

while ((cb = queue.pollLast()) !=null ) {

freedBytes += evictBlock(cb);

if (freedBytes >= toFree) {

return freedBytes;

}

}

return freedBytes;

}

7） 进一步调用了LruBlockCache的evictBlock方法，从全局ConcurrentHashMap中移除该CachedBlock对象，同时更新相关计数：

protected long evictBlock(CachedBlock block) {

map.remove(block.getCacheKey());

updateSizeMetrics(block,true );

elements.decrementAndGet();

stats.evicted();

return block.heapSize();

}

8） 释放锁，完成善后工作。

3. 总结

以上关于Block Cache的实现机制，核心思想是将Cache分级，这样的好处是避免Cache之间相互影响，尤其是对HBase来说像Meta表这样的Cache应该保证高优先级。

原文链接: http://blog.linezing.com/2012/11/hbase-block-cache-mechanism