Redis系列之如何高效使用

本文将从防止阻塞和内存节约两个方面介绍如和高效使用Reids。

欢迎关注公众号：闲余说

使用Redis时，我们需要结合具体业务和Redis特性两方面来考虑如何设计使用方案。需要两个从两个方面考虑：

1. 防止阻塞
2. 节约内存

下面，我们将就上面两个点展开说明如何高效合理使用Redis。

防止阻塞

从阻塞章节我们知道，引起Redis阻塞可能的原因有内因和外因两方面。

内因规避

减少复杂命令的使用，或者有节制的使用。下面这些命令可以看做复杂命令（时间复杂度为O(N)或者更高）：SETRANGE, GETRANGE, MSET, MGET, MSETNX, HMSET, HMGET, HKEYS,HVALS, HGETALL, HSCAN, LTRIM, LINDEX, SMEMBERS, SUNION, SUNIONSTORE, SDIFF, SDIFFSTORE, ZUNIONSTORE, ZINTERSTORE, SINTER, SINTERSTORE。这些命令当操作的key或者field过多时将会导致Redis进程阻塞。
举例来说，对一个包含上十万甚至百万个field的hash执行hgetall操作，hgetall命令的时间复杂度为O(N)，此时N页特别大（上十万甚至百万）必然耗时很长。
从这个例子，我们可以发现至少两个不合理的地方：

1. 这种有大量元素的数据不应该存在，因为，我们并不能确定什么时候我们对它执行了复杂命令。
2. 如果真的不可规避超多元素的情况，在获取多个元素或者全量元素时，务必使用scan之类命令，且确保每次获取元素数量在一定范围，比如50等。

避免频繁生成RDB和AOF重写，尤其是高峰期。正常情况下，Redis比较时候缓存类型数据，当然为了保证数据不丢失，可以进行导出RDB和重新AOF。但需要确保一下几点：

1. 不要执行save等同步命令；
2. 尽量不要在高峰期进行持久化操作；
3. 尽量在从实例上做持久化操作；

如果必须频繁持久化，需要确保如下几点：

1. 保证CPU、内存充足，建议CPU和内存留出一定的buffer
2. 不要绑定CPU
3. 避免和CPU密集型服务混布
4. 如果多个Redis实例部署在同一台机器，注意规划好系统资源，可以考虑错峰持久化，避免同时持久化导致系统资源开销瞬间突增
5. 系统尽量不要开启HugePage，防止复制内存页过大而拖慢执行时间，且会导致持久化期间内存消耗增长

避免单Redis实例负载过高。Redis是单线程服务，当负载过大必然影响整体性能，可以通过如下方案提高读写能力：

1. 可以通过读写分离，从实例承接部分读请求，来降低主实例压力；
2. 如果读写压力都很大的话，需要考虑集群方案。

外因规避

通常，引起服务的外因无外乎CPU、内存和网络，导致Redis阻塞的原因同样也需要从这几方面去考虑。
CPU竞争导致Redis阻塞的问题原因在阻塞章节已经详细介绍过，关于解决方案，可以通过以下手段来规避：

1. 进程CPU资源竞争，建议不要和其他多线程CPU密集型服务混布，尤其是线上环境。另外，如果流量趋势有波动的服务，比如有早晚高峰，建议不要把流量波动一致的服务混布。
2. 绑定CPU，绑定CPU（设置CPU亲和力affinity）是为了降低Redis进程在不同CPU来回切换导致缓存命中率下降等引起的性能问题，但是，进程的CPU亲和力会继承给子进程，Redis进程fork出的子进程也共享该CPU。因此，如果需要频繁持久化的Redis不建议绑定CPU。

节约内存

系统优化

减少内存碎片，正常的碎片率（mem_fragmentation_ratio）在1.03左右。但是当存储的数据长短差异较大时，以下场景容易出现高内存碎片问题：

1. 频繁做更新操作，例如频繁对已存在的键执行append、setrange等更新操作。
2. 大量过期键删除，键对象过期删除后，释放的空间无法得到充分利用，导致碎片率上升。

出现高内存碎片问题时常见的解决方式如下：

1. 数据对齐：在条件允许的情况下尽量做数据对齐，比如数据尽量采用数字类型或者固定长度字符串等，但是这要视具体的业务而定，有些场景无法做到。
2. 安全重启：重启节点可以做到内存碎片重新整理，因此可以利用高可用架构，如Sentinel或Cluster，将碎片率过高的主节点转换为从节点，进行安全重启。

RDB生成和AOF重写会fork子进程，进而导致内存消耗。总结如下：

1. 正常情况下Redis产生的子进程并不需要消耗1倍的父进程内存，实际消耗根据期间写入命令量决定，但是依然要预留出一些内存防止溢出。
2. 需要设置sysctl vm.overcommit_memory=1允许内核可以分配所有的物理内存，防止Redis进程执行fork时因系统剩余内存不足而失败。
3. 排查当前系统是否支持并开启THP，如果开启建议关闭，防止copy-onwrite期间内存过度消耗。

用户优化

减小键值字符串长度

1. key可以通过字符串缩减来减少长度
2. value可以通过序列化和压缩来减少存储，也可以可以通过业务侧优化减少不必要的字段

尽量使用set而非append

因为字符串（SDS）存在预分配机制，日常开发中要小心预分配带来的内存浪费。

表-2 set & append 对比测试

操作	数据量	key大小	value大小	used_memory_human	used_memory_rss_human	mem_fragmentation_ratio	说明
set	100w	20B	100B	176.66M	180.19M	1.02	–
set	100w	20B	200B	283.47M	287.66M	1.01
set && append	100w	20B	100B+100B	497.10M	503.19M	1.01	先set，value大小为100B，随后append大小100B的数据

从上面的实验可以看出，同样存储100w条key大小为20B，value大小为200B的数据，通过set和append操作实现的和直接使用set实现多了近75% 的存储消耗。

字符串重构

字符串重构：指不一定把每份数据作为字符串整体存储，像json这样的数据可以使用hash结构，这样做有如下收益：

1. 使用二级结构存储也能帮我们节省内存。
2. 同时可以使用hmget、hmset命令支持字段的部分读取修改，而不用每次整体存取。

注意，这样样做的一个前提是json key-value对中value相对较小，下面是一个测试例子。

{
"id" : "12345678",
"title" : "redis-memory-optimization",
"chinese_url" : "http://www.redis.cn/topics/memory-optimization.html",
"english_url" : "https://redis.io/topics/memory-optimization"
}

代码-2 一个json实例

表-3 hash优化测试

数据量	数据结构	编码	key	value	配置	used_memory_human	used_memory_rss_human	mem_fragmentation_ratio	说明
100w	string	raw	20B	json字符串	默认	252.95M	258.04M	1.02
100w	hash	hashtbale	20B	key-value	hash-max-ziplist-value 50	474.21M	484.27M	1.02
100w	hash	ziplist	20B	key-value	hash-max-ziplist-value 64	252.95M	258.09M	1.02

根据测试结构，hash-max-ziplist-value 50配置下使用hash类型，内存消耗不但没有降低反而比字符串存储多出2倍，而调整hash-max-ziplist-value 64之后内存降低为252.95M。因为json的chinese_url属性长度是51，调整配置后hash类型内部编码方式变为ziplist，相比字符串在内存使用上至少持平且支持属性的部分操作。
intset编码：intset编码是集合（set）类型编码的一种，内部表现为存储有序、不重复的整数集。当集合只包含整数且长度不超过set-max-intset-entries配置时被启用。

typedef struct intset {
uint32_t encoding;
uint32_t length;
int8_t contents[];
} intset;

代码-3 intset结构

encoding：整数表示类型，根据集合内最长整数值确定类型，整数类型划分为三种：int-16、int-32、int-64。intset保存的整数类型根据长度划分，当保存的整数超出当前类型时，将会触发自动升级操作且升级后不再做回退。升级操作将会导致重新申请内存空间，把原有数据按转换类型后拷贝到新数组。
使用intset编码的集合时，尽量保持整数范围一致，如都在int-16范围内。防止个别大整数触发集合升级操作，产生内存浪费。

控制键的数量

通过在客户端预估键规模，把大量键分组映射到多个hash结构中降低键的数量。简单的说就是复用key前缀。

总结

内存是相对宝贵的资源，通过合理的优化可以有效地降低内存的使用量，内存优化的思路包括：

1. 精简键值对大小，键值字面量精简，使用高效二进制序列化工具。
2. 使用对象共享池优化小整数对象。
3. 数据优先使用整数，比字符串类型更节省空间。
4. 优化字符串使用，避免预分配造成的内存浪费。
5. 使用ziplist压缩编码优化hash、list等结构，注重效率和空间的平衡。
6. 使用intset编码优化整数集合。
7. 使用ziplist编码的hash结构降低小对象链规模。

reference

Redis官网

Redis开发与运维

How Twitter Uses Redis To Scale - 105TB RAM, 39MM QPS, 10,000+ Instances

Latency Numbers Every Programmer Should Know