溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這期內容當中小編將會給大家帶來有關如何解碼Redis最易被忽視的CPU和內存占用高問題，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
我們在使用Redis時，總會碰到一些redis-server端CPU及內存占用比較高的問題。下面以幾個實際案例為例，來討論一下在使用Redis時容易忽視的幾種情形。
某用戶反映QPS不高，從監控看CPU確實偏高。既然QPS不高，那么redis-server自身很可能在做某些清理工作或者用戶在執行復雜度較高的命令，經排查無沒有進行key過期刪除操作，沒有執行復雜度高的命令。
上機器對redis-server進行perf分析，發現函數listSearchKey占用CPU比較高，分析調用棧發現在釋放連接時會頻繁調用listSearchKey，且用戶反饋說是使用的短連接，所以推斷是頻繁釋放連接導致CPU占用有所升高。
下面使用redis-benchmark工具分別使用長連接和短連接做一個對比實驗，redis-server為社區版4.0.10。
使用10000個長連接向redis-server發送50w次ping命令：
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 1（k=1表示使用長連接，k=0表示使用短連接)
最終QPS：
PING_INLINE: 92902.27 requests per second PING_BULK: 93580.38 requests per second
對redis-server分析，發現占用CPU最高的是readQueryFromClient，即主要是在處理來自用戶端的請求。
使用10000個短連接向redis-server發送50w次ping命令：
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 0
最終QPS：
PING_INLINE: 15187.18 requests per second PING_BULK: 16471.75 requests per second
對redis-server分析，發現占用CPU最高的確實是listSearchKey，而readQueryFromClient所占CPU的比例比listSearchKey要低得多，也就是說CPU有點“不務正業”了，處理用戶請求變成了副業，而搜索list卻成為了主業。所以在同樣的業務請求量下，使用短連接會增加CPU的負擔。
從QPS上看，短連接與長連接差距比較大，原因來自兩方面：
每次重新建連接引入的網絡開銷。
釋放連接時，redis-server需消耗額外的CPU周期做清理工作。（這一點可以嘗試從redis-server端做優化）
我們從代碼層面來看下redis-server在用戶端發起連接釋放后都會做哪些事情，redis-server在收到用戶端的斷連請求時會直接進入到freeClient。
void freeClient(client *c) {
listNode *ln;
/* .........*/
/* Free the query buffer */
sdsfree(c->querybuf);
sdsfree(c->pending_querybuf);
c->querybuf = NULL;
/* Deallocate structures used to block on blocking ops. */
if (c->flags & CLIENT_BLOCKED) unblockClient(c);
dictRelease(c->bpop.keys);
/* UNWATCH all the keys */
unwatchAllKeys(c);
listRelease(c->watched_keys);
/* Unsubscribe from all the pubsub channels */
pubsubUnsubscribeAllChannels(c,0);
pubsubUnsubscribeAllPatterns(c,0);
dictRelease(c->pubsub_channels);
listRelease(c->pubsub_patterns);
/* Free data structures. */
listRelease(c->reply);
freeClientArgv(c);
/* Unlink the client: this will close the socket, remove the I/O
* handlers, and remove references of the client from different
* places where active clients may be referenced. */
/* redis-server維護了一個server.clients鏈表，當用戶端建立連接后，新建一個client對象并追加到server.clients上，
當連接釋放時，需求從server.clients上刪除client對象 */
unlinkClient(c);
/* ...........*/
}
void unlinkClient(client *c) {
listNode *ln;
/* If this is marked as current client unset it. */
if (server.current_client == c) server.current_client = NULL;
/* Certain operations must be done only if the client has an active socket.
* If the client was already unlinked or if it's a "fake client" the
* fd is already set to -1. */
if (c->fd != -1) {
/* 搜索server.clients鏈表，然后刪除client節點對象，這里復雜為O(N) */
ln = listSearchKey(server.clients,c);
serverAssert(ln != NULL);
listDelNode(server.clients,ln);
/* Unregister async I/O handlers and close the socket. */
aeDeleteFileEvent(server.el,c->fd,AE_READABLE);
aeDeleteFileEvent(server.el,c->fd,AE_WRITABLE);
close(c->fd);
c->fd = -1;
}
/* ......... */所以在每次連接斷開時，都存在一個O(N)的運算。對于redis這樣的內存數據庫，我們應該盡量避開O(N)運算，特別是在連接數比較大的場景下，對性能影響比較明顯。雖然用戶只要不使用短連接就能避免，但在實際的場景中，用戶端連接池被打滿后，用戶也可能會建立一些短連接。
從上面的分析看，每次連接釋放時都會進行O(N)的運算，那能不能降復雜度降到O(1)呢？
這個問題非常簡單，server.clients是個雙向鏈表，只要當client對象在創建時記住自己的內存地址，釋放時就不需要遍歷server.clients。接下來嘗試優化下：
client *createClient(int fd) {
client *c = zmalloc(sizeof(client));
/* ........ */
listSetFreeMethod(c->pubsub_patterns,decrRefCountVoid);
listSetMatchMethod(c->pubsub_patterns,listMatchObjects);
if (fd != -1) {
/* client記錄自身所在list的listNode地址 */
c->client_list_node = listAddNodeTailEx(server.clients,c);
}
initClientMultiState(c);
return c;
}
void unlinkClient(client *c) {
listNode *ln;
/* If this is marked as current client unset it. */
if (server.current_client == c) server.current_client = NULL;
/* Certain operations must be done only if the client has an active socket.
* If the client was already unlinked or if it's a "fake client" the
* fd is already set to -1. */
if (c->fd != -1) {
/* 這時不再需求搜索server.clients鏈表 */
//ln = listSearchKey(server.clients,c);
//serverAssert(ln != NULL);
//listDelNode(server.clients,ln);
listDelNode(server.clients, c->client_list_node);
/* Unregister async I/O handlers and close the socket. */
aeDeleteFileEvent(server.el,c->fd,AE_READABLE);
aeDeleteFileEvent(server.el,c->fd,AE_WRITABLE);
close(c->fd);
c->fd = -1;
}
/* ......... */優化后短連接測試
使用10000個短連接向redis-server發送50w次ping命令：
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 0
最終QPS：
PING_INLINE: 21884.23 requests per second PING_BULK: 21454.62 requests per second
與優化前相比，短連接性能能夠提升30+%，所以能夠保證存在短連接的情況下，性能不至于太差。
有用戶通過定期執行info命令監視redis的狀態，這會在一定程度上導致CPU占用偏高。頻繁執行info時通過perf分析發現getClientsMaxBuffers、getClientOutputBufferMemoryUsage及getMemoryOverheadData這幾個函數占用CPU比較高。
通過Info命令，可以拉取到redis-server端的如下一些狀態信息（未列全）：
client
connected_clients:1
client_longest_output_list:0 // redis-server端最長的outputbuffer列表長度
client_biggest_input_buf:0. // redis-server端最長的inputbuffer字節長度
blocked_clients:0
Memory
used_memory:848392
used_memory_human:828.51K
used_memory_rss:3620864
used_memory_rss_human:3.45M
used_memory_peak:619108296
used_memory_peak_human:590.43M
used_memory_peak_perc:0.14%
used_memory_overhead:836182 // 除dataset外，redis-server為維護自身結構所額外占用的內存量
used_memory_startup:786552
used_memory_dataset:12210
used_memory_dataset_perc:19.74%
為了得到client_longest_output_list、client_longest_output_list狀態，需要遍歷redis-server端所有的client, 如getClientsMaxBuffers所示，可能看到這里也是存在同樣的O(N)運算。
void getClientsMaxBuffers(unsigned long *longest_output_list,
unsigned long *biggest_input_buffer) {
client *c;
listNode *ln;
listIter li;
unsigned long lol = 0, bib = 0;
/* 遍歷所有client, 復雜度O(N) */
listRewind(server.clients,&li);
while ((ln = listNext(&li)) != NULL) {
c = listNodeValue(ln);
if (listLength(c->reply) > lol) lol = listLength(c->reply);
if (sdslen(c->querybuf) > bib) bib = sdslen(c->querybuf);
}
*longest_output_list = lol;
*biggest_input_buffer = bib;
}
為了得到used_memory_overhead狀態，同樣也需要遍歷所有client計算所有client的outputBuffer所占用的內存總量，如getMemoryOverheadData所示：
struct redisMemOverhead *getMemoryOverheadData(void) {
/* ......... */
mem = 0;
if (server.repl_backlog)
mem += zmalloc_size(server.repl_backlog);
mh->repl_backlog = mem;
mem_total += mem;
/* ...............*/
mem = 0;
if (listLength(server.clients)) {
listIter li;
listNode *ln;
/* 遍歷所有的client, 計算所有client outputBuffer占用的內存總和，復雜度為O(N) */
listRewind(server.clients,&li);
while((ln = listNext(&li))) {
client *c = listNodeValue(ln);
if (c->flags & CLIENT_SLAVE)
continue;
mem += getClientOutputBufferMemoryUsage(c);
mem += sdsAllocSize(c->querybuf);
mem += sizeof(client);
}
}
mh->clients_normal = mem;
mem_total+=mem;
mem = 0;
if (server.aof_state != AOF_OFF) {
mem += sdslen(server.aof_buf);
mem += aofRewriteBufferSize();
}
mh->aof_buffer = mem;
mem_total+=mem;
/* ......... */
return mh;
}從上面的分析知道，當連接數較高時（O(N)的N大），如果頻率執行info命令，會占用較多CPU。
1）建立一個連接，不斷執行info命令
func main() {
c, err := redis.Dial("tcp", addr)
if err != nil {
fmt.Println("Connect to redis error:", err)
return
}
for {
c.Do("info")
}
return
}實驗結果表明，CPU占用僅為20%左右。
2）建立9999個空閑連接，及一個連接不斷執行info
func main() {
clients := []redis.Conn{}
for i := 0; i < 9999; i++ {
c, err := redis.Dial("tcp", addr)
if err != nil {
fmt.Println("Connect to redis error:", err)
return
}
clients = append(clients, c)
}
c, err := redis.Dial("tcp", addr)
if err != nil {
fmt.Println("Connect to redis error:", err)
return
}
for {
_, err = c.Do("info")
if err != nil {
panic(err)
}
}
return
}實驗結果表明CPU能夠達到80%，所以在連接數較高時，盡量避免使用info命令。
3）pipeline導致內存占用高
有用戶發現在使用pipeline做只讀操作時，redis-server的內存容量偶爾也會出現明顯的上漲, 這是對pipeline的使不當造成的。下面先以一個簡單的例子來說明Redis的pipeline邏輯是怎樣的。
下面通過golang語言實現以pipeline的方式從redis-server端讀取key1、key2、key3。
import (
"fmt"
"github.com/garyburd/redigo/redis"
)
func main(){
c, err := redis.Dial("tcp", "127.0.0.1:6379")
if err != nil {
panic(err)
}
c.Send("get", "key1") //緩存到client端的buffer中
c.Send("get", "key2") //緩存到client端的buffer中
c.Send("get", "key3") //緩存到client端的buffer中
c.Flush() //將buffer中的內容以一特定的協議格式發送到redis-server端
fmt.Println(redis.String(c.Receive()))
fmt.Println(redis.String(c.Receive()))
fmt.Println(redis.String(c.Receive()))
}而此時server端收到的內容為：
*2 $3 get $4 key1 *2 $3 get $4 key2 *2 $3 get $4 key3
下面是一段redis-server端非正式的代碼處理邏輯，redis-server端從接收到的內容依次解析出命令、執行命令、將執行結果緩存到replyBuffer中，并將用戶端標記為有內容需要寫出。等到下次事件調度時再將replyBuffer中的內容通過socket發送到client，所以并不是處理完一條命令就將結果返回用戶端。
readQueryFromClient(client* c) {
read(c->querybuf) // c->query="*2 $3 get $4 key1 *2 $3 get $4 key2 *2 $3 get $4 key3 "
cmdsNum = parseCmdNum(c->querybuf) // cmdNum = 3
while(cmsNum--) {
cmd = parseCmd(c->querybuf) // cmd: get key1、get key2、get key3
reply = execCmd(cmd)
appendReplyBuffer(reply)
markClientPendingWrite(c)
}
}考慮這樣一種情況：
如果用戶端程序處理比較慢，未能及時通過c.Receive()從TCP的接收buffer中讀取內容或者因為某些BUG導致沒有執行c.Receive()，當接收buffer滿了后，server端的TCP滑動窗口為0，導致server端無法發送replyBuffer中的內容，所以replyBuffer由于遲遲得不到釋放而占用額外的內存。當pipeline一次打包的命令數太多，以及包含如mget、hgetall、lrange等操作多個對象的命令時，問題會更突出。
上面幾種情況，都是非常簡單的問題，沒有復雜的邏輯，在大部分場景下都不算問題，但是在一些極端場景下要把Redis用好，開發者還是需要關注這些細節。建議：
盡量不要使用短連接；
盡量不要在連接數比較高的場景下頻繁使用info；
使用pipeline時，要及時接收請求處理結果，且pipeline不宜一次打包太多請求。
上述就是小編為大家分享的如何解碼Redis最易被忽視的CPU和內存占用高問題了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
