Redis热点key寻找与优化

1.客户端

客户端实际上是距离key”最近”的地方，由于Redis命令就是从客户端发出的，例如在客户端设置全局字典(key和调用次数)，每次调用Redis命令时，使用这个字典进行记录，以下所示。

1 2 3 4 5 6 7 8 9 10 11 12

public static final AtomicLongMap<String> ATOMIC_LONG_MAP = AtomicLongMap.create(); String get(String key) { counterKey(key); //ignore } String set(String key, String value) { counterKey(key); //ignore } void counterKey(String key) { ATOMIC_LONG_MAP.incrementAndGet(key); }

为了减小对客户端代码的侵入，能够在Redis客户端的关键部分进行计数，例如Jedis的Connection类中的sendCommand方法是全部命令执行的枢纽。

1 2 3 4 5 6 7

public Connection sendCommand(final ProtocolCommand cmd, final byte[]... args) { //从参数中获取key String key = analysis(args); //计数 counterKey(key); //ignore }

同时为了防止ATOMIC_LONG_MAP过大，能够对其进行按期清理。

1 2 3

public void scheduleCleanMap() { ERROR_NAME_VALUE_MAP.clear(); }

使用客户端进行热点key的统计很是容易实现，可是同时问题也很是多：

(1). 没法预知key的个数，存在内存泄露的危险。

(2). 对于客户端代码有侵入，各个语言的客户端都须要维护此逻辑，维护成本较高。

(3). 只能了解当前客户端的热点key，没法实现规模化运维统计。

固然除了使用本地字典计数外，还可使用其余存储来完成异步计数，从而解决本地内存泄露问题。可是一样会存在第(2)(3)个问题。

2.代理端

像Twemproxy、Codis这些基于代理的Redis分布式架构，全部客户端的请求都是经过代理端完成的，以下图所示。此架构是最适合作热点key统计的，由于代理是全部Redis客户端和服务端的桥梁。但并非全部Redis都是采用此种架构。

3. Redis服务端

使用monitor命令统计热点key是不少开发和运维人员首先想到，monitor命令能够监控到Redis执行的全部命令，下面为一次monitor命令执行后部分结果。

1 2 3 4 5 6 7 8

1477638175.920489 [0 10.16.xx.183:54465] "GET" "tab:relate:kp:162818" 1477638175.925794 [0 10.10.xx.14:35334] "HGETALL" "rf:v1:84083217_83727736" 1477638175.938106 [0 10.16.xx.180:60413] "GET" "tab:relate:kp:900" 1477638175.939651 [0 10.16.xx.183:54320] "GET" "tab:relate:kp:15907" ... 1477638175.962519 [0 10.10.xx.14:35334] "GET" "tab:relate:kp:3079" 1477638175.963216 [0 10.10.xx.14:35334] "GET" "tab:relate:kp:3079" 1477638175.964395 [0 10.10.xx.204:57395] "HGETALL" "rf:v1:80547158_83076533"

如上图所示，利用monitor的结果就能够统计出一段时间内的热点key排行榜，命令排行榜，客户端分布等数据，例以下面的伪代码统计了最近10万条命令中的热点key。

1 2 3 4 5 6 7 8 9 10

//获取10万条命令 List<String> keyList = redis.monitor(100000); //存入到字典中，分别是key和对应的次数 AtomicLongMap<String> ATOMIC_LONG_MAP = AtomicLongMap.create(); //统计 for (String command : commandList) { ATOMIC_LONG_MAP.incrementAndGet(key); } //后续统计和分析热点key statHotKey(ATOMIC_LONG_MAP);

Facebook开源的redis-faina 正是利用上述原理使用Python语言实现的，例以下面获取最近10万条命令的热点key、热点命令、耗时分布等数据。为了减小网络开销以及加快输出缓冲区的消费速度，monitor尽量在本机执行。

redis-cli -p 6380 monitor | head -n 100000 | ./redis-faina.py

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Overall Stats ======================================== Lines Processed 50000 Commands/Sec 900.48 Top Prefixes ======================================== tab 27565 (55.13%) rf 15111 (30.22%) ugc 2051 (4.10%) ... Top Keys ======================================== tab:relate:kp:9350 2110 (4.22%) tab:relate:kp:15907 1594 (3.19%) ... Top Commands ======================================== GET 25700 (51.40%) HGETALL 15111 (30.22%) ... Command Time (microsecs) ======================================== Median 622.75 75% 1504.0 90% 2820.0 99% 6798.0

此种方法会有两个问题：

(1) 本书屡次强调monitor命令在高并发条件下，会存在内存暴增和影响Redis性能的隐患，因此此种方法适合在短期内使用。
(2) 只能统计一个Redis节点的热点key，对于Redis集群须要进行汇总统计。

4. 机器层面

第四章咱们介绍过，Redis客户端使用TCP协议与服务端进行交互，通讯协议采用的是RESP。若是站在机器的角度，能够经过对机器上全部Redis端口的TCP数据包进行抓取完成热点key的统计，以下图所示。

此种方法对于Redis客户端和服务端来讲毫无侵入，是比较完美的方案，可是依然存在两个问题：

(1) 须要必定的开发成本，可是一些开源方案实现了该功能，例如ELK(ElasticSearch Logstash Kibana)体系下的packetbeat[2] 插件，能够实现对Redis、MySQL等众多主流服务的数据包抓取、分析、报表展现。

(2) 因为是以机器为单位进行统计，要想了解一个集群的热点key，须要进行后期汇总。

最后经过下给出上述四种方案的特色。

方案	优势	缺点
客户端	实现简单	内存泄露隐患 维护成本高 只能统计单个客户端
代理	代理是客户端和服务端的桥梁，实现最方便最系统	增长代理端的开发部署成本
服务端	实现简单	monitor自己的使用成本和危害，只能短期使用 只能统计单个Redis节点
机器TCP流量	对于客户端和服务端无侵入和影响	须要专业的运维团队开发，而且增长了机器的部署成本

最后咱们给出三种解决热点key问题的思路，具体选用那种要根据具体业务场景来决定。

(1) 拆分复杂数据结构： 若是当前key的类型是一个二级数据结构，例如哈希类型。若是该哈希元素个数较多，能够考虑将当前hash进行拆分，这样该热点key能够拆分为若干个新的key分布到不一样Redis节点上，从而减轻压力。

(2) 迁移热点key：以Redis Cluster为例，能够将热点key所在的slot单独迁移到一个新的Redis节点上，但此操做会增长运维成本。

(3) 本地缓存加通知机制：能够将热点key放在业务端的本地缓存中，由于是在业务端的本地内存中，处理能力要高出Redis数十倍，但当数据更新时，此种模式会形成各个业务端和Redis数据不一致，一般会使用发布订阅机制来解决相似问题。