如何进行redis优化？（史上最全）

Posted 2022-12-01 架构师-尼恩

推荐：尼恩Java面试宝典（史上最全 + 面试必备）详请点击此链接

尼恩Java面试宝典，33个最新pdf，含2000多页，不断更新、持续迭代 具体详情，请点击此链接

如何进行redis优化？

来自于小伙伴的面试真题。

谈优化前我们首先要对Redis要有一个全局的认识，

Redis是单线程，Redis作为KV数据库包括访问框架，操作模块，索引模块，存储模块；

Redis的访问方式包括UNIX套接字和TCP；

操作模块和数据结构相关,包括string，list，set，Hash，Sorted Set;

索引模块是为了更迅速的通过key定位到value，Redis采用的索引方式是哈希表（其它常用的索引方式还包括B+树，字典树，跳表等)；

存储模块主要是负责分配及持久化，Redis支持的持久化方式包括RDB(快照)以及AOF(日志)；

尽量使用短的key

降低内存，减少哈希表的算法执行时间;

当然在精简的同时，不要完了key的“见名知意”。对于value有些也可精简，比如性别使用0、1。

不要存过大的数据;

过大的数据存取和删除都会更为耗时；

避免使用keys *

keys会导致查找的时间复杂度为0(n);

其它复杂度命令也要少用；Redis 命令参考 — Redis 命令参考有给出每个命令的时间复杂度;

keys *, 这个命令是阻塞的，即操作执行期间，其它任何命令在你的实例中都无法执行。

当redis中key数据量小时到无所谓，数据量大就很糟糕了。所以我们应该避免去使用这个命令。可以去使用SCAN,来代替。

在存到Redis之前先把你的数据压缩下

redis为每种数据类型都提供了两种内部编码方式，在不同的情况下redis会自动调整合适的编码方式。

设置 key 有效期

我们应该尽可能的利用key有效期。比如一些临时数据（短信校验码），过了有效期Redis就会自动为你清除！

设置过期时间，减少redis中的数据量，但要注意避免大量数据同时失效;

选择回收策略(maxmemory-policy)

当 Redis 的实例空间被填满了之后，将会尝试回收一部分key。

根据你的使用方式，强烈建议使用 volatile-lru（默认） 策略——前提是你对key已经设置了超时。

但如果你运行的是一些类似于 cache 的东西，并且没有对 key 设置超时机制，可以考虑使用 allkeys-lru 回收机制 。

maxmemory-samples 3 是说每次进行淘汰的时候 会随机抽取3个key 从里面淘汰最不经常使用的（默认选项）

maxmemory-policy 六种方式 :
volatile-lru：只对设置了过期时间的key进行LRU（默认值）
allkeys-lru ： 是从所有key里 删除 不经常使用的key
volatile-random：随机删除即将过期key
allkeys-random：随机删除
volatile-ttl ： 删除即将过期的
noeviction ： 永不过期，返回错误

减少不必要的连接；

能用连接池的情况下使用连接池；

使用bit位级别操作和byte字节级别操作来减少不必要的内存使用。

bit位级别操作：GETRANGE, SETRANGE, GETBIT and SETBIT
byte字节级别操作：GETRANGE and SETRANGE

尽可能地使用hashes哈希存储。

当业务场景不需要数据持久化时，关闭所有的持久化方式可以获得最佳的性能。

想要一次添加多条数据的时候可以使用管道。

限制redis的内存大小（64位系统不限制内存，32位系统默认最多使用3GB内存）

数据量不可预估，并且内存也有限的话，尽量限制下redis使用的内存大小，这样可以避免redis使用swap分区或者出现OOM错误。（使用swap分区，性能较低，如果限制了内存，当到达指定内存之后就不能添加数据了，否则会报OOM错误。可以设置maxmemory-policy，内存不足时删除数据。）

SLOWLOG [get/reset/len]

slowlog-log-slower-than 它决定要对执行时间大于多少微秒(microsecond，1秒 = 1,000,000 微秒)的命令进行记录。
slowlog-max-len 它决定 slowlog 最多能保存多少条日志，当发现redis性能下降的时候可以查看下是哪些命令导致的。

使用pipline批量操作数据，进行性能优化

redis的管道功能在命令行中没有，但是redis是支持管道的，在java的客户端(jedis)中是可以使用的：

示例代码

//注：具体耗时，和自身电脑有关(博主是在虚拟机中运行的数据)
/**
 * 不使用管道初始化1W条数据
 * 耗时：3079毫秒
 * @throws Exception
 */
@Test
public void NOTUsePipeline() throws Exception 
    Jedis jedis = JedisUtil.getJedis();
    long start_time = System.currentTimeMillis();
    for (int i = 0; i < 10000; i++) 
        jedis.set("aa_"+i, i+"");
    
    System.out.println(System.currentTimeMillis()-start_time);


/**
 * 使用管道初始化1W条数据
 * 耗时：255毫秒
 * @throws Exception
 */
@Test
public void usePipeline() throws Exception 
    Jedis jedis = JedisUtil.getJedis();

    long start_time = System.currentTimeMillis();
    Pipeline pipelined = jedis.pipelined();
    for (int i = 0; i < 10000; i++) 
        pipelined.set("cc_"+i, i+"");
    
    pipelined.sync();//执行管道中的命令
    System.out.println(System.currentTimeMillis()-start_time);

Instagram内存优化

Instagram可能大家都已熟悉，当前火热的拍照App，月活跃用户3亿。

Instagram所存图片3亿多时需要解决一个问题：

想知道每一张照片的作者是谁（通过图片ID反查用户UID），并且要求查询速度要相当的块，如果把它放到内存中使用String结构做key-value:

HSET "mediabucket:1155" "1155315" "939"
HGET "mediabucket:1155" "1155315"
"939"

测试：1百万数据会用掉70MB内存，3亿张照片就会用掉21GB的内存。

最好是一台EC2的 high-memory 机型就能存储（17GB或者34GB的，68GB的太浪费了）,想把它放到16G机型中还是不行的。

Instagram的开发者向Redis的开发者之一Pieter Noordhuis询问优化方案，得到的回复是使用Hash结构。具体的做法就是将数据分段，每一段使用一个Hash结构存储.

由于Hash结构会在单个Hash元素在不足一定数量时进行压缩存储，所以可以大量节约内存。

这一点在上面的String结构里是不存在的。而这个一定数量是由配置文件中的hash-zipmap-max-entries参数来控制的。

经过实验，将hash-zipmap-max-entries设置为1000时，性能比较好，超过1000后HSET命令就会导致CPU消耗变得非常大。

HSET "mediabucket:1155" "1155315" "939"
HGET "mediabucket:1155" "1155315"
"939"

测试：

1百万消耗16MB的内存。总内存使用也降到了5GB。

当然我们还可以优化，去掉mediabucket:key 前缀之后， 长度减少了12个字节。

HSET "1155" "315" "939"
HGET "1155" "315"
"939"

hash的应用

示例：我们要存储一个用户信息对象数据，包含以下信息：
key为用户ID，value为用户对象（姓名，年龄，生日等）如果用普通的key/value结构来存储，

主要有以下2种存储方式：

1. 将用户ID作为查找key,把其他信息封装成一个对象以序列化的方式存储

   缺点：增加了序列化/反序列化的开销，引入复杂适应系统（Complex adaptive system，简称CAS）修改其中一项信息时，需要把整个对象取回，并且修改操作需要对并发进行保护。

   

2. 用户信息对象有多少成员就存成多少个key-value对
   虽然省去了序列化开销和并发问题，但是用户ID为重复存储。

   

Redis提供的Hash很好的解决了这个问题，

提供了直接存取这个Map成员的接口。Key仍然是用户ID, value是一个Map，这个Map的key是成员的属性名，value是属性值

内部实现：

Redis Hashd的Value内部有2种不同实现，

Hash的成员比较少时，Redis为了节省内存会采用类似一维数组的方式来紧凑存储，而不会采用真正的HashMap结构，对应的value redisObject的encoding为zipmap,当成员数量增大时会自动转成真正的HashMap,此时encoding为ht)。

启动时WARNING优化

在我们启动redis时，默认会出现如下三个警告：

一、修改linux中TCP监听的最大容纳数量

WARNING: The TCP backlog setting of 511 cannot be enforced because 
/proc/sys/net/core/somaxconn is set to the lower value of 128.

在高并发环境下你需要一个高backlog值来避免慢客户端连接问题。

注意Linux内核默默地将这个值减小到/proc/sys/net/core/somaxconn的值，所以需要确认增大somaxconn和tcp_max_syn_backlog两个值来达到想要的效果。
echo 511 > /proc/sys/net/core/somaxconn

注意：这个参数并不是限制redis的最大链接数。如果想限制redis的最大连接数需要修改maxclients，默认最大连接数为10000

二、修改linux内核内存分配策略

错误日志：WARNING overcommit_memory is set to 0! Background save may fail under low memory condition. 
To fix this issue add 'vm.overcommit_memory = 1' to /etc/sysctl.conf and then reboot or 
run the command 'sysctl vm.overcommit_memory=1'

原因：

redis在备份数据的时候，会fork出一个子进程，理论上child进程所占用的内存和parent是一样的，比如parent占用的内存为8G，这个时候也要同样分配8G的内存给child,如果内存无法负担，往往会造成redis服务器的down机或者IO负载过高，效率下降。

所以内存分配策略应该设置为 1（表示内核允许分配所有的物理内存，而不管当前的内存状态如何）。
内存分配策略有三种
可选值：0、1、2。
0， 表示内核将检查是否有足够的可用内存供应用进程使用；如果有足够的可用内存，内存申请允许；否则，内存申请失败，并把错误返回给应用进程。
1， 不管需要多少内存，都允许申请。
2， 只允许分配物理内存和交换内存的大小(交换内存一般是物理内存的一半)。

三、关闭Transparent Huge Pages(THP)

THP会造成内存锁影响redis性能，建议关闭

Transparent HugePages ：用来提高内存管理的性能
Transparent Huge Pages在32位的RHEL 6中是不支持的
执行命令 echo never > /sys/kernel/mm/transparent_hugepage/enabled
把这条命令添加到这个文件中/etc/rc.local

性能分析方法:

1.慢操作日志:

CONFIG SET slowlog-log-slower-than 0 单位是微秒,若设置为0则相当于记录了所有的操作

CONFIG SET slowlog-max-len 10000000 最大慢日志长度

slowlog get 10 查看redis操作的执行耗时；

2.基准测试

redis-cli --intrinsic-latency 120 (120是测试时间)

基准测试要在系统无压力下进行，是为了排除硬件网络等本身就有较大的延迟，当执行延迟达到基准测试时间2倍及以上可以认为redis是变慢了;

记录一份checklist:

1.获取当前环境的基线性能

2.是否使用了慢查询?

用其它命令代替慢查询命令
3.是否对过期key设置了相同的过期时间?

4.是否使用了bigkey?

采用异步删除

5.AOF的配置级别是什么？是否符合业务场景?

避免IO影响性能,关于IO这块看是否可以使用SSD磁盘

6.Redis内存是否占用过大?使用swap了吗?

如果使用了swap可能就需要考虑增加系统内存了

7.Redis运行环境中是否启用了大页机制？

启用了则需要关闭，对持久化不友好，持久化是有了修改就需要大量复制

8.是否使用了主从集群?

启用了主从集群需要控制数据量大小为2G-4G，避免主从复制带来大量的开销;

9.是否使用了多核心CPU？

可以给Redis绑定物理核

参考资料

http://www.infoq.com/cn/articles/tq-redis-memory-usage-optimization-storage
http://blog.nosqlfan.com/html/3379.html

https://blog.csdn.net/hi_software/article/details/123594462