Redis进阶学习10---redis最佳实践
- Redis最佳实践
- 优雅的key结构
- BigKey问题
- BigKey的危害
- 如何发现BigKeys
- 如何删除bigKeys
- 恰当的数据类型
- 小总结
- 批处理优化
- Pipeline和原生命令
- MSET
- Pipeline
- 单机批处理小结
- 集群下的批处理
- 使用原生jedis提供的串行slot完成批处理优化
- 使用spring提供的并行slot完成批处理优化
- Pipeline和原生命令
- 持久化配置
- 慢查询
- 命令及安全配置
- 内存配置
- 数据内存的问题
- 内存缓冲区配置
- 集群最佳实践
- 集群完整性问题
- 集群带宽问题
- 集群还是主从
Redis最佳实践
优雅的key结构
Redis的Key虽然可以自定义，但最好遵循下面的几个最佳实践约定：
- 遵循基本格式：[业务名称]:[数据名]:[id]
- 长度不超过44字节
- 不包含特殊字符
例如：我们的登录业务，保存用户信息，其key是这样的：
优点：
- 可读性强
- 避免key冲突
- 方便管理
- 更节省内存: key是string类型，底层编码包含int、embstr和raw三种。embstr在小于44字节使用，采用连续内存空间，内存占用更小
当key可以转换为数字时，即key由数字组成，底层会编码为int，如果key长度小于44字节，采用embstr编码类型,否则采用非连续空间存储，为raw编码类型
BigKey问题
BigKey通常以Key的大小和Key中成员的数量来综合判定，例如：
- Key本身的数据量过大：虽然一个String类型的Key最大存储上限为512MB，但是如果该Key值为5 MB就已经算BigKey了,
- Key中的成员数过多：一个ZSET类型的Key，它的成员数量为10,000个。
- Key中成员的数据量过大：一个Hash类型的Key，它的成员数量虽然只有1,000个但这些成员的Value（值）总大小为100 MB。
memory usage key,该命令可以查看某个key加其value占用内存大小,但是由于该命令比较消耗cpu资源,因此不太推荐使用
推荐值：
- 单个key的value小于10KB
- 对于集合类型的key，建议元素数量小于1000
BigKey的危害
网络阻塞
- 对BigKey执行读请求时，少量的QPS就可能导致带宽使用率被占满，导致Redis实例，乃至所在物理机变慢
数据倾斜
- BigKey所在的Redis实例内存使用率远超其他实例，无法使数据分片的内存资源达到均衡
Redis阻塞
- 对元素较多的hash、list、zset等做运算会耗时较旧，使主线程被阻塞
CPU压力
- 对BigKey的数据序列化和反序列化会导致CPU的使用率飙升，影响Redis实例和本机其它应用
如何发现BigKeys
redis-cli --bigkeys
- 利用redis-cli提供的–bigkeys参数，可以遍历分析所有key，并返回Key的整体统计信息与每个数据类型的Top1的big key
scan扫描
- 自己编程，利用scan扫描Redis中的所有key，利用strlen、hlen等命令判断key的长度（此处不建议使用MEMORY USAGE）
scan相比于keys*的好处在于不会扫描所有key,不会导致主线程阻塞
代码语言：javascript复制 @Test
void testScan() {
int maxLen = 0;
long len = 0;
String cursor = "0";
do {
// 扫描并获取一部分key
ScanResult<String> result = jedis.scan(cursor);
// 记录cursor
cursor = result.getCursor();
List<String> list = result.getResult();
if (list == null || list.isEmpty()) {
break;
}
// 遍历
for (String key : list) {
// 判断key的类型
String type = jedis.type(key);
switch (type) {
case "string":
len = jedis.strlen(key);
maxLen = STR_MAX_LEN;
break;
case "hash":
len = jedis.hlen(key);
maxLen = HASH_MAX_LEN;
break;
case "list":
len = jedis.llen(key);
maxLen = HASH_MAX_LEN;
break;
case "set":
len = jedis.scard(key);
maxLen = HASH_MAX_LEN;
break;
case "zset":
len = jedis.zcard(key);
maxLen = HASH_MAX_LEN;
break;
default:
break;
}
if (len >= maxLen) {
System.out.printf("Found big key : %s, type: %s, length or size: %d %n", key, type, len);
}
}
} while (!cursor.equals("0"));
}第三方工具
- 利用第三方工具，如 Redis-Rdb-Tools 分析RDB快照文件，全面分析内存使用情况
网络监控
- 自定义工具，监控进出Redis的网络数据，超出预警值时主动告警
如何删除bigKeys
BigKey内存占用较多，即便时删除这样的key也需要耗费很长时间，导致Redis主线程阻塞，引发一系列问题。
- redis 3.0 及以下版本
如果是集合类型，则遍历BigKey的元素，先逐个删除子元素，最后删除BigKey
删除集合中的子元素，也是推荐采用游标扫描的方式进行删除
- Redis 4.0以后
Redis在4.0后提供了异步删除的命令：unlink
恰当的数据类型
例2：假如有hash类型的key，其中有100万对field和value，field是自增id，这个key存在什么问题？如何优化？
这是拥有100万个entries的hash占用大小
存在的问题：
- hash的entry数量超过500时，会使用哈希表而不是ZipList，内存占用较多。
- 可以通过hash-max-ziplist-entries配置entry上限。但是如果entry过多就会导致BigKey问题
redis可以通过CONFIG命令查看或设置配置项
重启即失效
方案二：拆分为string类型：
存在的问题：
- string结构底层没有太多内存优化，内存占用较多。
- 想要批量获取这些数据比较麻烦
方案三：拆分为小的hash，将 id / 100 作为key， 将id % 100 作为field，这样每100个元素为一个Hash
可以看到大hash分解为多个小hash占用的内存是最少的
因为，如果能确保每个小hash的entries数量不超过hash-max-ziplist-entries限制，底层就会使用ZipList进行存储，这样是最节约空间的
小总结
Key的最佳实践：
- 固定格式：[业务名]:[数据名]:[id]
- 足够简短：不超过44字节
- 不包含特殊字符
Value的最佳实践：
- 合理的拆分数据，拒绝BigKey
- 选择合适数据结构
- Hash结构的entry数量不要超过1000
- 设置合理的超时时间
批处理优化
Pipeline和原生命令
单个命令的执行流程
一次命令的响应时间 = 1次往返的网络传输耗时 1次Redis执行命令耗时
N条命令依次执行
N次命令的响应时间 = N次往返的网络传输耗时 N次Redis执行命令耗时
其实网络的传输耗时一般都在毫秒级别，但是命令的执行是在微妙级别的，因此当redis客户端需要传入n次命令到redis服务器进行执行的时候，大部分时间是花费在了网络数据传输上面，命令执行耗时反而可以忽略不计，那么想要提高多条命令的执行速度，就可以采用一次性将多条命令通过网络进行传输的方式，减少网络传输次数
N条命令批量执行
N次命令的响应时间 = 1次往返的网络传输耗时 N次Redis执行命令耗时
MSET
Redis提供了很多Mxxx这样的命令，可以实现批量插入数据，例如：
- mset
- hmset
利用mset批量插入10万条数据：
代码语言：javascript复制 @Test
void testMxx() {
String[] arr = new String[2000];
int j;
long b = System.currentTimeMillis();
for (int i = 1; i <= 100000; i ) {
j = (i % 1000) << 1;
arr[j] = "test:key_" i;
arr[j 1] = "value_" i;
if (j == 0) {
jedis.mset(arr);
}
}
long e = System.currentTimeMillis();
System.out.println("time: " (e - b));
}Pipeline
MSET虽然可以批处理，但是却只能操作部分数据类型，因此如果有对复杂数据类型的批处理需要，建议使用Pipeline功能：
Redis 管道技术可以在服务端未响应时，客户端可以继续向服务端发送请求，并最终一次性读取所有服务端的响应。
管道（pipeline）可以一次性发送多条命令并在执行完后一次性将结果返回，pipeline 通过减少客户端与 redis 的通信次数来实现降低往返延时时间，而且 Pipeline 实现的原理是队列，而队列的原理是时先进先出，这样就保证数据的顺序性。 Pipeline 的默认的同步的个数为53个，也就是说 arges 中累加到53条数据时会把数据提交。
通俗点：pipeline就是把一组命令进行打包，然后一次性通过网络发送到Redis。同时将执行的结果批量的返回回来
需要注意到是用 pipeline 方式打包命令发送，redis 必须在处理完所有命令前先缓存起所有命令的处理结果。打包的命令越多，缓存消耗内存也越多。所以并不是打包的命令越多越好。具体多少合适需要根据具体情况测试。
代码语言：javascript复制@Test
void testPipeline() {
// 创建管道
Pipeline pipeline = jedis.pipelined();
long b = System.currentTimeMillis();
for (int i = 1; i <= 100000; i ) {
// 放入命令到管道
pipeline.set("test:key_" i, "value_" i);
if (i % 1000 == 0) {
// 每放入1000条命令，批量执行
pipeline.sync();
}
}
long e = System.currentTimeMillis();
System.out.println("time: " (e - b));
}pipelined.sync()表示我一次性的异步发送到redis，不关注执行结果。
pipeline.syncAndReturnAll ();将返回执行过的命令返回的List列表结果
有些系统可能对可靠性要求很高，每次操作都需要立马知道这次操作是否成功，是否数据已经写进 redis 了，那这种场景就不适合。
还有的系统，可能是批量的将数据写入 redis，允许一定比例的写入失败，那么这种场景就可以使用了，比如10000条一下进入 redis，可能失败了2条无所谓，后期有补偿机制就行了，比如短信群发这种场景，如果一下群发10000条，按照第一种模式去实现，那这个请求过来，要很久才能给客户端响应，这个延迟就太长了，如果客户端请求设置了超时时间5秒，那肯定就抛出异常了，而且本身群发短信要求实时性也没那么高，这时候用 pipeline 最好了。
单机批处理小结
批量处理的方案：
- 原生的M操作
- Pipeline批处理
注意事项：
- 批处理时不建议一次携带太多命令
- Pipeline的多个命令之间不具备原子性
集群下的批处理
如MSET或Pipeline这样的批处理需要在一次请求中携带多条命令，而此时如果Redis是一个集群，那批处理命令的多个key必须落在一个插槽中，否则就会导致执行失败。
这里说的集群是分片集群
如果Redis是一个集群，那批处理命令的多个key必须落在一个插槽中，否则就会导致执行失败。
使用原生jedis提供的串行slot完成批处理优化
代码语言：javascript复制public class JedisClusterTest {
private JedisCluster jedisCluster;
@BeforeEach
void setUp() {
// 配置连接池
JedisPoolConfig poolConfig = new JedisPoolConfig();
poolConfig.setMaxTotal(8);
poolConfig.setMaxIdle(8);
poolConfig.setMinIdle(0);
poolConfig.setMaxWaitMillis(1000);
HashSet<HostAndPort> nodes = new HashSet<>();
nodes.add(new HostAndPort("192.168.150.101", 7001));
nodes.add(new HostAndPort("192.168.150.101", 7002));
nodes.add(new HostAndPort("192.168.150.101", 7003));
nodes.add(new HostAndPort("192.168.150.101", 8001));
nodes.add(new HostAndPort("192.168.150.101", 8002));
nodes.add(new HostAndPort("192.168.150.101", 8003));
jedisCluster = new JedisCluster(nodes, poolConfig);
}
@Test
void testMSet() {
jedisCluster.mset("name", "Jack", "age", "21", "sex", "male");
}
//串行slot
@Test
void testMSet2() {
Map<String, String> map = new HashMap<>(3);
map.put("name", "Jack");
map.put("age", "21");
map.put("sex", "Male");
//将相同插槽值的元素放在一个list集合中
Map<Integer, List<Map.Entry<String, String>>> result = map.entrySet()
.stream()
.collect(Collectors.groupingBy(
//将元素按照key的插槽值进行分组
entry -> ClusterSlotHashUtil.calculateSlot(entry.getKey()))
);
//一次性刷新一组插槽
for (List<Map.Entry<String, String>> list : result.values()) {
String[] arr = new String[list.size() * 2];
int j = 0;
for (int i = 0; i < list.size(); i ) {
j = i<<2;
Map.Entry<String, String> e = list.get(0);
arr[j] = e.getKey();
arr[j 1] = e.getValue();
}
jedisCluster.mset(arr);
}
}
@AfterEach
void tearDown() {
if (jedisCluster != null) {
jedisCluster.close();
}
}
}我们使用的是串行slot完成的批处理优化，spirng为我们提供了并行slot方案，一起来看看吧
使用spring提供的并行slot完成批处理优化
代码语言：javascript复制 @Test
void testMSetInCluster(){
HashMap<String, String> hashMap = new HashMap<>();
hashMap.put("name","Rose");
hashMap.put("age","21");
hashMap.put("sex","Female");
redisTemplate.opsForValue().multiSet(hashMap);
List<String> strings = redisTemplate.opsForValue().multiGet(Arrays.asList("name", "age", "sex"));
strings.forEach(System.out::println);
}multiset一个简单方法调用真的能够完成并行slot吗，让我们来看看他的实现吧:
直接看最终真正执行调用的方法实现即可:
代码语言：javascript复制 public RedisFuture<String> mset(Map<K, V> map) {
//进行插槽分类
Map<Integer, List<K>> partitioned = SlotHash.partition(this.codec, map.keySet());
if (partitioned.size() < 2) {
return super.mset(map);
} else {
Map<Integer, RedisFuture<String>> executions = new HashMap();
Iterator var4 = partitioned.entrySet().iterator();
while(var4.hasNext()) {
Entry<Integer, List<K>> entry = (Entry)var4.next();
Map<K, V> op = new HashMap();
((List)entry.getValue()).forEach((k) -> {
op.put(k, map.get(k));
});
//super.mset的返回值为RedisFuture说明是异步执行，从这里可以看出执行方式为并行slot
RedisFuture<String> mset = super.mset(op);
executions.put(entry.getKey(), mset);
}
return MultiNodeExecution.firstOfAsync(executions);
}
}持久化配置
Redis的持久化虽然可以保证数据安全，但也会带来很多额外的开销，因此持久化请遵循下列建议：
- 用来做缓存的Redis实例尽量不要开启持久化功能
- 建议关闭RDB持久化功能，使用AOF持久化
- 利用脚本定期在slave节点做RDB，实现数据备份，因为RDB的文件体积较小
- 设置合理的rewrite阈值，避免频繁的bgrewrite
- 配置no-appendfsync-on-rewrite = yes，禁止在rewrite期间做aof，避免因AOF引起的阻塞
Redis虽然会异步执行aof刷盘动作，但是redis主线程在将命令记录到aof缓存区后，会等待两秒，如果两秒内还没有刷盘完成，那么为了数据一致性安全，会阻塞等待，直到刷盘结束。
因为rewrite的过程比较慢，因此不建议在rewrite期间去做aof,否则大概率导致主线程阻塞。
部署有关建议：
- Redis实例的物理机要预留足够内存，应对fork和rewrite
- 单个Redis实例内存上限不要太大，例如4G或8G。可以加快fork的速度、减少主从同步、数据迁移压力
- 不要与CPU密集型应用部署在一起
- 不要与高硬盘负载应用一起部署。例如：数据库、消息队列
慢查询
慢查询：在Redis执行时耗时超过某个阈值的命令，称为慢查询。
慢查询的阈值可以通过配置指定：
- slowlog-log-slower-than：慢查询阈值，单位是微秒。默认是10000，建议1000
Redis一般命令执行时间都在几十微妙左右，而默认慢查询阈值为10毫秒，建议改小一点
慢查询会被放入慢查询日志中，日志的长度有上限，可以通过配置指定：
- slowlog-max-len：慢查询日志（本质是一个队列）的长度。默认是128，建议1000
改这两个配置可以使用：config set命令：
查看慢查询日志列表：
- slowlog len：查询慢查询日志长度
- slowlog get [n]：读取n条慢查询日志
- slowlog reset：清空慢查询列表
命令及安全配置
Redis会绑定在0.0.0.0:6379，这样将会将Redis服务暴露到公网上，而Redis如果没有做身份认证，会出现严重的安全漏洞.
漏洞重现方式：https://cloud.tencent.com/developer/article/1039000
Windows 配置 ssh 免密登录 Linux 服务器
漏洞出现的核心的原因有以下几点：
- Redis未设置密码
- 利用了Redis的config set命令动态修改Redis配置
- 使用了Root账号权限启动Redis,因为需要把.ssh文件放入到root目录下面需要root权限
为了避免这样的漏洞，这里给出一些建议：
- Redis一定要设置密码
- 禁止线上使用下面命令：keys、flushall、flushdb、config,set等命令。可以利用rename-command禁用。‘
- bind：限制网卡，禁止外网网卡访问
- 开启防火墙
- 不要使用Root账户启动Redis
- 尽量不是有默认的端口
内存配置
当Redis内存不足时，可能导致Key频繁被删除、响应时间变长、QPS不稳定等问题。当内存使用率达到90%以上时就需要我们警惕，并快速定位到内存占用的原因。
数据内存的问题
Redis提供了一些命令，可以查看到Redis目前的内存分配状态：
- info memory
- memory xxx
内存缓冲区配置
内存缓冲区常见的有三种：
- 复制缓冲区：主从复制的repl_backlog_buf，如果太小可能导致频繁的全量复制，影响性能。通过repl-backlog-size来设置，默认1mb
- AOF缓冲区：AOF刷盘之前的缓存区域，AOF执行rewrite的缓冲区。无法设置容量上限
- 客户端缓冲区：分为输入缓冲区和输出缓冲区，输入缓冲区最大1G且不能设置。输出缓冲区可以设置
info clients查看连接客户端全局信息
clients list查看连接客户端列表
如果客户端输出缓冲区溢出，那么omem的值会很大
集群最佳实践
集群虽然具备高可用特性，能实现自动故障恢复，但是如果使用不当，也会存在一些问题：
- 集群完整性问题
- 集群带宽问题
- 数据倾斜问题
- 客户端性能问题
- 命令的集群兼容性问题
- lua和事务问题
集群完整性问题
在Redis的默认配置中，如果发现任意一个插槽不可用，则整个集群都会停止对外服务：
为了保证高可用特性，这里建议将 cluster-require-full-coverage配置为false
集群带宽问题
集群节点之间会不断的互相Ping来确定集群中其它节点的状态。每次Ping携带的信息至少包括：
- 插槽信息
- 集群状态信息
集群中节点越多，集群状态信息数据量也越大，10个节点的相关信息可能达到1kb，此时每次集群互通需要的带宽会非常高。
解决途径：
- 避免大集群，集群节点数不要太多，最好少于1000，如果业务庞大，则建立多个集群。
- 避免在单个物理机中运行太多Redis实例
- 配置合适的cluster-node-timeout值，如果这个值太小，那么ping探测频率会变高，太大那么集群故障恢复速度会变慢
集群还是主从
集群虽然具备高可用特性，能实现自动故障恢复，但是如果使用不当，也会存在一些问题：
- 集群完整性问题
- 集群带宽问题
- 数据倾斜问题
- 客户端性能问题
- 命令的集群兼容性问题
- lua和事务问题
