解碼Redis最易被忽視的CPU和內存占用高問題
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。
一、短連接導致CPU高
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。
1、對比實驗
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。
1)長連接測試
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。
2)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: 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)
2、Redis連接釋放
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。
3、優化
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。
二、info命令導致CPU高
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;
- }
實驗
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\r\n$3\r\nget\r\n$4\r\nkey1\r\n*2\r\n$3\r\nget\r\n$4\r\nkey2\r\n*2\r\n$3\r\nget\r\n$4\r\nkey3\r\n
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\r\n$3\r\nget\r\n$4\r\nkey1\r\n*2\r\n$3\r\nget\r\n$4\r\nkey2\r\n*2\r\n$3\r\nget\r\n$4\r\nkey3\r\n"
- 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。
小結
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。
作者介紹
張鵬義，騰訊云數據庫高級工程師，曾參與華為Taurus分布式數據研發及騰訊CynosDB for pg研發工作，現從事騰訊云Redis數據庫研發工作。
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。
