您现在的位置是：首页 > 数据库

当前栏目

Redis进阶学习10---redis最佳实践

Redis 学习实践 10 --- 最佳进阶

2023-09-14 09:13:33 时间

Redis最佳实践

优雅的key结构

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

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

    @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
在这里插入图片描述

Redis 4.0以后

Redis在4.0后提供了异步删除的命令：unlink
在这里插入图片描述

恰当的数据类型

在这里插入图片描述
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？

在这里插入图片描述
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

在这里插入图片描述
重启即失效

方案二：拆分为string类型：

在这里插入图片描述
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

在这里插入图片描述

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

在这里插入图片描述

可以看到大hash分解为多个小hash占用的内存是最少的
在这里插入图片描述
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

在这里插入图片描述
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

在这里插入图片描述
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

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

利用mset批量插入10万条数据：

    @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。

@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。

在这里插入图片描述
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。
在这里插入图片描述

使用原生jedis提供的串行slot完成批处理优化

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

    @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:

    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

在这里插入图片描述
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。

在这里插入图片描述
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

在这里插入图片描述
改这两个配置可以使用：config set命令：

在这里插入图片描述
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

在这里插入图片描述

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。‘

在这里插入图片描述

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。

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

info clients查看连接客户端全局信息

在这里插入图片描述

clients list查看连接客户端列表

在这里插入图片描述

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：

在这里插入图片描述
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

在这里插入图片描述

猜你喜欢

Oracle与MySQL: 不同之处（oracle与mysql的区别）
MySQL正则查询：最佳实践指南（mysql正则查询）
Linux软件实现安全保障（linux软件安全）
Spring - FactoryBean扩展实战_MyBatis-Spring 启动过程源码解读
Chrome迅雷下载支持扩展1.1
数据处理Java处理Redis过期数据的Best实践（redisjava过期）
Guava之Stopwatch「建议收藏」
Oracle里无正负之分（oracle不分正负数）
MySQL Error number: 3910; Symbol: ER_GRP_RPL_UDF_ERROR; SQLSTATE: HY000 报错故障修复远程处理
oracle数据库导入导出命令解析
MySQL使用指南（mysql使用手册）
性传输Oracle的异常传输异常的灵活运用（oracle 写异常）
mysql decimal设置默认值0 无效，设置后自动变为null（navicat设置decimal默认值失效问题）
Oracle中如何实现两列数据的合并（oracle中合并两列）
缓存利用数据库实现Redis缓存的有效性（用数据库做redis）
MySQL中处理二进制数据的方法（mysql二进制数据）
聚焦采购全方位风险管理，全面提升工程企业采购效率与效益
罗永浩谈“流氓协议”：把它说出来很有必要免得他们再去害别人
ORA-29655: USING clause is incompatible with its supertype ORACLE 报错故障修复远程处理
PHPOA结合MSSQL实现更多高效的数据库管理（phpoa mssql）

相关主题

Redis集群搭建
Redis学习
redis 40问
Redis－－学习
redis 缓存刷新
golang之Redis
Redis：安装
[redis] redis
Redis库的使用

zl程序教程

当前栏目

Redis进阶学习10---redis最佳实践