解码 Redis 最易被忽视的 CPU 和内存占用高问题
我们在使用 Redis 时，总会碰到一些 redis-server 端 CPU 及内存占用比较高的问题。下面以几个实际案例为例，来讨论一下在使用 Redis 时容易忽视的几种情形。
一、短连接导致 CPU 高
某用户反映 QPS 不高，从监控看 CPU 确实偏高。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户在执行复杂度较高的命令，经排查无没有进行 key 过期删除操作，没有执行复杂度高的命令。
上机器对 redis-server 进行 perf 分析，发现函数 listSearchKey 占用 CPU 比较高，分析调用栈发现在释放连接时会频繁调用 listSearchKey，且用户反馈说是使用的短连接，所以推断是频繁释放连接导致 CPU 占用有所升高。
1、对比实验
下面使用 redis-benchmark 工具分别使用长连接和短连接做一个对比实验，redis-server 为社区版 4.0.10。
1) 长连接测试
使用 10000 个长连接向 redis-server 发送 50w 次 ping 命令：
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 1(k=1 表示使用长连接，k=0 表示使用短连接)
最终 QPS：
PING_INLINE: 92902.27 requests per second
PING_BULK: 93580.38 requests per second
对 redis-server 分析，发现占用 CPU 最高的是 readQueryFromClient，即主要是在处理来自用户端的请求。
2) 短连接测试
使用 10000 个短连接向 redis-server 发送 50w 次 ping 命令：
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 0
最终 QPS：
PING_INLINE: 15187.18 requests per second
PING_BULK: 16471.75 requests per second
对 redis-server 分析，发现占用 CPU 最高的确实是 listSearchKey，而 readQueryFromClient 所占 CPU 的比例比 listSearchKey 要低得多，也就是说 CPU 有点“不务正业”了，处理用户请求变成了副业，而搜索 list 却成为了主业。所以在同样的业务请求量下，使用短连接会增加 CPU 的负担。
从 QPS 上看，短连接与长连接差距比较大，原因来自两方面：
每次重新建连接引入的网络开销。
释放连接时，redis-server 需消耗额外的 CPU 周期做清理工作。(这一点可以尝试从 redis-server 端做优化)
2、Redis 连接释放
我们从代码层面来看下 redis-server 在用户端发起连接释放后都会做哪些事情，redis-server 在收到用户端的断连请求时会直接进入到 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维护了一个server.clients链表，当用户端建立连接后，新建一个client对象并追加到server.clients上，
当连接释放时，需求从server.clients上删除client对象 */
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链表，然后删除client节点对象，这里复杂为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;
}
/* ……… */
所以在每次连接断开时，都存在一个 O(N) 的运算。对于 redis 这样的内存数据库，我们应该尽量避开 O(N) 运算，特别是在连接数比较大的场景下，对性能影响比较明显。虽然用户只要不使用短连接就能避免，但在实际的场景中，用户端连接池被打满后，用户也可能会建立一些短连接。
3、优化
从上面的分析看，每次连接释放时都会进行 O(N) 的运算，那能不能降复杂度降到 O(1) 呢?
这个问题非常简单，server.clients 是个双向链表，只要当 client 对象在创建时记住自己的内存地址，释放时就不需要遍历 server.clients。接下来尝试优化下：
client *createClient(int fd) {
client c = zmalloc(sizeof(client));
/ …….. /
listSetFreeMethod(c->pubsub_patterns,decrRefCountVoid);
listSetMatchMethod(c->pubsub_patterns,listMatchObjects);
if (fd != -1) {
/ client 记录自身所在 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) {
/* 这时不再需求搜索server.clients链表 */
//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;
}
/* ……… */
优化后短连接测试
使用 10000 个短连接向 redis-server 发送 50w 次 ping 命令：
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 0
最终 QPS：
PING_INLINE: 21884.23 requests per second
PING_BULK: 21454.62 requests per second
与优化前相比，短连接性能能够提升 30+%，所以能够保证存在短连接的情况下，性能不至于太差。
二、info 命令导致 CPU 高
有用户通过定期执行 info 命令监视 redis 的状态，这会在一定程度上导致 CPU 占用偏高。频繁执行 info 时通过 perf 分析发现 getClientsMaxBuffers、getClientOutputBufferMemoryUsage 及 getMemoryOverheadData 这几个函数占用 CPU 比较高。
通过 Info 命令，可以拉取到 redis-server 端的如下一些状态信息 (未列全)：
client
connected_clients:1
client_longest_output_list:0 // redis-server 端最长的 outputbuffer 列表长度
client_biggest_input_buf:0. // redis-server 端最长的 inputbuffer 字节长度
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 为维护自身结构所额外占用的内存量
used_memory_startup:786552
used_memory_dataset:12210
used_memory_dataset_perc:19.74%
为了得到 client_longest_output_list、client_longest_output_list 状态，需要遍历 redis-server 端所有的 client, 如 getClientsMaxBuffers 所示，可能看到这里也是存在同样的 O(N) 运算。
void getClientsMaxBuffers(unsigned long *longest_output_list,
unsigned long *biggest_input_buffer) {
client *c;
listNode ln;
listIter li;
unsigned long lol = 0, bib = 0;
/ 遍历所有 client, 复杂度 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;
}
为了得到 used_memory_overhead 状态，同样也需要遍历所有 client 计算所有 client 的 outputBuffer 所占用的内存总量，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;
/ 遍历所有的 client, 计算所有 client outputBuffer 占用的内存总和，复杂度为 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;
}
实验
从上面的分析知道，当连接数较高时 (O(N) 的 N 大)，如果频率执行 info 命令，会占用较多 CPU。
1) 建立一个连接，不断执行 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
}
实验结果表明，CPU 占用仅为 20% 左右。
2) 建立 9999 个空闲连接，及一个连接不断执行 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
}
实验结果表明 CPU 能够达到 80%，所以在连接数较高时，尽量避免使用 info 命令。
3)pipeline 导致内存占用高
有用户发现在使用 pipeline 做只读操作时，redis-server 的内存容量偶尔也会出现明显的上涨, 这是对 pipeline 的使不当造成的。下面先以一个简单的例子来说明 Redis 的 pipeline 逻辑是怎样的。
下面通过 golang 语言实现以 pipeline 的方式从 redis-server 端读取 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”) // 缓存到 client 端的 buffer 中
c.Send(“get”, “key2”) // 缓存到 client 端的 buffer 中
c.Send(“get”, “key3”) // 缓存到 client 端的 buffer 中
c.Flush() // 将 buffer 中的内容以一特定的协议格式发送到 redis-server 端
fmt.Println(redis.String(c.Receive()))
fmt.Println(redis.String(c.Receive()))
fmt.Println(redis.String(c.Receive()))
}
而此时 server 端收到的内容为：
2\r\n$3\r\nget\r\n$4\r\nkey1\r\n2\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 端非正式的代码处理逻辑，redis-server 端从接收到的内容依次解析出命令、执行命令、将执行结果缓存到 replyBuffer 中，并将用户端标记为有内容需要写出。等到下次事件调度时再将 replyBuffer 中的内容通过 socket 发送到 client，所以并不是处理完一条命令就将结果返回用户端。
readQueryFromClient(client* c) {
read(c->querybuf) // c->query=“2\r\n$3\r\nget\r\n$4\r\nkey1\r\n2\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)
}
}
考虑这样一种情况：
如果用户端程序处理比较慢，未能及时通过 c.Receive()从 TCP 的接收 buffer 中读取内容或者因为某些 BUG 导致没有执行 c.Receive()，当接收 buffer 满了后，server 端的 TCP 滑动窗口为 0，导致 server 端无法发送 replyBuffer 中的内容，所以 replyBuffer 由于迟迟得不到释放而占用额外的内存。当 pipeline 一次打包的命令数太多，以及包含如 mget、hgetall、lrange 等操作多个对象的命令时，问题会更突出。
小结
上面几种情况，都是非常简单的问题，没有复杂的逻辑，在大部分场景下都不算问题，但是在一些极端场景下要把 Redis 用好，开发者还是需要关注这些细节。建议：
尽量不要使用短连接;
尽量不要在连接数比较高的场景下频繁使用 info;
使用 pipeline 时，要及时接收请求处理结果，且 pipeline 不宜一次打包太多请求。