Redis常见的CPU和内存性能问题

发表于 分类于 阅读次数：
解码Redis的最易被忽视的CPU和内存占用高问题

Reference: https://www.infoq.cn/article/yqUuS2qNRybILGrQUliv

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。

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。

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。

长连接测试

使用 10000 个长连接向 redis-server 发送 50w 次 ping 命令：

1
./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：

1
2
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。

占用 CPU 最高的是 readQueryFromClient

短连接测试

使用 10000 个短连接向 redis-server 发送 50w 次 ping 命令：

1
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 0

最终 QPS：

1
2
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。

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）

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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
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。

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：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
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：

1
./redis-benchmark -h host -p port -t ping -c 10000 -n 500000 -k 0

最终 QPS：

1
2
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。

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）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
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。

建立一个连接，不断执行 info 命令

1
2
3
4
5
6
7
8
9
10
11
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。

CPU 占用仅为 20%左右

建立 9999 个空闲连接，及一个连接不断执行 info

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
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。

CPU 能够达到 80%

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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
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：

1
*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。

1
2
3
4
5
6
7
8
9
10
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。

Reference: https://www.infoq.cn/article/yqUuS2qNRybILGrQUliv


转载请注明出处：Redis常见的CPU和内存性能问题
原文地址：https://www.xiaotanzhu.com/redis/redis-performance-issues-cpu.html