解码Redis最易被忽视的CPU和内存占用高问题

作者介绍

张鹏义,腾讯云数据库高级工程师,曾参与华为Taurus分布式数据研发及腾讯CynosDB for PG研发工作,现从事腾讯云Redis数据库研发工作。

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、对比实例

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 $3 get $4 key1 *2 $3 get $4 key2 *2 $3 get $4 key3

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 $3 get $4 key1 *2 $3 get $4 key2 *2 $3 get $4 key3 "

    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。

江湖召集令

9月27日-11月6日,腾讯云数据库王者挑战赛(点击查看详情) 等你挑战!花几分钟参加比赛免费将☟☟抱回家!

  • MacBook/iPhone 11/AirPods
  • 25台Kindle
  • 8万元腾讯云创业基金
  • MySQL之父 Michael Widenius 面对面交流

拥有与殿堂级大神的合影和亲笔签名书籍的你,

能让隔壁码农羡慕到流泪!

转发下方海报参与活动可以获得腾讯公仔和腾讯云数据库无门槛代金券,详情请添加海报上机器人二维码咨询。

 比赛详情&报名入口

请扫下方二维码

↓↓活动报名直达 

本文分享自微信公众号 - 腾讯云数据库(TencentDB)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-10-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券