Redis作為記憶體資料庫，擁有非常高的效能，單個例項的QPS能夠達到10W左右。但我們在使用Redis時，經常時不時會出現訪問延遲很大的情況，如果你不知道Redis的內部實現原理，在排查問題時就會一頭霧水。

很多時候，Redis出現訪問延遲變大，都與我們的使用不當或運維不合理導致的。

這篇文章我們就來分析一下Redis在使用過程中，經常會遇到的延遲問題以及如何定位和分析。

使用複雜度高的命令

如果在使用Redis時，發現訪問延遲突然增大，如何進行排查？

首先，第一步，建議你去檢視一下Redis的慢日誌。Redis提供了慢日誌命令的統計功能，我們通過以下設定，就可以檢視有哪些命令在執行時延遲比較大。

首先設定Redis的慢日誌閾值，只有超過閾值的命令才會被記錄，這裡的單位是微妙，例如設定慢日誌的閾值為5毫秒，同時設定只保留最近1000條慢日誌記錄：

1
2
3
4

# 命令執行超過5毫秒記錄慢日誌
CONFIG SET slowlog-log-slower-than 5000
# 只保留最近1000條慢日誌
CONFIG SET slowlog-max-len 1000

設定完成之後，所有執行的命令如果延遲大於5毫秒，都會被Redis記錄下來，我們執行SLOWLOG get 5查詢最近5條慢日誌：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

127.0.0.1:6379> SLOWLOG get 5
1) 1) (integer) 32693       # 慢日誌ID
   2) (integer) 1593763337  # 執行時間
   3) (integer) 5299        # 執行耗時(微妙)
   4) 1) "LRANGE"           # 具體執行的命令和引數
      2) "user_list_2000"
      3) "0"
      4) "-1"
2) 1) (integer) 32692
   2) (integer) 1593763337
   3) (integer) 5044
   4) 1) "GET"
      2) "book_price_1000"
...

通過檢視慢日誌記錄，我們就可以知道在什麼時間執行哪些命令比較耗時，如果你的業務經常使用O(N)以上覆雜度的命令，例如sort、sunion、zunionstore，或者在執行O(N)命令時操作的資料量比較大，這些情況下Redis處理資料時就會很耗時。

如果你的服務請求量並不大，但Redis例項的CPU使用率很高，很有可能是使用了複雜度高的命令導致的。

解決方案就是，不使用這些複雜度較高的命令，並且一次不要獲取太多的資料，每次儘量操作少量的資料，讓Redis可以及時處理返回。

儲存bigkey

如果查詢慢日誌發現，並不是複雜度較高的命令導致的，例如都是SET、DELETE操作出現在慢日誌記錄中，那麼你就要懷疑是否存在Redis寫入了bigkey的情況。

Redis在寫入資料時，需要為新的資料分配記憶體，當從Redis中刪除資料時，它會釋放對應的記憶體空間。

如果一個key寫入的資料非常大，Redis在分配記憶體時也會比較耗時。同樣的，當刪除這個key的資料時，釋放記憶體也會耗時比較久。

你需要檢查你的業務程式碼，是否存在寫入bigkey的情況，需要評估寫入資料量的大小，業務層應該避免一個key存入過大的資料量。

那麼有沒有什麼辦法可以掃描現在Redis中是否存在bigkey的資料嗎？

Redis也提供了掃描bigkey的方法：

1

redis-cli -h $host -p $port --bigkeys -i 0.01

使用上面的命令就可以掃描出整個例項key大小的分佈情況，它是以型別維度來展示的。

需要注意的是當我們線上上例項進行bigkey掃描時，Redis的QPS會突增，為了降低掃描過程中對Redis的影響，我們需要控制掃描的頻率，使用-i引數控制即可，它表示掃描過程中每次掃描的時間間隔，單位是秒。

使用這個命令的原理，其實就是Redis在內部執行scan命令，遍歷所有key，然後針對不同型別的key執行strlen、llen、hlen、scard、zcard來獲取字串的長度以及容器型別(list/dict/set/zset)的元素個數。

而對於容器型別的key，只能掃描出元素最多的key，但元素最多的key不一定佔用記憶體最多，這一點需要我們注意下。不過使用這個命令一般我們是可以對整個例項中key的分佈情況有比較清晰的瞭解。

針對bigkey的問題，Redis官方在4.0版本推出了lazy-free的機制，用於非同步釋放bigkey的記憶體，降低對Redis效能的影響。即使這樣，我們也不建議使用bigkey，bigkey在叢集的遷移過程中，也會影響到遷移的效能，這個後面在介紹叢集相關的文章時，會再詳細介紹到。

集中過期

有時你會發現，平時在使用Redis時沒有延時比較大的情況，但在某個時間點突然出現一波延時，而且報慢的時間點很有規律，例如某個整點，或者間隔多久就會發生一次。

如果出現這種情況，就需要考慮是否存在大量key集中過期的情況。

如果有大量的key在某個固定時間點集中過期，在這個時間點訪問Redis時，就有可能導致延遲增加。

Redis的過期策略採用主動過期+懶惰過期兩種策略：

• 主動過期：Redis內部維護一個定時任務，預設每隔100毫秒會從過期字典中隨機取出20個key，刪除過期的key，如果過期key的比例超過了25%，則繼續獲取20個key，刪除過期的key，迴圈往復，直到過期key的比例下降到25%或者這次任務的執行耗時超過了25毫秒，才會退出迴圈
• 懶惰過期：只有當訪問某個key時，才判斷這個key是否已過期，如果已經過期，則從例項中刪除

注意，Redis的主動過期的定時任務，也是在Redis主執行緒中執行的，也就是說如果在執行主動過期的過程中，出現了需要大量刪除過期key的情況，那麼在業務訪問時，必須等這個過期任務執行結束，才可以處理業務請求。此時就會出現，業務訪問延時增大的問題，最大延遲為25毫秒。

而且這個訪問延遲的情況，不會記錄在慢日誌裡。慢日誌中只記錄真正執行某個命令的耗時，Redis主動過期策略執行在操作命令之前，如果操作命令耗時達不到慢日誌閾值，它是不會計算在慢日誌統計中的，但我們的業務卻感到了延遲增大。

此時你需要檢查你的業務，是否真的存在集中過期的程式碼，一般集中過期使用的命令是expireat或pexpireat命令，在程式碼中搜尋這個關鍵字就可以了。

如果你的業務確實需要集中過期掉某些key，又不想導致Redis發生抖動，有什麼優化方案？

解決方案是，在集中過期時增加一個隨機時間，把這些需要過期的key的時間打散即可。

虛擬碼可以這麼寫：

1
2

# 在過期時間點之後的5分鐘內隨機過期掉
redis.expireat(key, expire_time + random(300))

這樣Redis在處理過期時，不會因為集中刪除key導致壓力過大，阻塞主執行緒。

另外，除了業務使用需要注意此問題之外，還可以通過運維手段來及時發現這種情況。

做法是我們需要把Redis的各項執行資料監控起來，執行info可以拿到所有的執行資料，在這裡我們需要重點關注expired_keys這一項，它代表整個例項到目前為止，累計刪除過期key的數量。

我們需要對這個指標監控，當在很短時間內這個指標出現突增時，需要及時報警出來，然後與業務報慢的時間點對比分析，確認時間是否一致，如果一致，則可以認為確實是因為這個原因導致的延遲增大。

例項記憶體達到上限

有時我們把Redis當做純快取使用，就會給例項設定一個記憶體上限maxmemory，然後開啟LRU淘汰策略。

當例項的記憶體達到了maxmemory後，你會發現之後的每次寫入新的資料，有可能變慢了。

導致變慢的原因是，當Redis記憶體達到maxmemory後，每次寫入新的資料之前，必須先踢出一部分資料，讓記憶體維持在maxmemory之下。

這個踢出舊資料的邏輯也是需要消耗時間的，而具體耗時的長短，要取決於配置的淘汰策略：

• allkeys-lru：不管key是否設定了過期，淘汰最近最少訪問的key
• volatile-lru：只淘汰最近最少訪問並設定過期的key
• allkeys-random：不管key是否設定了過期，隨機淘汰
• volatile-random：只隨機淘汰有設定過期的key
• allkeys-ttl：不管key是否設定了過期，淘汰即將過期的key
• noeviction：不淘汰任何key，滿容後再寫入直接報錯
• allkeys-lfu：不管key是否設定了過期，淘汰訪問頻率最低的key（4.0+支援）
• volatile-lfu：只淘汰訪問頻率最低的過期key（4.0+支援）

具體使用哪種策略，需要根據業務場景來決定。

我們最常使用的一般是allkeys-lru或volatile-lru策略，它們的處理邏輯是，每次從例項中隨機取出一批key（可配置），然後淘汰一個最少訪問的key，之後把剩下的key暫存到一個池子中，繼續隨機取出一批key，並與之前池子中的key比較，再淘汰一個最少訪問的key。以此迴圈，直到記憶體降到maxmemory之下。

如果使用的是allkeys-random或volatile-random策略，那麼就會快很多，因為是隨機淘汰，那麼就少了比較key訪問頻率時間的消耗了，隨機拿出一批key後直接淘汰即可，因此這個策略要比上面的LRU策略執行快一些。

但以上這些邏輯都是在訪問Redis時，真正命令執行之前執行的，也就是它會影響我們訪問Redis時執行的命令。

另外，如果此時Redis例項中有儲存bigkey，那麼在淘汰bigkey釋放記憶體時，這個耗時會更加久，延遲更大，這需要我們格外注意。

如果你的業務訪問量非常大，並且必須設定maxmemory限制例項的記憶體上限，同時面臨淘汰key導致延遲增大的的情況，要想緩解這種情況，除了上面說的避免儲存bigkey、使用隨機淘汰策略之外，也可以考慮拆分例項的方法來緩解，拆分例項可以把一個例項淘汰key的壓力分攤到多個例項上，可以在一定程度降低延遲。

fork耗時嚴重

如果你的Redis開啟了自動生成RDB和AOF重寫功能，那麼有可能在後臺生成RDB和AOF重寫時導致Redis的訪問延遲增大，而等這些任務執行完畢後，延遲情況消失。

遇到這種情況，一般就是執行生成RDB和AOF重寫任務導致的。

生成RDB和AOF都需要父程式fork出一個子程式進行資料的持久化，在fork執行過程中，父程式需要拷貝記憶體頁表給子程式，如果整個例項記憶體佔用很大，那麼需要拷貝的記憶體頁表會比較耗時，此過程會消耗大量的CPU資源，在完成fork之前，整個例項會被阻塞住，無法處理任何請求，如果此時CPU資源緊張，那麼fork的時間會更長，甚至達到秒級。這會嚴重影響Redis的效能。

具體原理也可以參考我之前寫的文章：Redis持久化是如何做的？RDB和AOF對比分析。

我們可以執行info命令，檢視最後一次fork執行的耗時latest_fork_usec，單位微妙。這個時間就是整個例項阻塞無法處理請求的時間。

除了因為備份的原因生成RDB之外，在主從節點第一次建立資料同步時，主節點也會生成RDB檔案給從節點進行一次全量同步，這時也會對Redis產生效能影響。

要想避免這種情況，我們需要規劃好資料備份的週期，建議在從節點上執行備份，而且最好放在低峰期執行。如果對於丟失資料不敏感的業務，那麼不建議開啟AOF和AOF重寫功能。

另外，fork的耗時也與系統有關，如果把Redis部署在虛擬機器上，那麼這個時間也會增大。所以使用Redis時建議部署在物理機上，降低fork的影響。

繫結CPU

很多時候，我們在部署服務時，為了提高效能，降低程式在使用多個CPU時上下文切換的效能損耗，一般會採用程式繫結CPU的操作。

但在使用Redis時，我們不建議這麼幹，原因如下。

繫結CPU的Redis，在進行資料持久化時，fork出的子程式，子程式會繼承父程式的CPU使用偏好，而此時子程式會消耗大量的CPU資源進行資料持久化，子程式會與主程式發生CPU爭搶，這也會導致主程式的CPU資源不足訪問延遲增大。

所以在部署Redis程式時，如果需要開啟RDB和AOF重寫機制，一定不能進行CPU繫結操作！

AOF配合不合理

上面提到了，當執行AOF檔案重寫時會因為fork執行耗時導致Redis延遲增大，除了這個之外，如果開啟AOF機制，設定的策略不合理，也會導致效能問題。

開啟AOF後，Redis會把寫入的命令實時寫入到檔案中，但寫入檔案的過程是先寫入記憶體，等記憶體中的資料超過一定閾值或達到一定時間後，記憶體中的內容才會被真正寫入到磁碟中。

AOF為了保證檔案寫入磁碟的安全性，提供了3種刷盤機制：

• appendfsync always：每次寫入都刷盤，對效能影響最大，佔用磁碟IO比較高，資料安全性最高
• appendfsync everysec：1秒刷一次盤，對效能影響相對較小，節點當機時最多丟失1秒的資料
• appendfsync no：按照作業系統的機制刷盤，對效能影響最小，資料安全性低，節點當機丟失資料取決於作業系統刷盤機制

當使用第一種機制appendfsync always時，Redis每處理一次寫命令，都會把這個命令寫入磁碟，而且這個操作是在主執行緒中執行的。

記憶體中的的資料寫入磁碟，這個會加重磁碟的IO負擔，操作磁碟成本要比操作記憶體的代價大得多。如果寫入量很大，那麼每次更新都會寫入磁碟，此時機器的磁碟IO就會非常高，拖慢Redis的效能，因此我們不建議使用這種機制。

與第一種機制對比，appendfsync everysec會每隔1秒刷盤，而appendfsync no取決於作業系統的刷盤時間，安全性不高。因此我們推薦使用appendfsync everysec這種方式，在最壞的情況下，只會丟失1秒的資料，但它能保持較好的訪問效能。

當然，對於有些業務場景，對丟失資料並不敏感，也可以不開啟AOF。

使用Swap

如果你發現Redis突然變得非常慢，每次訪問的耗時都達到了幾百毫秒甚至秒級，那此時就檢查Redis是否使用到了Swap，這種情況下Redis基本上已經無法提供高效能的服務。

我們知道，作業系統提供了Swap機制，目的是為了當記憶體不足時，可以把一部分記憶體中的資料換到磁碟上，以達到對記憶體使用的緩衝。

但當記憶體中的資料被換到磁碟上後，訪問這些資料就需要從磁碟中讀取，這個速度要比記憶體慢太多！

尤其是針對Redis這種高效能的記憶體資料庫來說，如果Redis中的記憶體被換到磁碟上，對於Redis這種效能極其敏感的資料庫，這個操作時間是無法接受的。

我們需要檢查機器的記憶體使用情況，確認是否確實是因為記憶體不足導致使用到了Swap。

如果確實使用到了Swap，要及時整理記憶體空間，釋放出足夠的記憶體供Redis使用，然後釋放Redis的Swap，讓Redis重新使用記憶體。

釋放Redis的Swap過程通常要重啟例項，為了避免重啟例項對業務的影響，一般先進行主從切換，然後釋放舊主節點的Swap，重新啟動服務，待資料同步完成後，再切換回主節點即可。

可見，當Redis使用到Swap後，此時的Redis的高效能基本被廢掉，所以我們需要提前預防這種情況。

我們需要對Redis機器的記憶體和Swap使用情況進行監控，在記憶體不足和使用到Swap時及時報警出來，及時進行相應的處理。

網路卡負載過高

如果以上產生效能問題的場景，你都規避掉了，而且Redis也穩定執行了很長時間，但在某個時間點之後開始，訪問Redis開始變慢了，而且一直持續到現在，這種情況是什麼原因導致的？

之前我們就遇到這種問題，特點就是從某個時間點之後就開始變慢，並且一直持續。這時你需要檢查一下機器的網路卡流量，是否存在網路卡流量被跑滿的情況。

網路卡負載過高，在網路層和TCP層就會出現資料傳送延遲、資料丟包等情況。Redis的高效能除了記憶體之外，就在於網路IO，請求量突增會導致網路卡負載變高。

如果出現這種情況，你需要排查這個機器上的哪個Redis例項的流量過大佔滿了網路頻寬，然後確認流量突增是否屬於業務正常情況，如果屬於那就需要及時擴容或遷移例項，避免這個機器的其他例項受到影響。

運維層面，我們需要對機器的各項指標增加監控，包括網路流量，在達到閾值時提前報警，及時與業務確認並擴容。

總結

以上我們總結了Redis中常見的可能導致延遲增大甚至阻塞的場景，這其中既涉及到了業務的使用問題，也涉及到Redis的運維問題。

可見，要想保證Redis高效能的執行，其中涉及到CPU、記憶體、網路，甚至磁碟的方方面面，其中還包括作業系統的相關特性的使用。

作為開發人員，我們需要了解Redis的執行機制，例如各個命令的執行時間複雜度、資料過期策略、資料淘汰策略等，使用合理的命令，並結合業務場景進行優化。

作為DBA運維人員，需要了解資料持久化、作業系統fork原理、Swap機制等，並對Redis的容量進行合理規劃，預留足夠的機器資源，對機器做好完善的監控，才能保證Redis的穩定執行。