# 一、推送平臺特點

vivo推送平臺是vivo公司向開發者提供的訊息推送服務，透過在雲端與客戶端之間建立一條穩定、可靠的長連線，為開發者提供向客戶端應用實時推送訊息的服務，支援百億級的通知/訊息推送，秒級觸達移動使用者。

推送平臺的特點是併發高、訊息量大、送達及時性較高。目前現狀最高推送速度140w/s，單日最大訊息量150億，端到端秒級線上送達率99.9%。

# 二、推送平臺Redis使用介紹

基於vivo推送平臺的特點，對併發和時效性要求較高，並且訊息數量多，訊息有效期短。所以，推送平臺選擇使用Redis中介軟體作為訊息儲存和中轉，以及token資訊儲存。之前主要使用兩個Redis叢集，採用Redis Cluster 叢集模式。兩個叢集如下：

![](https://static001.geekbang.org/infoq/57/57f3f9a1990203557bed892add31d5d1.webp)

對Redis的操作，主要包括如下幾方面：

1）推送環節，在接入層儲存訊息體到msg Redis叢集，訊息過期時間為msg Redis儲存訊息的過期時間。

2）推送服務層經過一系列邏輯後，從msg Redis叢集查出訊息體，查詢client Redis叢集client資訊，如果client線上，直接推送。如果client不線上，將訊息id寫到等待佇列。

3）如果連線上來，推送服務層，讀取等待佇列訊息，進行推送。

4）儲存管理服務，會定期掃描cii索引，根據cii儲存的最後更新時間，如果14天都沒更新，說明是不活躍使用者，會清理該token資訊，同時清理該token對應的等待佇列訊息。

推送環節操作Redis流程圖如下：

![](https://static001.geekbang.org/infoq/97/97c409bfa403fe65ad460b7824b460ba.png)

# 三、推送平臺線上問題

如上面介紹，推送平臺使用Redis主要msg叢集和client叢集，隨著業務的發展，系統對效能要求越來越高，Redis出現一些瓶頸問題，其中msg Redis叢集在最佳化前，規模已達到220個master，4400G容量。隨著叢集規模變大，維護難度增加，事故率變高。特別是4月份，某某明星離婚事件，實時併發訊息量5.2億，msg Redis叢集出現單節點連線數、記憶體暴增問題，其中一個節點連線數達到24674，記憶體達到23.46G，持續30分鐘左右。期間msg Redis叢集讀寫響應較慢，平均響應時間500ms左右，影響到整體系統的穩定性和可用性，可用性降到85%。

![](https://static001.geekbang.org/infoq/a5/a5e22dca4126df8f9f6872673070a29c.webp)

# 四、推送平臺Redis最佳化

Redis一般從以下幾方面最佳化：

**1）容量**：Redis屬於記憶體型儲存，相較於磁碟儲存型資料庫，儲存成本較昂貴，正是由於記憶體型儲存這個特性使得它讀寫效能較高，但是儲存空間有限。因此，業務在使用時，應注意儲存內容儘量是熱資料，並且容量是可預先評估的，最好設定過期時間。在儲存設計時，合理使用對應資料結構，對於一些相對大的value，可以壓縮後儲存。

**2）熱key傾斜**：Redis-Cluster把所有的物理節點對映到\[0-16383\]slot（槽）上，每個節點負責一部分slot。當有請求呼叫時，根據 CRC16(key) mod 16384的值，決定將key請求到哪個slot中。由於Redis-cluster這個特性，每個節點只負責一部分slot，因此，在設計key的時候應保證key的隨機性，特別是使用一些hash演算法對映key時，應保證hash值的隨機分佈。另外，控制熱點key併發問題，可以採用限流降級或者本地快取方式，防止熱點key併發請求過高導致Redis熱點傾斜。

**3）叢集過大**：Redis-Cluster採用無中心結構，每個節點儲存資料和整個叢集狀態，每個節點都和其他所有節點連線。每個節點都儲存所有節點與slot對映關係。當節點較多時，每個節點儲存的對映關係也會變多。各節點之間心跳包的訊息體內攜帶的資料越多。在擴縮容時，叢集重新進行clusterSlots時間相對較長。叢集會存在阻塞風險，穩定性受影響。因此，在使用叢集時，應該儘量避免叢集節點過多，最後根據業務對叢集進行拆分。

這裡有個問題：為什麼Redis-Cluster使用16384個slot，而不是更多，最多可以有多少個節點？

官方作者給出了[解釋](https://github.com/redis/redis/issues/2576)，並且在解釋中說明，Redis-Cluster不建議超過1000個主節點。

![圖片](https://static001.geekbang.org/infoq/28/28c1e69cb747551246d336f270055f86.webp)

基於以上一些最佳化方向，和自身業務特性，推送平臺從以下幾方面開啟Redis最佳化之路。

-   msg Redis叢集容量最佳化；
    
-   msg Redis大叢集根據業務屬性拆分；
    
-   Redis熱點key排查；
    
-   client Redis叢集併發呼叫最佳化。

## 4.1 msg Redis叢集容量最佳化

前文提及，msg Redis叢集規模達到220個master、4400G容量，高峰期已使用容量達到3650G，使用了83%左右，如果後續推送提量，還需擴容，成本太高。於是對msg Redis叢集儲存內容進行分析，使用的分析工具是雪球開源RDB分析工具RDR 。[github網址](https://github.com/xueqiu/rdr)：這裡不多介紹，大家可以去github網址下載相應的工具使用。這個工具可以分析Redis快照情況，包括：Redis不同結構型別容量、key數量、top 100 largest keys、字首key數量和容量。

分析後的結論：msg Redis叢集中，mi：開頭的結構佔比80%左右，其中單推訊息佔比80%。說明：

-   **單推**：1條訊息推送1個使用者
    
-   **群推**：1條訊息可以重複推送多個使用者，訊息可以複用。

單推的特點是一對一推送，推送完或者推送失敗（被管控、無效使用者等）訊息體就不再使用。

**最佳化方案**：

-   及時清理單推訊息，如果使用者已經收到單推訊息，收到puback回執，直接刪除Redis訊息。如果單推訊息被管控等原因限制傳送，直接刪除單推訊息體。
    
-   對於相同內容的訊息，進行聚合儲存，相同內容訊息儲存一條，訊息id做標識推送時多次使用。

經過這個最佳化後，縮容效果較明顯。全量上線後容量縮小了2090G，原最高容量為3650G，**容量縮小了58%**。

![圖片](https://static001.geekbang.org/infoq/02/0276e34bf677a05ec1e3ae0e726e213a.webp)

## 4.2 msg Redis大叢集根據業務屬性拆分

雖然進行了叢集容量最佳化，但是高峰期msg Redis壓力依然很大。

**主要原因**：

1）連線msg Redis的節點很多，導致高峰期連線數較高。

2）訊息體還有等待佇列都儲存在一個叢集，推送時都需要操作，導致Redis併發很大，高峰期cpu負載較高，到達90%以上。

3）老叢集Redis版本是3.x，拆分後，新叢集使用4.x版本。相較於3.x版本有如下優勢：

-   PSYNC2.0：最佳化了之前版本中，主從節點切換必然引起全量複製的問題。
    
-   提供了新的快取剔除演算法：LFU（Least Frequently Used），並對已有演算法進行了最佳化。
    
-   提供了非阻塞del和flushall/flushdb功能，有效解決刪除了bigkey可能造成的Redis阻塞。
    
-   提供了memory命令，實現對記憶體更為全面的監控統計。
    
-    更節約記憶體，儲存同樣多的資料，需要更少的記憶體空間。
    
-   可以做記憶體碎片整理，逐步回收記憶體。當使用Jemalloc記憶體分配 方案的時候，Redis可以使用線上記憶體整理。

拆分方案根據業務屬性對msg Redis儲存資訊進行拆分，把訊息體和等待佇列拆分出來，放到獨立的兩個叢集中去。這樣就有兩種拆分方案。

**方案一**：**把等待佇列從老叢集拆分出來**

只需推送節點進行修改，但是傳送等待佇列連續的，有狀態，與clientId線上狀態相關，對應的value會實時更新，切換會導致資料丟失。

**方案二**：**把訊息體從老叢集拆分出來**

所有連線msg Redis的節點替換新地址重啟，推送節點進行雙讀，等到老叢集命中率為0時，直接切換讀新叢集。由於訊息體的特點是隻有寫和讀兩個操作，沒有更新，切換不用考慮狀態問題，只要保證可以寫入讀取沒問題。並且訊息體容量具有增量屬性，需要能方便快速的擴容，新叢集採用4.0版本，方便動態擴縮容。

![](https://static001.geekbang.org/infoq/7f/7f5b3a5d36b6852872752104c6ec5a09.png)

考慮到對業務的影響及服務可用性，保證訊息不丟失，最終我們選擇方案二。採用雙讀單寫方案設計：

由於將訊息體切換到新叢集，那在切換期間一段時間（最多30天），新的訊息體寫到新叢集，老叢集儲存老訊息體內容。這期間推送節點需要雙讀，保證資料不丟失。為了保證雙讀的高效性，需要支援不修改程式碼，不重啟服務的動態規則調整措施。

大致規則分為4個：只讀老、只讀新、先讀老後讀新、先讀新後讀老。

> 設計思路：服務端支援4種策略，透過配置中心的配置決定走哪個規則。
> 
> 規則的判斷依據：根據老叢集的命中數和命中率決定。上線初期規則配置“先讀老再讀新”；當老叢集命中率低於50%，切換成"先讀新後讀老"；當老叢集命中數為0後，切換成“只讀新”。

老叢集的命中率和命中數透過通用監控增加埋點。

方案二流程圖如下：

![](https://static001.geekbang.org/infoq/c8/c84ccd0d2ac7621d44f4a1af5baa43be.png)

拆分後效果：

-   拆分前，老msg Redis叢集同時期高峰期負載95%以上。
    
-   拆分後，同時期高峰期負載降低到70%，下降15%。

![圖片](https://static001.geekbang.org/infoq/90/90288799a761ee6dd53cc4b3aa60517f.webp)

拆分前，msg Redis叢集同時期高峰期平均響應時間1.2ms，高峰期存在呼叫Redis響應慢情況。拆分後，平均響應時間降低到0.5ms，高峰期無響應慢問題。

## 4.3 Redis熱點key排查

前面有說過，4月某某明星熱點事件，出現msg Redis單節點連線數、記憶體飆升問題，單節點節點連線數達到24674，記憶體達到23.46G。

由於Redis叢集使用的虛擬機器，起初懷疑是虛擬機器所在宿主機存在壓力問題，因為根據排查發現出現問題的節點所在宿主機上掛載Redis主節點很多，大概10個左右，而其他宿主機掛載2-4個左右主節點，於是對master進行了一輪均衡化最佳化，使每臺宿主機分配的主節點都比較均衡。均衡化之後，整體有一定改善。但是，在推送高峰期，尤其是全速全量推送時，還是會偶爾出現單節點連線數、記憶體飆升問題。觀察宿主機網路卡出入流量，都沒出現瓶頸問題，同時也排除了宿主機上其他業務節點的影響。因此懷疑還是業務使用Redis存在熱點傾斜問題。

透過高峰期抓取呼叫鏈監控，從下圖可以看到，我們11:49到12:59這期間呼叫msg Redis的hexists命令耗時很高，該命令主要是查詢訊息是否在mii索引中，鏈路分析耗時的key大都為mii:0。同時對問題節點Redis記憶體快照進行分析，發現mii:0容量佔比很高，存在讀取mii:0熱點問題。

![](https://static001.geekbang.org/infoq/49/490372b665f303615613d65fb05e2fa5.png)

經過分析排查，發現生成訊息id的雪花演算法生成的messageId，存在傾斜問題，由於同一毫秒的序列值都是從0開始，並且序列長度為12位，所以對於併發不是很高的管理後臺及api節點，生成的messageId基本都是最後12位為0。由於mii索引key是mi:${messageId%1024}，messageId最後12位為0，messageId%1024即為0，這樣就導致msg Redis中mii:0這個key很大，查詢時命中率高，因此導致了Redis的熱key問題。

![](https://static001.geekbang.org/infoq/ed/ed563091b8c7b40590d39098b785fcc5.png)

**最佳化措施**：

1）雪花演算法改造，生成訊息id時使用的sequence初始值不再是0，而是從0~1023隨機取一個數，防止熱點傾斜問題。

2）透過msg訊息體中訊息型別及訊息體是否存在來替換調hexists命令。

**最終效果**：最佳化後，mii索引已分佈均勻，Redis連線數很平穩，記憶體增長也較平穩，不再出現Redis單節點記憶體、連線數暴增問題。

## 4.4 client Redis叢集併發呼叫最佳化

上游節點呼叫推送節點是透過clientId進行一致性hash呼叫的，推送節點會快取clientInfo資訊到本地，快取時間7天，推送時，優先查詢本地快取，判斷該client是否有效。對於重要且經常變更的資訊，直接查詢client Redis獲取，這樣導致推送高峰期，client Redis叢集壓力很大，併發高，cpu負載高。

最佳化前推送節點操作快取和client Redis流程圖：

![圖片](https://static001.geekbang.org/infoq/bf/bfa50e97d465f7bf572e256bc40d771a.webp)

**最佳化方案**：對原有clientInfo快取進行拆分，拆分成三個快取，採取分級方案。

-   cache還是儲存原來clientInfo一些資訊，這些資訊是不經常變更的，快取時間還是7天。
    
-   cache1快取clientInfo經常變更的資訊，如：線上狀態、cn地址等。
    
-   cache2快取ci加密部分引數，這部分快取只在需要加密時使用，變更頻率沒那麼高，只有連線時才會變更。

由於新增了快取，需考慮快取一致性問題，於是新增一下措施：

1）推送快取校驗，呼叫broker節點，根據broker的返回資訊，更新和清理本地快取資訊。broker新增不線上、aes不匹配錯誤碼。下次推送或者重試時，會重新從Redis中載入，獲取最新的client資訊。

2）根據手機端上行事件，connect和disconnect時，更新和清理本地快取資訊，下次推送或者重試時，會重新從Redis中載入，獲取最新的client資訊。

整體流程：訊息推送時，優先查詢本地快取，快取不存在或者已過期，才從client Redis中載入。推送到broker時，根據broker返回資訊，更新或失效快取。上行，收到disconnect、connect事件，及時更新或失效快取，再次推送時重新從client Redis載入。

最佳化後推送節點操作快取和client Redis流程圖：

![圖片](https://static001.geekbang.org/infoq/87/874e89b042950864fe2b3af0a037be56.webp)

**最佳化後效果**：

1）新增cache1快取命中率52%，cache2快取命中率30%。

2）client Redis併發呼叫量減少了近20%。

![](https://static001.geekbang.org/infoq/0e/0ef6d17be312d8fcd55d492d8542c212.jpeg)

3）高峰期Redis負載降低15%左右。

![](https://static001.geekbang.org/infoq/6d/6dfb6a0dd815867a51385d4e8383739a.jpeg)

![](https://static001.geekbang.org/infoq/4a/4ae22fca46ca3169eefa9812331df667.jpeg)

# 五、總結

Redis由於其高併發效能和支援豐富的資料結構，在高併發系統中作為快取中介軟體是較好的選擇。當然，Redis是否能發揮高效能，還依賴業務是否真的理解和正確使用Redis。有如下幾點需要注意：

> 1）由於Redis叢集模式，每個主節點只負責一部分slot，業務在設計Redis key時要充分考慮key的隨機性，均勻分散在Redis各節點上，同時應避免大key出現。另外，業務上應避免Redis請求熱點問題，同一時刻請求打到少部分節點。
> 
> 2）Redis實際吞吐量還與請求Redis的包資料大小，網路卡有關，[官方文件](http://www.redis.cn/topics/benchmarks.html)有相關說明，單個包大小超過1000bytes時，效能會急劇下降。所以在使用Redis時應儘量避免大key。另外，最好根據實際業務場景和實際網路環境，頻寬和網路卡情況進行效能壓測，對叢集實際吞吐量做摸底。

以我們client Redis叢集為例：（僅供參考）

-   **Network**：10000Mb；
    
-   **Redis Version**：3.x；
    
-   **Payload size**：250bytes avg；
    
-   **命令**：hset（25%）、hmset（10%）、hget（60%）、hmget（5%）；
    
-   **效能情況**：連線數5500、48000/s、cpu 95%左右。

![圖片](https://static001.geekbang.org/infoq/4a/4a0c8385e412224ad8a8bea9d5a7b7f9.webp)

![](https://static001.geekbang.org/infoq/64/64121d14e9fb745d49b8cf9e64a40c57.webp)

Redis在實時分析這塊支援較少，除了基本指標監控外，實時記憶體資料分析暫不支援。在實際業務場景下如果出現Redis瓶頸，往往監控資料也會缺失，定位問題較難。對Redis的資料分析只能依賴分析工具對Redis快照檔案進行分析。因此，對Redis的使用依賴業務對Redis的充分認知，方案設計的時候充分考慮。同時根據業務場景對Redis做好效能壓測，瞭解瓶頸在哪，做好監控和擴縮容準備。

> 作者：vivo網際網路伺服器團隊-Yu Quan

Redis 在 vivo 推送平臺的應用與最佳化實踐

相關文章