Reids的BigKey和HotKey

拼搏现实的明天。 2023-09-23 21:42 99阅读 0赞

### 1.什么是BigKey和HotKey ###

#### 1.1.Big Key ####

Redis big key problem，实际上不是大Key问题，而是Key对应的value过大，因此严格来说是Big Value问题，Redis value is too large (key value is too large)。

到底多大的value会导致big key问题，并没有统一的标准。

例如，对于String类型的value，有时候超过5M属于big key，有时候稳妥起见，超过10K就可以算作Bigey。

Big Key会导致哪些问题呢？

1、由于value值很大，序列化和反序列化时间过长，网络时延也长，从而导致操作Big Key的时候耗时很长，降低了Redis的性能。

2、在集群模式下无法做到负载均衡，导致负载倾斜到某个实例上，单实例的QPS会比较高，内存占用比较多。

3、由于Redis是单线程，如果要对这个大Key进行删除操作，被操作的实例可能会被block住，从而导致无法响应请求。

Big Key是如何产生的呢？

一般是程序设计者对于数据的规模预料不当，或设计考虑遗漏导致的Big Key的产生。

在某些业务场景下，很容易产生Big Key，例如KOL或者流量明星的粉丝列表、投票的统计信息、大批量数据的缓存，等等。

#### 1.2.Hot Key ####

Hot Key，也叫Hotspot Key，即热点Key。如果某个特定Key突然有大量请求，流量集中到某个实例，甚至导致这台Redis服务器因为达到物理网卡上线而宕机，这个时候其实就是遇到了热点Key 问题。

热点key会导致很多系统问题：

1、流量过度集中，无法发挥集群优势，如果达到该实例处理上限，导致节点宕机，进而冲击数据库，有导致缓存雪崩，让整个系统挂掉的风险。

2、由于Redis是单线程操作，热点Key会影响所在示例其他Key的操作。

### 2.如何发现BigKey和HotKey ###

#### 2.1.发现BigKey ####

1、通过Redis命令查询BigKey。

以下命令可以扫描Redis的整个Key空间不同数据类型中最大的Key。-i 0.1 参数可以在扫描的时候每100次命令执行sleep 0.1 秒。

Redis自带的bigkeys的命令可以很方便的在线扫描大key，对服务的性能影响很小，单缺点是信息较少，只有每个类型最大的Key。

$ redis-cli -p 999 --bigkeys -i 0.1
    复制代码

2、通过开源工具查询BigKey。

使用开源工具，优点在于获取的key信息详细、可选参数多、支持定制化需求，后续处理方便，缺点是需要离线操作，获取结果时间较长。

比如，redis-rdb-tools 等等。

$ git clone https://github.com/sripathikrishnan/redis-rdb-tools 
    $ cd redis-rdb-tools
    $ sudo python setup.py install 
    $ rdb -c memory dump-10030.rdb > memory.csv
    复制代码

#### 2.2.发现HotKey ####

1、hotkeys 参数

Redis 在 4.0.3 版本中添加了 hotkeys （[github.com/redis/redis…][github.com_redis_redis]）查找特性，可以直接利用 redis-cli --hotkeys 获取当前 keyspace 的热点 key，实现上是通过 scan + object freq 完成的。

2、monitor 命令

monitor 命令可以实时抓取出 Redis 服务器接收到的命令，通过 redis-cli monitor 抓取数据，同时结合一些现成的分析工具，比如 redis-faina，统计出热 Key。

3.BigKey问题的解决方法

发现和解决BigKey问题，可以参考以下思路：

1、在设计程序之初，预估value的大小，在业务设计中就避免过大的value的出现。

2、通过监控的方式，尽早发现大Key。

3、如果实在无法避免大Key，那么可以将一个Key拆分为多个部分分别存储到不同的Key里。

下面以List类型的value为例，演示一下拆分解决大Key问题的方法。

有一个User Id列表，有1000万数据，如果全部存储到一个Key下面，会非常大，可以通过分页拆分的方式存取数据。

下面是存取数据的代码实现：

/**
     * 将用户数据写入Redis缓存
     *
     * @param userIdList
     */
    public void pushBigKey(List<Long> userIdList) {
        // 将数据1000个一页进行拆分
        int pageSize = 1000;
        List<List<Long>> userIdLists = Lists.partition(userIdList, pageSize);
    
        // 遍历所有分页，每页数据存到1个Key中，通过后缀index进行区分
        Long index = 0L;
        for (List<Long> userIdListPart : userIdLists) {
            String pageDataKey = "user:ids:data:" + (index++);
            // 使用管道pipeline，减少获取连接次数
            redisTemplate.executePipelined((RedisCallback<Long>) connection -> {
                for (Long userId : userIdListPart) {
                    connection.lPush(pageDataKey.getBytes(), userId.toString().getBytes());
                }
                return null;
            });
            redisTemplate.expire(pageDataKey, 1, TimeUnit.DAYS);
        }
    
        // 存完数据，将数据的页数存到一个单独的Key中
        String indexKey = "user:ids:index";
        redisTemplate.opsForValue().set(indexKey, index.toString());
        redisTemplate.expire(indexKey, 1, TimeUnit.DAYS);
    }
    
    /**
     * 从Redis缓存读取用户数据
     *
     * @return
     */
    public List<Long> popBigKey() {
        String indexKey = "user:ids:index";
        String indexStr = redisTemplate.opsForValue().get(indexKey);
        if (StringUtils.isEmpty(indexStr)) {
            return null;
        }
    
        List<Long> userIdList = new ArrayList<>();
    
        Long index = Long.parseLong(indexStr);
        for (Long i = 1L; i <= index; i++) {
            String pageDataKey = "user:ids:data:" + i;
            Long currentPageSize = redisTemplate.opsForList().size(pageDataKey);
            List<Object> dataListFromRedisOnePage = redisTemplate.executePipelined((RedisCallback<Long>) connection -> {
                for (int j = 0; j < currentPageSize; j++) {
                    connection.rPop(pageDataKey.getBytes());
                }
                return null;
            });
            for (Object data : dataListFromRedisOnePage) {
                userIdList.add(Long.parseLong(data.toString()));
            }
        }
    
        return userIdList;
    }
    复制代码

### 4.HotKey问题的解决方法 ###

如果出现了HotKey，可以考虑以下解决方案：

1、使用本地缓存。比如在服务器缓存需要请求的热点数据，这样通过服务器集群的负载均衡，可以避免将大流量请求到Redis。

但本地缓存会引入数据一致性问题，同时浪费服务器内存。

2、HotKey将复制多份，随机打散，使用代理请求。

/**
     * 将HotKey数据复制20份存储
     *
     * @param key
     * @param value
     */
    public void setHotKey(String key, String value) {
        int copyNum = 20;
        for (int i = 1; i <= copyNum; i++) {
            String indexKey = key + ":" + i;
            redisTemplate.opsForValue().set(indexKey, value);
            redisTemplate.expire(indexKey, 1, TimeUnit.DAYS);
        }
    }
    
    /**
     * 随机从一个拷贝中获取一个数据
     *
     * @param key
     * @return
     */
    public String getHotKey(String key) {
        int startInclusive = 1;
        int endExclusive = 21;
        String randomKey = key + ":" + RandomUtils.nextInt(startInclusive, endExclusive);
        return redisTemplate.opsForValue().get(randomKey);
    }
    复制代码

![format_png][]

作者：西召  
原文链接：https://juejin.cn/post/7184772938099327034

[github.com_redis_redis]: https://link.juejin.cn?target=https%3A%2F%2Fgithub.com%2Fredis%2Fredis%2Fpull%2F4392
[format_png]: https://img-blog.csdnimg.cn/img_convert/a79a758bb1461fd8167dc729f2f209d9.webp?x-oss-process=image/format,png