Redis高级篇之最佳实践

太过爱你忘了你带给我的痛 2024-03-02 09:13 57阅读 0赞

### Redis高级篇之最佳实践 ###

**今日内容**

>  *  Redis键值设计
>  *  批处理优化
>  *  服务端优化
>  *  集群最佳实践

### 1、Redis键值设计 ###

#### 1.1、优雅的key结构 ####

Redis的Key虽然可以自定义，但最好遵循下面的几个最佳实践约定：

*  遵循基本格式：\[业务名称\]:\[数据名\]:\[id\]
 *  长度不超过44字节
 *  不包含特殊字符

例如：我们的登录业务，保存用户信息，其key可以设计成如下格式：

![image-20220521120213631][]

这样设计的好处：

*  可读性强
 *  避免key冲突
 *  方便管理
 *  更节省内存： key是string类型，底层编码包含int、embstr和raw三种。embstr在小于44字节使用，采用连续内存空间，内存占用更小。当字节数大于44字节时，会转为raw模式存储，在raw模式下，内存空间不是连续的，而是采用一个指针指向了另外一段内存空间，在这段空间里存储SDS内容，这样空间不连续，访问的时候性能也就会收到影响，还有可能产生内存碎片

![image-20220521122320482][]

#### 1.2、拒绝BigKey ####

BigKey通常以Key的大小和Key中成员的数量来综合判定，例如：

*  Key本身的数据量过大：一个String类型的Key，它的值为5 MB
 *  Key中的成员数过多：一个ZSET类型的Key，它的成员数量为10,000个
 *  Key中成员的数据量过大：一个Hash类型的Key，它的成员数量虽然只有1,000个但这些成员的Value（值）总大小为100 MB

那么如何判断元素的大小呢？redis也给我们提供了命令

![image-20220521124650117][]

推荐值：

*  单个key的value小于10KB
 *  对于集合类型的key，建议元素数量小于1000

##### 1.2.1、BigKey的危害 #####

*  网络阻塞
    
     *  对BigKey执行读请求时，少量的QPS就可能导致带宽使用率被占满，导致Redis实例，乃至所在物理机变慢
 *  数据倾斜
    
     *  BigKey所在的Redis实例内存使用率远超其他实例，无法使数据分片的内存资源达到均衡
 *  Redis阻塞
    
     *  对元素较多的hash、list、zset等做运算会耗时较旧，使主线程被阻塞
 *  CPU压力
    
     *  对BigKey的数据序列化和反序列化会导致CPU的使用率飙升，影响Redis实例和本机其它应用

##### 1.2.2、如何发现BigKey #####

###### ①redis-cli --bigkeys ######

利用redis-cli提供的–bigkeys参数，可以遍历分析所有key，并返回Key的整体统计信息与每个数据的Top1的big key

命令：`redis-cli -a 密码 --bigkeys`

![image-20220521133359507][]

###### ②scan扫描 ######

自己编程，利用scan扫描Redis中的所有key，利用strlen、hlen等命令判断key的长度（此处不建议使用MEMORY USAGE）

![image-20220521133703245][]

scan 命令调用完后每次会返回2个元素，第一个是下一次迭代的光标，第一次光标会设置为0，当最后一次scan 返回的光标等于0时，表示整个scan遍历结束了，第二个返回的是List，一个匹配的key的数组

import com.heima.jedis.util.JedisConnectionFactory;
    import org.junit.jupiter.api.AfterEach;
    import org.junit.jupiter.api.BeforeEach;
    import org.junit.jupiter.api.Test;
    import redis.clients.jedis.Jedis;
    import redis.clients.jedis.ScanResult;
    
    import java.util.HashMap;
    import java.util.List;
    import java.util.Map;
    
    public class JedisTest {
        
        private Jedis jedis;
    
        @BeforeEach
        void setUp() {
        
            // 1.建立连接
            // jedis = new Jedis("192.168.150.101", 6379);
            jedis = JedisConnectionFactory.getJedis();
            // 2.设置密码
            jedis.auth("123321");
            // 3.选择库
            jedis.select(0);
        }
    
        final static int STR_MAX_LEN = 10 * 1024;
        final static int HASH_MAX_LEN = 500;
    
        @Test
        void testScan() {
        
            int maxLen = 0;
            long len = 0;
    
            String cursor = "0";
            do {
        
                // 扫描并获取一部分key
                ScanResult<String> result = jedis.scan(cursor);
                // 记录cursor
                cursor = result.getCursor();
                List<String> list = result.getResult();
                if (list == null || list.isEmpty()) {
        
                    break;
                }
                // 遍历
                for (String key : list) {
        
                    // 判断key的类型
                    String type = jedis.type(key);
                    switch (type) {
        
                        case "string":
                            len = jedis.strlen(key);
                            maxLen = STR_MAX_LEN;
                            break;
                        case "hash":
                            len = jedis.hlen(key);
                            maxLen = HASH_MAX_LEN;
                            break;
                        case "list":
                            len = jedis.llen(key);
                            maxLen = HASH_MAX_LEN;
                            break;
                        case "set":
                            len = jedis.scard(key);
                            maxLen = HASH_MAX_LEN;
                            break;
                        case "zset":
                            len = jedis.zcard(key);
                            maxLen = HASH_MAX_LEN;
                            break;
                        default:
                            break;
                    }
                    if (len >= maxLen) {
        
                        System.out.printf("Found big key : %s, type: %s, length or size: %d %n", key, type, len);
                    }
                }
            } while (!cursor.equals("0"));
        }
        
        @AfterEach
        void tearDown() {
        
            if (jedis != null) {
        
                jedis.close();
            }
        }
    
    }

###### ③第三方工具 ######

*  利用第三方工具，如 Redis-Rdb-Tools 分析RDB快照文件，全面分析内存使用情况
 *  https://github.com/sripathikrishnan/redis-rdb-tools

###### ④网络监控 ######

*  自定义工具，监控进出Redis的网络数据，超出预警值时主动告警
 *  一般阿里云搭建的云服务器就有相关监控页面

![image-20220521140415785][]

##### 1.2.3、如何删除BigKey #####

BigKey内存占用较多，即便时删除这样的key也需要耗费很长时间，导致Redis主线程阻塞，引发一系列问题。

*  redis 3.0 及以下版本
    
     *  如果是集合类型，则遍历BigKey的元素，先逐个删除子元素，最后删除BigKey

![image-20220521140621204][]

*  Redis 4.0以后
    
     *  Redis在4.0后提供了异步删除的命令：unlink

#### 1.3、恰当的数据类型 ####

##### 例1：比如存储一个User对象，我们有三种存储方式： #####

###### ①方式一：json字符串 ######

优点：实现简单粗暴

缺点：数据耦合，不够灵活

###### ②方式二：字段打散 ######

优点：可以灵活访问对象任意字段

缺点：占用空间大、没办法做统一控制

###### ③方式三：hash（推荐） ######

优点：底层使用ziplist，空间占用小，可以灵活访问对象的任意字段

缺点：代码相对复杂

##### 例2：假如有hash类型的key，其中有100万对field和value，field是自增id，这个key存在什么问题？如何优化？ #####

<table> 
 <tbody> 
  <tr> 
   <td>key</td> 
   <td>field</td> 
   <td>value</td> 
  </tr> 
  <tr> 
   <td>someKey</td> 
   <td>id:0</td> 
   <td>value0</td> 
  </tr> 
  <tr> 
   <td>.....</td> 
   <td>.....</td> 
  </tr> 
  <tr> 
   <td>id:999999</td> 
   <td>value999999</td> 
  </tr> 
 </tbody> 
</table>

存在的问题：

*  hash的entry数量超过500时，会使用哈希表而不是ZipList，内存占用较多
    
     *  ![image-20220521142943350][]
 *  可以通过hash-max-ziplist-entries配置entry上限。但是如果entry过多就会导致BigKey问题

###### 方案一 ######

拆分为string类型

<table> 
 <tbody> 
  <tr> 
   <td>key</td> 
   <td>value</td> 
  </tr> 
  <tr> 
   <td>id:0</td> 
   <td>value0</td> 
  </tr> 
  <tr> 
   <td>.....</td> 
   <td>.....</td> 
  </tr> 
  <tr> 
   <td>id:999999</td> 
   <td>value999999</td> 
  </tr> 
 </tbody> 
</table>

存在的问题：

*  string结构底层没有太多内存优化，内存占用较多

![image-20220521143458010][]

*  想要批量获取这些数据比较麻烦

###### 方案二 ######

拆分为小的hash，将 id / 100 作为key， 将id % 100 作为field，这样每100个元素为一个Hash

<table> 
 <tbody> 
  <tr> 
   <td>key</td> 
   <td>field</td> 
   <td>value</td> 
  </tr> 
  <tr> 
   <td>key:0</td> 
   <td>id:00</td> 
   <td>value0</td> 
  </tr> 
  <tr> 
   <td>.....</td> 
   <td>.....</td> 
  </tr> 
  <tr> 
   <td>id:99</td> 
   <td>value99</td> 
  </tr> 
  <tr> 
   <td>key:1</td> 
   <td>id:00</td> 
   <td>value100</td> 
  </tr> 
  <tr> 
   <td>.....</td> 
   <td>.....</td> 
  </tr> 
  <tr> 
   <td>id:99</td> 
   <td>value199</td> 
  </tr> 
  <tr> 
   <td colspan="3">....</td> 
  </tr> 
  <tr> 
   <td>key:9999</td> 
   <td>id:00</td> 
   <td>value999900</td> 
  </tr> 
  <tr> 
   <td>.....</td> 
   <td>.....</td> 
  </tr> 
  <tr> 
   <td>id:99</td> 
   <td>value999999</td> 
  </tr> 
 </tbody> 
</table>

![image-20220521144339377][]

package com.heima.test;
    
    import com.heima.jedis.util.JedisConnectionFactory;
    import org.junit.jupiter.api.AfterEach;
    import org.junit.jupiter.api.BeforeEach;
    import org.junit.jupiter.api.Test;
    import redis.clients.jedis.Jedis;
    import redis.clients.jedis.Pipeline;
    import redis.clients.jedis.ScanResult;
    
    import java.util.HashMap;
    import java.util.List;
    import java.util.Map;
    
    public class JedisTest {
        
        private Jedis jedis;
    
        @BeforeEach
        void setUp() {
        
            // 1.建立连接
            // jedis = new Jedis("192.168.150.101", 6379);
            jedis = JedisConnectionFactory.getJedis();
            // 2.设置密码
            jedis.auth("123321");
            // 3.选择库
            jedis.select(0);
        }
    
        @Test
        void testSetBigKey() {
        
            Map<String, String> map = new HashMap<>();
            for (int i = 1; i <= 650; i++) {
        
                map.put("hello_" + i, "world!");
            }
            jedis.hmset("m2", map);
        }
    
        @Test
        void testBigHash() {
        
            Map<String, String> map = new HashMap<>();
            for (int i = 1; i <= 100000; i++) {
        
                map.put("key_" + i, "value_" + i);
            }
            jedis.hmset("test:big:hash", map);
        }
    
        @Test
        void testBigString() {
        
            for (int i = 1; i <= 100000; i++) {
        
                jedis.set("test:str:key_" + i, "value_" + i);
            }
        }
    
        @Test
        void testSmallHash() {
        
            int hashSize = 100;
            Map<String, String> map = new HashMap<>(hashSize);
            for (int i = 1; i <= 100000; i++) {
        
                int k = (i - 1) / hashSize;
                int v = i % hashSize;
                map.put("key_" + v, "value_" + v);
                if (v == 0) {
        
                    jedis.hmset("test:small:hash_" + k, map);
                }
            }
        }
    
        @AfterEach
        void tearDown() {
        
            if (jedis != null) {
        
                jedis.close();
            }
        }
    }

#### 1.4、总结 ####

*  Key的最佳实践
    
     *  固定格式：\[业务名\]:\[数据名\]:\[id\]
     *  足够简短：不超过44字节
     *  不包含特殊字符
 *  Value的最佳实践：
    
     *  合理的拆分数据，拒绝BigKey
     *  选择合适数据结构
     *  Hash结构的entry数量不要超过1000
     *  设置合理的超时时间

### 2、批处理优化 ###

#### 2.1、Pipeline ####

##### 2.1.1、我们的客户端与redis服务器是这样交互的 #####

单个命令的执行流程

![image-20220521151459880][]

N条命令的执行流程

![image-20220521151524621][]

redis处理指令是很快的，主要花费的时候在于网络传输。于是乎很容易想到将多条指令批量的传输给redis

![image-20220521151902080][]

##### 2.1.2、MSet #####

Redis提供了很多Mxxx这样的命令，可以实现批量插入数据，例如：

*  mset
 *  hmset

利用mset批量插入10万条数据

@Test
    void testMxx() {
        
        String[] arr = new String[2000];
        int j;
        long b = System.currentTimeMillis();
        for (int i = 1; i <= 100000; i++) {
        
            j = (i % 1000) << 1;
            arr[j] = "test:key_" + i;
            arr[j + 1] = "value_" + i;
            if (j == 0) {
        
                jedis.mset(arr);
            }
        }
        long e = System.currentTimeMillis();
        System.out.println("time: " + (e - b));
    }

##### 2.1.3、Pipeline #####

MSET虽然可以批处理，但是却只能操作部分数据类型，因此如果有对复杂数据类型的批处理需要，建议使用Pipeline

@Test
    void testPipeline() {
        
        // 创建管道
        Pipeline pipeline = jedis.pipelined();
        long b = System.currentTimeMillis();
        for (int i = 1; i <= 100000; i++) {
        
            // 放入命令到管道
            pipeline.set("test:key_" + i, "value_" + i);
            if (i % 1000 == 0) {
        
                // 每放入1000条命令，批量执行
                pipeline.sync();
            }
        }
        long e = System.currentTimeMillis();
        System.out.println("time: " + (e - b));
    }

#### 2.2、集群下的批处理 ####

如MSET或Pipeline这样的批处理需要在一次请求中携带多条命令，而此时如果Redis是一个集群，那批处理命令的多个key必须落在一个插槽中，否则就会导致执行失败。大家可以想一想这样的要求其实很难实现，因为我们在批处理时，可能一次要插入很多条数据，这些数据很有可能不会都落在相同的节点上，这就会导致报错了

这个时候，我们可以找到4种解决方案

![1653126446641][]

第一种方案：串行执行，所以这种方式没有什么意义，当然，执行起来就很简单了，缺点就是耗时过久。

第二种方案：串行slot，简单来说，就是执行前，客户端先计算一下对应的key的slot，一样slot的key就放到一个组里边，不同的，就放到不同的组里边，然后对每个组执行pipeline的批处理，他就能串行执行各个组的命令，这种做法比第一种方法耗时要少，但是缺点呢，相对来说复杂一点，所以这种方案还需要优化一下

第三种方案：并行slot，相较于第二种方案，在分组完成后串行执行，第三种方案，就变成了并行执行各个命令，所以他的耗时就非常短，但是实现呢，也更加复杂。

第四种：hash\_tag，redis计算key的slot的时候，其实是根据key的有效部分来计算的，通过这种方式就能一次处理所有的key，这种方式耗时最短，实现也简单，但是如果通过操作key的有效部分，那么就会导致所有的key都落在一个节点上，产生数据倾斜的问题，所以我们推荐使用第三种方式。

##### 2.2.1 串行化执行代码实践 #####

public class JedisClusterTest {
        
    
        private JedisCluster jedisCluster;
    
        @BeforeEach
        void setUp() {
        
            // 配置连接池
            JedisPoolConfig poolConfig = new JedisPoolConfig();
            poolConfig.setMaxTotal(8);
            poolConfig.setMaxIdle(8);
            poolConfig.setMinIdle(0);
            poolConfig.setMaxWaitMillis(1000);
            HashSet<HostAndPort> nodes = new HashSet<>();
            nodes.add(new HostAndPort("192.168.150.101", 7001));
            nodes.add(new HostAndPort("192.168.150.101", 7002));
            nodes.add(new HostAndPort("192.168.150.101", 7003));
            nodes.add(new HostAndPort("192.168.150.101", 8001));
            nodes.add(new HostAndPort("192.168.150.101", 8002));
            nodes.add(new HostAndPort("192.168.150.101", 8003));
            jedisCluster = new JedisCluster(nodes, poolConfig);
        }
    
        @Test
        void testMSet() {
        
            jedisCluster.mset("name", "Jack", "age", "21", "sex", "male");
    
        }
    
        @Test
        void testMSet2() {
        
            Map<String, String> map = new HashMap<>(3);
            map.put("name", "Jack");
            map.put("age", "21");
            map.put("sex", "Male");
            //对Map数据进行分组。根据相同的slot放在一个分组
            //key就是slot，value就是一个组
            Map<Integer, List<Map.Entry<String, String>>> result = map.entrySet()
                    .stream()
                    .collect(Collectors.groupingBy(
                            entry -> ClusterSlotHashUtil.calculateSlot(entry.getKey()))
                    );
            //串行的去执行mset的逻辑
            for (List<Map.Entry<String, String>> list : result.values()) {
        
                String[] arr = new String[list.size() * 2];
                int j = 0;
                for (int i = 0; i < list.size(); i++) {
        
                    j = i<<2;
                    Map.Entry<String, String> e = list.get(0);
                    arr[j] = e.getKey();
                    arr[j + 1] = e.getValue();
                }
                jedisCluster.mset(arr);
            }
        }
    
        @AfterEach
        void tearDown() {
        
            if (jedisCluster != null) {
        
                jedisCluster.close();
            }
        }
    }

2.2.2 Spring集群环境下批处理代码

@Test
        void testMSetInCluster() {
        
            Map<String, String> map = new HashMap<>(3);
            map.put("name", "Rose");
            map.put("age", "21");
            map.put("sex", "Female");
            stringRedisTemplate.opsForValue().multiSet(map);
    
    
            List<String> strings = stringRedisTemplate.opsForValue().multiGet(Arrays.asList("name", "age", "sex"));
            strings.forEach(System.out::println);
    
        }

**原理分析**

在RedisAdvancedClusterAsyncCommandsImpl 类中

首先根据slotHash算出来一个partitioned的map，map中的key就是slot，而他的value就是对应的对应相同slot的key对应的数据

通过 RedisFuture mset = super.mset(op);进行异步的消息发送

@Override
    public RedisFuture<String> mset(Map<K, V> map) {
    
        Map<Integer, List<K>> partitioned = SlotHash.partition(codec, map.keySet());
    
        if (partitioned.size() < 2) {
            return super.mset(map);
        }
    
        Map<Integer, RedisFuture<String>> executions = new HashMap<>();
    
        for (Map.Entry<Integer, List<K>> entry : partitioned.entrySet()) {
    
            Map<K, V> op = new HashMap<>();
            entry.getValue().forEach(k -> op.put(k, map.get(k)));
    
            RedisFuture<String> mset = super.mset(op);
            executions.put(entry.getKey(), mset);
        }
    
        return MultiNodeExecution.firstOfAsync(executions);
    }

### 3、服务器端优化-持久化配置 ###

Redis的持久化虽然可以保证数据安全，但也会带来很多额外的开销，因此持久化请遵循下列建议：

*  用来做缓存的Redis实例尽量不要开启持久化功能
 *  建议关闭RDB持久化功能，使用AOF持久化
 *  利用脚本定期在slave节点做RDB，实现数据备份
 *  设置合理的rewrite阈值，避免频繁的bgrewrite
 *  配置no-appendfsync-on-rewrite = yes，禁止在rewrite期间做aof，避免因AOF引起的阻塞
 *  部署有关建议：
    
     *  Redis实例的物理机要预留足够内存，应对fork和rewrite
     *  单个Redis实例内存上限不要太大，例如4G或8G。可以加快fork的速度、减少主从同步、数据迁移压力
     *  不要与CPU密集型应用部署在一起
     *  不要与高硬盘负载应用一起部署。例如：数据库、消息队列

### 4、服务器端优化-慢查询优化 ###

#### 4.1 什么是慢查询 ####

并不是很慢的查询才是慢查询，而是：在Redis执行时耗时超过某个阈值的命令，称为慢查询。

慢查询的危害：由于Redis是单线程的，所以当客户端发出指令后，他们都会进入到redis底层的queue来执行，如果此时有一些慢查询的数据，就会导致大量请求阻塞，从而引起报错，所以我们需要解决慢查询问题。

![1653129590210][]

慢查询的阈值可以通过配置指定：

slowlog-log-slower-than：慢查询阈值，单位是微秒。默认是10000，建议1000

慢查询会被放入慢查询日志中，日志的长度有上限，可以通过配置指定：

slowlog-max-len：慢查询日志（本质是一个队列）的长度。默认是128，建议1000

![1653130457771][]

修改这两个配置可以使用：config set命令：

![1653130475979][]

#### 4.2 如何查看慢查询 ####

知道了以上内容之后，那么咱们如何去查看慢查询日志列表呢：

*  slowlog len：查询慢查询日志长度
 *  slowlog get \[n\]：读取n条慢查询日志
 *  slowlog reset：清空慢查询列表

![1653130858066][]

### 5、服务器端优化-命令及安全配置 ###

安全可以说是服务器端一个非常重要的话题，如果安全出现了问题，那么一旦这个漏洞被一些坏人知道了之后，并且进行攻击，那么这就会给咱们的系统带来很多的损失，所以我们这节课就来解决这个问题。

Redis会绑定在0.0.0.0:6379，这样将会将Redis服务暴露到公网上，而Redis如果没有做身份认证，会出现严重的安全漏洞.  
漏洞重现方式：https://cloud.tencent.com/developer/article/1039000

为什么会出现不需要密码也能够登录呢，主要是Redis考虑到每次登录都比较麻烦，所以Redis就有一种ssh免秘钥登录的方式，生成一对公钥和私钥，私钥放在本地，公钥放在redis端，当我们登录时服务器，再登录时候，他会去解析公钥和私钥，如果没有问题，则不需要利用redis的登录也能访问，这种做法本身也很常见，但是这里有一个前提，前提就是公钥必须保存在服务器上，才行，但是Redis的漏洞在于在不登录的情况下，也能把秘钥送到Linux服务器，从而产生漏洞

漏洞出现的核心的原因有以下几点：

*  Redis未设置密码
 *  利用了Redis的config set命令动态修改Redis配置
 *  使用了Root账号权限启动Redis

所以：如何解决呢？我们可以采用如下几种方案

为了避免这样的漏洞，这里给出一些建议：

*  Redis一定要设置密码
 *  禁止线上使用下面命令：keys、flushall、flushdb、config set等命令。可以利用rename-command禁用。
 *  bind：限制网卡，禁止外网网卡访问
 *  开启防火墙
 *  不要使用Root账户启动Redis
 *  尽量不是有默认的端口

### 6、服务器端优化-Redis内存划分和内存配置 ###

当Redis内存不足时，可能导致Key频繁被删除、响应时间变长、QPS不稳定等问题。当内存使用率达到90%以上时就需要我们警惕，并快速定位到内存占用的原因。

**有关碎片问题分析**

Redis底层分配并不是这个key有多大，他就会分配多大，而是有他自己的分配策略，比如8,16,20等等，假定当前key只需要10个字节，此时分配8肯定不够，那么他就会分配16个字节，多出来的6个字节就不能被使用，这就是我们常说的 碎片问题

**进程内存问题分析：**

这片内存，通常我们都可以忽略不计

**缓冲区内存问题分析：**

一般包括客户端缓冲区、AOF缓冲区、复制缓冲区等。客户端缓冲区又包括输入缓冲区和输出缓冲区两种。这部分内存占用波动较大，所以这片内存也是我们需要重点分析的内存问题。

<table> 
 <thead> 
  <tr> 
   <th><strong>内存占用</strong></th> 
   <th><strong>说明</strong></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>数据内存</td> 
   <td>是Redis最主要的部分，存储Redis的键值信息。主要问题是BigKey问题、内存碎片问题</td> 
  </tr> 
  <tr> 
   <td>进程内存</td> 
   <td>Redis主进程本身运⾏肯定需要占⽤内存，如代码、常量池等等；这部分内存⼤约⼏兆，在⼤多数⽣产环境中与Redis数据占⽤的内存相⽐可以忽略。</td> 
  </tr> 
  <tr> 
   <td>缓冲区内存</td> 
   <td>一般包括客户端缓冲区、AOF缓冲区、复制缓冲区等。客户端缓冲区又包括输入缓冲区和输出缓冲区两种。这部分内存占用波动较大，不当使用BigKey，可能导致内存溢出。</td> 
  </tr> 
 </tbody> 
</table>

于是我们就需要通过一些命令，可以查看到Redis目前的内存分配状态：

*  info memory：查看内存分配的情况

![1653132073570][]

*  memory xxx：查看key的主要占用情况

![1653132098823][]

接下来我们看到了这些配置，最关键的缓存区内存如何定位和解决呢？

内存缓冲区常见的有三种：

*  复制缓冲区：主从复制的repl\_backlog\_buf，如果太小可能导致频繁的全量复制，影响性能。通过replbacklog-size来设置，默认1mb
 *  AOF缓冲区：AOF刷盘之前的缓存区域，AOF执行rewrite的缓冲区。无法设置容量上限
 *  客户端缓冲区：分为输入缓冲区和输出缓冲区，输入缓冲区最大1G且不能设置。输出缓冲区可以设置

以上复制缓冲区和AOF缓冲区 不会有问题，最关键就是客户端缓冲区的问题

客户端缓冲区：指的就是我们发送命令时，客户端用来缓存命令的一个缓冲区，也就是我们向redis输入数据的输入端缓冲区和redis向客户端返回数据的响应缓存区，输入缓冲区最大1G且不能设置，所以这一块我们根本不用担心，如果超过了这个空间，redis会直接断开，因为本来此时此刻就代表着redis处理不过来了，我们需要担心的就是输出端缓冲区

![1653132410073][]

我们在使用redis过程中，处理大量的big value，那么会导致我们的输出结果过多，如果输出缓存区过大，会导致redis直接断开，而默认配置的情况下， 其实他是没有大小的，这就比较坑了，内存可能一下子被占满，会直接导致咱们的redis断开，所以解决方案有两个

1、设置一个大小

2、增加我们带宽的大小，避免我们出现大量数据从而直接超过了redis的承受能力

### 7、服务器端集群优化-集群还是主从 ###

集群虽然具备高可用特性，能实现自动故障恢复，但是如果使用不当，也会存在一些问题：

*  集群完整性问题
 *  集群带宽问题
 *  数据倾斜问题
 *  客户端性能问题
 *  命令的集群兼容性问题
 *  lua和事务问题

**问题1、在Redis的默认配置中，如果发现任意一个插槽不可用，则整个集群都会停止对外服务：**

大家可以设想一下，如果有几个slot不能使用，那么此时整个集群都不能用了，我们在开发中，其实最重要的是可用性，所以需要把如下配置修改成no，即有slot不能使用时，我们的redis集群还是可以对外提供服务

![1653132740637][]

**问题2、集群带宽问题**

集群节点之间会不断的互相Ping来确定集群中其它节点的状态。每次Ping携带的信息至少包括：

*  插槽信息
 *  集群状态信息

集群中节点越多，集群状态信息数据量也越大，10个节点的相关信息可能达到1kb，此时每次集群互通需要的带宽会非常高，这样会导致集群中大量的带宽都会被ping信息所占用，这是一个非常可怕的问题，所以我们需要去解决这样的问题

**解决途径：**

*  避免大集群，集群节点数不要太多，最好少于1000，如果业务庞大，则建立多个集群。
 *  避免在单个物理机中运行太多Redis实例
 *  配置合适的cluster-node-timeout值

**问题3、命令的集群兼容性问题**

有关这个问题咱们已经探讨过了，当我们使用批处理的命令时，redis要求我们的key必须落在相同的slot上，然后大量的key同时操作时，是无法完成的，所以客户端必须要对这样的数据进行处理，这些方案我们之前已经探讨过了，所以不再这个地方赘述了。

**问题4、lua和事务的问题**

lua和事务都是要保证原子性问题，如果你的key不在一个节点，那么是无法保证lua的执行和事务的特性的，所以在集群模式是没有办法执行lua和事务的

**那我们到底是集群还是主从**

单体Redis（主从Redis）已经能达到万级别的QPS，并且也具备很强的高可用特性。如果主从能满足业务需求的情况下，所以如果不是在万不得已的情况下，尽量不搭建Redis集群

### 8、结束语 ###

不能使用，那么此时整个集群都不能用了，我们在开发中，其实最重要的是可用性，所以需要把如下配置修改成no，即有slot不能使用时，我们的redis集群还是可以对外提供服务

\[外链图片转存中…(img-UensUdwu-1695197424541)\]

**问题2、集群带宽问题**

集群节点之间会不断的互相Ping来确定集群中其它节点的状态。每次Ping携带的信息至少包括：

*  插槽信息
 *  集群状态信息

**解决途径：**

**问题3、命令的集群兼容性问题**

**问题4、lua和事务的问题**

lua和事务都是要保证原子性问题，如果你的key不在一个节点，那么是无法保证lua的执行和事务的特性的，所以在集群模式是没有办法执行lua和事务的

**那我们到底是集群还是主从**

### 8、结束语 ###

亲爱的小伙帮们辛苦啦，咱们有关redis的最佳实践到这里就讲解完毕了，期待小伙们学业有成~~~~

[image-20220521120213631]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/a31c46465f9a491fbaf0e4b70f2f9196.png
[image-20220521122320482]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/2184c14edfd849d5be8314a2233b6f5c.png
[image-20220521124650117]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/fd06841c2c6348bfb6deeb3421434469.png
[image-20220521133359507]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/533fb85bb6a8427788cdc003d7066f17.png
[image-20220521133703245]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/12754208151c4408817ada05bd07dec7.png
[image-20220521140415785]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/aa2edc45932142c6beb271686745e1fc.png
[image-20220521140621204]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/5c82c0c15e184c799bc890621863c700.png
[image-20220521142943350]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/4b0642e76b6c41708ad9d18a0860238c.png
[image-20220521143458010]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/1b287cf4285545b085f864a2c9d9ab11.png
[image-20220521144339377]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/481e462e22bd45b1a9ce7c94982cd4e3.png
[image-20220521151459880]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/75b5650b9f56422e804d7ca4359632b8.png
[image-20220521151524621]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/8ea9261e0adc404da2bc65270fa6fc6f.png
[image-20220521151902080]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/d5a620b1de3d4c6c9ee06bf5bbc8a380.png
[1653126446641]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/bf1416caa59f4d29a3fc842b28f9c40f.png
[1653129590210]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/da1fcbc8beda497ea38a0bd2fc5f82b3.png
[1653130457771]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/4e239a2abe22489e98eaee159272795c.png
[1653130475979]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/534f85d4202745a2a1655be80567da33.png
[1653130858066]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/4b6c3c466b9b43f8b7fd44788c33b17d.png
[1653132073570]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/24d8cc3471804b2bad977c1fcf5e0e95.png
[1653132098823]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/bafe373a682141e8b2a4033fa43568a2.png
[1653132410073]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/556584d431d940119ff9ca62b682890c.png
[1653132740637]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/f8a96f0e698e497fb3549572a152d6f1.png