Redis 使用的一些经验分享

Social Graph 高速接口，当前我们使用 Redis 存储。但在实现的过程中，发现了诸多的问题。

48G 内存的机器上部署了 2 个 Redis 进程，一个 Redis 占用超过 21 G 内存后，在快速写入的过程中同时进行一次 bgsave ，就将机器给弄挂了（微博上的直播）。我们对 Redis 的监控远不如对 Mysql 之类的完善，以至于 Redis 机器假死，居然没有触发任何的报警。

在经过几天的 debug 后，终于找到了问题所在，复杂的上线流程：源码 svn 合 trunk，发布 jar 包到二进制 svn，配置文件按 IDC 配置，打 tag，上线，发布，终于有一个小小的地方没有控制住，没有进行最终的确认，导致发到线上的配置文件是源码目录中的测试配置，导致 redis hash 出错。而严重缺乏的监控，也没能发挥“最后一道防线”的作用，任由问题越演越烈（微博上的直播）。

按说找到了问题所在，修复起来就很容易了。但 billion 级别的数据，重新初始化，远比想象的复杂。从上周五开始重新灌数据，周六在家习惯性的用 iphone 登陆看 log 。一看吓一跳：按那个速度计算，重新初始化需要一个月才能完成。而第一次初始化，才花了几十个小时啊。

首先怀疑是资源的问题：打电话找运维，确认 redis 没有问题，数据库没有问题，queue 队列没有问题。那就是程序的问题了。用 Btrace 一层一层的跟踪，最后定位在 jedis.hset 和 jedis.hdel 上：一次 hset 或 hget 居然需要超过 100 ms （微博上的记录）。周一到单位，给代码加了详细的时间 log ，也印证了周末 Btrace 的结果。这是为什么呢？

还是怀疑 redis 服务器的问题。写了一个简单的压力测试代码去压测试用的redis，在本机上运行，果然每秒才 4000 来次 hget、hset 。可是拿到服务器上一跑，轻松的就到了 4 万多次。所以本机上慢，应该是网络带宽的原因。

接下来只能怀疑是程序代码的问题。但在测试环境下回滚版本，换客户端库，各种手段用完都找不到问题之后，只能将目光转向线上环境。　

直接用压力测试代码压线上服务器，果然也慢。继续看 log ，似乎慢的请求有一个共性：某个时间点，几十个请求的耗时是一样的，都是类似 127ms，132ms 这样的。如果是真实的处理耗时，不应该会如此雷同才对，那么就应该是排队等待耗时了。这一批请求应该是同时发起的，因为某种原因，一同在某个地方排队，等轮到它们的时候，真实的处理耗费的时间连 1 ms 都不到，所以在 log 里看来，耗时如此相似。接下来的问题就是，为什么会排队？在哪排队？后面一个问题比较好回答，Redis 是单线程的，按照网络接收到的包的顺序处理请求，前一个请求没有处理完之前，后面的请求都在 server 的 tcp/ip buffer　里排队，等待处理。那剩下的就只有一个问题了：为什么会有排队现象？

仔细看业务代码，终于找到一个可疑的地方：hgetAll 。难道是一个 hgetAll 堵住了后面所有的请求？压测的脚本一般都只压 get，set，顶多也就试试 hget，hset，肯定不会压 hgetAll 这么变态的命令的。而用 strace 查看 redis server 的状态，也只能看到网络调用耗时。那么也就只能这么解释了：hgetAll 命令占用了大量的网络带宽，导致它完成之前，其它的命令的回包都在 tcp buffer 里面堵着了。

试着修改了一下业务处理逻辑，减少了部分冗余的 hgetAll 调用，果然速度有所提升。虽然还是没有第一次的时候快，但好歹升到了一个可接受的范围了。

接下来，就是重构 redis 相关的代码，让下次的 debug 不至于这么被动。有时间顺便在测试环境下重现一下这种情况，以确定自己的怀疑。