1.客户端
客户端其实是距离key”最近”的地方,因为Redis命令就是从客户端发出的,例如在客户端设置全局字典(key和调用次数),每次调用Redis命令时,使用这个字典进行记录,如下所示。
1 2 3 4 5 6 7 8 9 10 11 12 | public static final AtomicLongMap<String> ATOMIC_LONG_MAP = AtomicLongMap.create(); String get(String key) { counterKey(key); //ignore } String set(String key, String value) { counterKey(key); //ignore } void counterKey(String key) { ATOMIC_LONG_MAP.incrementAndGet(key); } |
为了减少对客户端代码的侵入,可以在Redis客户端的关键部分进行计数,例如Jedis的Connection类中的sendCommand方法是所有命令执行的枢纽。
1 2 3 4 5 6 7 | public Connection sendCommand(final ProtocolCommand cmd, final byte[]... args) { //从参数中获取key String key = analysis(args); //计数 counterKey(key); //ignore } |
同时为了防止ATOMIC_LONG_MAP过大,可以对其进行定期清理。
1 2 3 | public void scheduleCleanMap() { ERROR_NAME_VALUE_MAP.clear(); } |
使用客户端进行热点key的统计非常容易实现,但是同时问题也非常多:
(1). 无法预知key的个数,存在内存泄露的危险。
(2). 对于客户端代码有侵入,各个语言的客户端都需要维护此逻辑,维护成本较高。
(3). 只能了解当前客户端的热点key,无法实现规模化运维统计。
当然除了使用本地字典计数外,还可以使用其他存储来完成异步计数,从而解决本地内存泄露问题。但是同样会存在第(2)(3)个问题。
2.代理端
像Twemproxy、Codis这些基于代理的Redis分布式架构,所有客户端的请求都是通过代理端完成的,如下图所示。此架构是最适合做热点key统计的,因为代理是所有Redis客户端和服务端的桥梁。但并不是所有Redis都是采用此种架构。
3. Redis服务端
使用monitor命令统计热点key是很多开发和运维人员首先想到,monitor命令可以监控到Redis执行的所有命令,下面为一次monitor命令执行后部分结果。
1 2 3 4 5 6 7 8 | 1477638175.920489 [0 10.16.xx.183:54465] "GET" "tab:relate:kp:162818" 1477638175.925794 [0 10.10.xx.14:35334] "HGETALL" "rf:v1:84083217_83727736" 1477638175.938106 [0 10.16.xx.180:60413] "GET" "tab:relate:kp:900" 1477638175.939651 [0 10.16.xx.183:54320] "GET" "tab:relate:kp:15907" ... 1477638175.962519 [0 10.10.xx.14:35334] "GET" "tab:relate:kp:3079" 1477638175.963216 [0 10.10.xx.14:35334] "GET" "tab:relate:kp:3079" 1477638175.964395 [0 10.10.xx.204:57395] "HGETALL" "rf:v1:80547158_83076533" |
如上图所示,利用monitor的结果就可以统计出一段时间内的热点key排行榜,命令排行榜,客户端分布等数据,例如下面的伪代码统计了最近10万条命令中的热点key。
1 2 3 4 5 6 7 8 9 10 | //获取10万条命令 List<String> keyList = redis.monitor(100000); //存入到字典中,分别是key和对应的次数 AtomicLongMap<String> ATOMIC_LONG_MAP = AtomicLongMap.create(); //统计 for (String command : commandList) { ATOMIC_LONG_MAP.incrementAndGet(key); } //后续统计和分析热点key statHotKey(ATOMIC_LONG_MAP); |
Facebook开源的redis-faina 正是利用上述原理使用Python语言实现的,例如下面获取最近10万条命令的热点key、热点命令、耗时分布等数据。为了减少网络开销以及加快输出缓冲区的消费速度,monitor尽可能在本机执行。
redis-cli -p 6380 monitor | head -n 100000 | ./redis-faina.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 | Overall Stats ======================================== Lines Processed 50000 Commands/Sec 900.48 Top Prefixes ======================================== tab 27565 (55.13%) rf 15111 (30.22%) ugc 2051 (4.10%) ... Top Keys ======================================== tab:relate:kp:9350 2110 (4.22%) tab:relate:kp:15907 1594 (3.19%) ... Top Commands ======================================== GET 25700 (51.40%) HGETALL 15111 (30.22%) ... Command Time (microsecs) ======================================== Median 622.75 75% 1504.0 90% 2820.0 99% 6798.0 |
此种方法会有两个问题:
(1) 本书多次强调monitor命令在高并发条件下,会存在内存暴增和影响Redis性能的隐患,所以此种方法适合在短时间内使用。
(2) 只能统计一个Redis节点的热点key,对于Redis集群需要进行汇总统计。
4. 机器层面
第四章我们介绍过,Redis客户端使用TCP协议与服务端进行交互,通信协议采用的是RESP。如果站在机器的角度,可以通过对机器上所有Redis端口的TCP数据包进行抓取完成热点key的统计,如下图所示。
此种方法对于Redis客户端和服务端来说毫无侵入,是比较完美的方案,但是依然存在两个问题:
(1) 需要一定的开发成本,但是一些开源方案实现了该功能,例如ELK(ElasticSearch Logstash Kibana)体系下的packetbeat[2] 插件,可以实现对Redis、MySQL等众多主流服务的数据包抓取、分析、报表展示。
(2) 由于是以机器为单位进行统计,要想了解一个集群的热点key,需要进行后期汇总。
最后通过下给出上述四种方案的特点。
方案 | 优点 | 缺点 |
---|---|---|
客户端 | 实现简单 | 内存泄露隐患 维护成本高 只能统计单个客户端 |
代理 | 代理是客户端和服务端的桥梁,实现最方便最系统 | 增加代理端的开发部署成本 |
服务端 | 实现简单 | monitor本身的使用成本和危害,只能短时间使用 只能统计单个Redis节点 |
机器TCP流量 | 对于客户端和服务端无侵入和影响 | 需要专业的运维团队开发,并且增加了机器的部署成本 |
最后我们给出三种解决热点key问题的思路,具体选用那种要根据具体业务场景来决定。
(1) 拆分复杂数据结构: 如果当前key的类型是一个二级数据结构,例如哈希类型。如果该哈希元素个数较多,可以考虑将当前hash进行拆分,这样该热点key可以拆分为若干个新的key分布到不同Redis节点上,从而减轻压力。
(2) 迁移热点key:以Redis Cluster为例,可以将热点key所在的slot单独迁移到一个新的Redis节点上,但此操作会增加运维成本。
(3) 本地缓存加通知机制:可以将热点key放在业务端的本地缓存中,因为是在业务端的本地内存中,处理能力要高出Redis数十倍,但当数据更新时,此种模式会造成各个业务端和Redis数据不一致,通常会使用发布订阅机制来解决类似问题。