Redis面试必备之缓存设计规范与性能优化详解

一、Redis Key-Value设计规范&性能优化

1. key名设计规范

(1)【建议】: 可读性和可管理性

以业务名(或数据库名)为前缀(防止key冲突)，用冒号分隔，比如业务名:表名:id

(2)【建议】：简洁性

保证语义的前提下，控制key的长度，当key较多时，内存占用也不容忽视，例如：

(3)【强制】：不要包含特殊字符

反例：包含空格、换行、单双引号以及其他转义字符

2. Value设计规范

(1)【强制】：拒绝bigkey(防止网卡流量、慢查询)

在Redis中，一个字符串最大512MB，一个二级数据结构（例如hash、list、set、zset）可以存储大约40亿个(2^32-1)个元素，但实际中如果下面两种情况，我就会认为它是bigkey。

• 字符串类型：它的big体现在单个value值很大，一般认为超过10KB就是bigkey。
• 非字符串类型：哈希、列表、集合、有序集合，它们的big体现在元素个数太多。

一般来说，string类型控制在10KB以内；

hash、list、set、zset元素个数不要超过5000。

反例：一个包含200万个元素的list。

3. bigkey性能优化

bigkey的危害：

1.导致redis阻塞

2.网络拥塞

bigkey也就意味着每次获取要产生的网络流量较大；

假设一个bigkey为1MB，客户端每秒访问量为1000，那么每秒产生1000MB的流量，对于普通的千兆网卡(按照字节算是128MB/s)的服务器来说简直是灭顶之灾，而且一般服务器会采用单机多实例的方式来部署，也就是说一个bigkey可能会对其他实例也造成影响，其后果不堪设想。

3.过期删除

有个bigkey，它安分守己（只执行简单的命令，例如hget、lpop、zscore等），但它设置了过期时间，当它过期后，会被删除，如果没有使用Redis 4.0的过期异步删除(lazyfree-lazy- expire yes)，就会存在阻塞Redis的可能性。

bigkey的产生：

一般来说，bigkey的产生都是由于程序设计不当，或者对于数据规模预料不清楚造成的，来看几个例子：

• 社交类： 粉丝列表，如果某些明星或者大v不精心设计下，必是bigkey。
• 统计类： 例如按天存储某项功能或者网站的用户集合，除非没几个人用，否则必是bigkey。
• 缓存类： 将数据从数据库load出来序列化放到Redis里，这个方式非常常用，但有两个地方需要注意，第一，是不是有必要把所有字段都缓存；第二，有没有相关关联的数据，有的同学为了图方便把相关数据都存一个key下，产生bigkey。

如何优化bigkey

1、拆

如果是大List（big list），那么就可以拆成多个List：

比如拆成：list1、list2、...listN

如果是一个大的哈希表（big hash）,可以将数据分段存储：

比如一个大的key，假设存了1百万的用户数据，可以拆分成 200个key，每个key下面存放5000个用户数据

如果bigkey不可避免，也要思考一下要不要每次把所有元素都取出来(例如有时候仅仅需要 hmget，而不是hgetall)，删除也是一样，尽量使用优雅的方式来处理。

2、选择合适的数据类型【推荐】

最好的优化方案其实是在设计阶段，所以我们在使用Redis时，在设计阶段就应该尽量避免bigkey，所以选择合适的数据类型尤为重要。

例如：实体类型（要合理控制和使用数据结构，但也要注意节省内存和性能质检的平衡）

错误的做法：

set user:1:name tom
set user:1:age 19
set user:1:favor football

正确的做法：

hmset user:1 name tom age 19 favor football

3、控制key的生命周期，redis不是垃圾桶，当不需要使用的数据，及时过期清理【推荐】

建议使用Expire设置过期时间

条件允许可以打散过期时间，防止几种过期

比如：设置key的过期时间时，采用固定过期时间+一定范围内的随机数

二、Redis命令的使用规范&性能优化

1、使用O(N)类型的命令要注意关注N的数量【推荐】

比如hgetall、lrange、smembers、zrange、sinter等并非不能使用。

但是在使用的时候一定要明确N的值，不然就可能由于查询数据太大导致redis阻塞。

建议：有遍历的需求时可以使用hscan、sscan、zscan代替

2、生产环境禁用部分高危命令【推荐】

禁止线上使用keys、flushall、flushdb等，通过redis的rename机制禁掉命令。

当有需要扫描的需要时，建议使用scan方式渐进式处理

3、合理使用select【推荐】

redis的多数据库较弱，使用数字进行区分，很多客户端支持较差，同时多业务用多数据库实际还是单线程处理，会有干扰

所以建议redis使用数据库只用序号0的数据库即可，在0数据库里采用key前缀区分业务即可

4、使用批量操作提高效率【推荐】

当我们要插入多个key时，可以采用一些批量命令代替单个命令，提高查询效率，例如：

• 原生命令：例如mget、mset。
• 非原生命令：可以使用pipeline提高效率。

但要注意控制一次批量操作的元素个数(例如500以内，实际也和元素字节数有关)。

注意两者不同：

• 原生命令是原子操作，pipeline是非原子操作。
• pipeline可以打包不同的命令，原生命令做不到
• pipeline需要客户端和服务端同时支持。

5、redis事务功能较弱，不建议过多使用redis的事务命令

如果业务上有需要，可以使用lua替代【建议】

三、客户端使用规范&性能优化

1、避免多个应用使用同一个Redis实例【推荐】

错误的做法：

多个业务线公用同一个redis实例，比如订单、库存、权限都用同一个redis实例，只要有一块业务有阻塞，所有业务都会受影响。

正确的做法：

不相干的业务拆分为独立的redis实例，比如订单、库存、权限拆分为3个redis实例。

2、客户端连接使用带有连接池的连接，可以有效控制连接，同时提高效率：

Jedis使用连接池方式：

JedisPoolConfig jedisPoolConfig = new JedisPoolConfig();
jedisPoolConfig.setMaxTotal(5);
jedisPoolConfig.setMaxIdle(2);
jedisPoolConfig.setTestOnBorrow(true);

JedisPool jedisPool = new JedisPool(jedisPoolConfig, "192.168.0.60", 6379, 3000, null);
Jedis jedis = null;

使用连接池执行命令：

try {
    jedis = jedisPool.getResource();
    //执行具体的命令
    jedis.executeCommand()
} catch (Exception e) {
    logger.error("op key {} error: " + e.getMessage(), key, e);
} finally {
//注意这里不是关闭连接，在JedisPool模式下，Jedis会被归还给资源池。
if (jedis != null)
    jedis.close();
}

3、连接池配置参数优化建议

1、maxTotal优化：最大连接数（早期版本叫maxActive）【建议】

实际上最大连接数该如何优化，是一个很难回答的问题，考虑的因素有很多：

比如：

• 业务希望的Redis并发量
• 客户端执行命令时间
• Redis资源：例如nodes（实例应用个数）* maxTotal是不能超过Redis的最大连接数maxClients
• 资源开销：例如虽然希望控制空闲连接（连接池此刻可马上使用的连接），但是又不希望因为连接池的频繁释放、创建连接造成不必要的开销。

以一个例子说明，假设：

一次命令时间（borrow|return resource + Jedis执行命令(含网络) ）的平均耗时约为1ms，一个连接的QPS大约是1000

业务期望的QPS是50000

那么理论上需要的资源池大小是50000 / 1000 = 50个。但事实上这是个理论值，还要考虑到要比理论值预留一些资源，通常来讲maxTotal可以比理论值大一些。

但这个值不是越大越好，一方面连接太多占用客户端和服务端资源，另一方面对于Redis这种高QPS的服务器，一个大命令的阻塞即使设置再大资源池仍然会无济于事。

2、maxldle和minldle优化：（资源池允许最大空闲连接数和资源池确保最少空闲连接数）【建议】

maxldle（最大空闲连接数）：

maxIdle实际上才是业务需要的最大连接数，maxTotal是为了给出余量，所以maxIdle不要设置过小，否则会有new Jedis(新连接)开销。

连接池的最佳性能是maxTotal = maxIdle，这样就避免连接池伸缩带来的性能干扰。但是如果并发量不大或者maxTotal设置过高，会导致不必要的连接资源浪费。一般推荐maxIdle可以设置为按上面的业务期望QPS计算出来的理论连接，maxTotal可以再放大一倍。

minIdle（最小空闲连接数）：

minIdle与其说是最小空闲连接数，不如说是"至少需要保持的空闲连接数"，在使用连接的过程中，如果连接数超过了minIdle，那么继续建立连接，如果超过了maxIdle，当超过的连接执行完业务后会慢慢被移出连接池释放掉

所以最小空闲连接数需要根据自己的业务规模和客户端规模自行评估配置

【建议】：

如果你的系统QPS很高，系统启动完马上就会有很多的请求过来，那么可以给redis连接池做预热，比如快速的创建一些redis连接，执行简单命令，类似ping()，快速的将连接池里的空闲连接提升到minIdle的数量。

连接池预热示例代码：

List<Jedis> minIdleJedisList = new ArrayList<Jedis>(jedisPoolConfig.getMinIdle());
for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {
    Jedis jedis = null;
    try {
            jedis = pool.getResource();
            minIdleJedisList.add(jedis);
            jedis.ping();
        } catch (Exception e) {
            logger.error(e.getMessage(), e);
        } finally {
        //注意，这里不能马上close将连接还回连接池，否则最后连接池里只会建立1个连接。。
        //jedis.close();
        }
    }
    //统一将预热的连接还回连接池
for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {
    Jedis jedis = null;
    try {
        jedis = minIdleJedisList.get(i);
        //将连接归还回连接池
        jedis.close();
      } catch (Exception e) {
        logger.error(e.getMessage(), e);
      } finally {

     }
}

总之，要根据实际系统的QPS和调用redis客户端的规模整体评估每个节点所使用的连接池大小

3、【建议】高并发下，建议客户端添加熔断功能

（例如接入sentinel、hystrix）

4、【推荐】设置合理的密码

有必要可以使用SSL加密访问

5、【建议】设置合适的缓存淘汰策略

LRU 算法（Least Recently Used，最近最少使用）

淘汰很久没被访问过的数据，以最近一次访问时间作为参考。

LFU 算法（Least Frequently Used，最不经常使用）

淘汰最近一段时间被访问次数最少的数据，以次数作为参考。

当存在热点数据时，LRU的效率很好，但偶发性的、周期性的批量操作会导致LRU命中率急剧下降，缓存污染情况比较严重。这时使用LFU可能更好点。

根据自身业务类型，配置好maxmemory-policy(默认是noeviction)，推荐使用volatile-lru。如果不设置最大内存，当 Redis 内存超出物理内存限制时，内存的数据会开始和磁盘产生频繁的交换 (swap)，会让 Redis 的性能急剧下降。

当Redis运行在主从模式时，只有主结点才会执行过期删除策略，然后把删除操作”del key”同

步到从结点删除数据。

四、系统内核参数优化

1、vm.swapiness配置，根据linux版本选择配置（默认0）

swap对于操作系统来说比较重要，当物理内存不足时，可以将一部分内存页进行swap到硬盘上，以解燃眉之急。

但世界上没有免费午餐，swap空间由硬盘提供，对于需要高并发、高吞吐的应用来说，磁盘IO通常会成为系统瓶颈。

在Linux中，并不是要等到所有物理内存都使用完才会使用到swap，系统参数swppiness会决定操作系统使用swap的倾向程度。swappiness的取值范围是0~100，swappiness的值越大，说明操作系统可能使用swap的概率越高，swappiness值越低，表示操作系统更加倾向于使用物理内存。

swappiness的取值越大，说明操作系统可能使用swap的概率越高，越低则越倾向于使用物理内存。

如果linux内核版本<3.5，那么swapiness设置为0，这样系统宁愿swap也不会oom kille（杀掉进程）

如果linux内核版本>=3.5，那么swapiness设置为1，这样系统宁愿swap也不会oom killer

一般需要保证redis不会被kill掉：

cat /proc/version #查看linux内核版本
echo 1 > /proc/sys/vm/swappiness
echo vm.swapiness=1 >> /etc/sysctl.conf

PS：OOM killer 机制是指Linux操作系统发现可用内存不足时，强制杀死一些用户进程（非内核进程），来保证系统有足够的可用内存进行分配。

2、vm.overcommit_memory配置改为1（默认0）

0：表示内核将检查是否有足够的可用物理内存(实际不一定用满)供应用进程使用；

• 如果有足够的可用物理内存，内存申请允许；
• 否则，内存申请失败，并把错误返回给应用进程

1：表示内核允许分配所有的物理内存，而不管当前的内存状态如何；

如果是0的话，可能导致类似fork等操作执行失败，申请不到足够的内存空间

Redis建议把这个值设置为1，就是为了让fork操作能够在低内存下也执行成功。

cat /proc/sys/vm/overcommit_memory
echo "vm.overcommit_memory=1" >> /etc/sysctl.conf
sysctl vm.overcommit_memory=1

3、合理设置文件句柄数

操作系统进程试图打开一个文件(或者叫句柄)，但是现在进程打开的句柄数已经达到了上限，继续打开会报错：“Too many open files”

ulimit ‐a #查看系统文件句柄数，看open files那项
ulimit ‐n 65535 #设置系统文件句柄数

总结

本文梳理了在使用Redis过程需要遵循的一些最佳实践，包括针对架构维度的一些深入性能优化的知识，如果面试官问你："说下在使用Redis的过程中，需要注意哪些规范？"，如果你按照本文的思路回答，肯定能让面试官眼前一亮，offer自然就到手了。

以上就是Redis面试必备之缓存设计规范与性能优化详解的详细内容，更多关于Redis缓存设计规范与性能优化的资料请关注脚本之家其它相关文章！