Redis很“忙”

最近redis很“忙”，一到上午10点左右，redis就频繁出现各种报错，大部分的场景还好，我们对cache的异常进行了捕获，只是在日志里边记录一下，而不会抛出异常，所以顶多就慢一些而已。不过，还是有让我们也不得不忙的场景出来：

1、有的场景使用redis缓存校验码，比如用户通过手机验证码登录时，明明发送验证码成功，明明输入正确的验证码，但是就是提示验证失败。

2、随着每个依赖redis的服务不断变慢，网站不断出现502，最后，基本上不能访问了。

于是，运维人员不得不一声令下，重启redis。终于，作为cache的redis内存占用量急剧下降，连接数也迅速降低，网站也很快恢复稳定，一切似乎完美地回归了。

这样的事情重复了几天，大家找到规律了，于是索性定了个定时任务，每天凌晨5点的时候，重启一下redis，为即将躁动的10点偃旗息鼓，杀杀他的威风。

不过，作为有技术素养有技术追求的团队，怎么能这样就认怂了呢？

cache方面的问题：
1、php生成的cache存储量很大（超过1G），且持续增长。
2、每天10点左右会出现redis连接数激增。

出现严重问题的现场一般是这样的：cache内存使用量超过1G，且连接数在较高水平，大部分缓存读取不到，写入不了，从而导致整个网站访问极慢。而一旦redis读取不到，就会一直试图写入，而写入又不能成功，下次读取依然失败，如此往复，导致写操作比正常时候要多很多，形成雪崩，最终导致redis完全不能工作，引起整个网站都不能正常访问了。

重启后，由于redis未配置持久化，使用内存量急剧降低，cache的写操作恢复正常，写操作显著减少，因此cache上的连接数也会明显减少。不过，大概在一两天的周期内，redis使用内存量又会逐步恢复到原有水平。

针对这个现象，我们做了一些尝试，比如，原来redis用来做cache和做队列用的是同一个实例，我们把它们分开了；对redis使用长连接等，不过，收效甚微，没有从根本上解决问题。于是，我们开始回到出发点，解决这样一个问题：我们用redis到底做了什么。

芒芒cache海，不知道从哪下手，所以，还是先找主要问题，再研究次要问题。

单一大key

redis-cli提供了一个查找大key的简单命令：

redis-cli --bigkeys

最大的key的尺寸为1003547byte，约980k。而这个key的是在app搜索商家名称时调用，调用频率还蛮大，也没有在客户端做缓存。通过kibana，可以查到这个和这个cache相关的接口峰值调用频率每30分钟近500多次，属于又大又热的key了。

除了这个异常突出的key意外，剩下的最大的key也就是150k、95k、90k这样的水平了，因此，当下最主要的目标是先行消灭这个最大的始作俑者。

考虑到这个api接口被app使用，如果做大的调整，必须要重新发布app才行，因此我们对接口输出的内容进行了过滤，只保留app用到的数据。经过一番调整以后，重新发布接口，cache的内容马上变小很多，整体响应的时间也加快了。

综合上图分析，我们从redis存储大小、接口文本长度、响应速度三方面进行分析。

维度	改进前	改进后	变化率
redis存储大小	980k	437k	-55.4%
接口文本长度	5302k	969k	-81.7%
响应速度	700ms	40ms	-94.2%

可见，整体的提升还是蛮大的。

这是最大的key，改进以后，对这个接口的影响很大，但是从整体而言，并没有对cache的情况做出显著的改变。我们还得继续探索。

另外，通过对源代码的排查，还发现了对redis的读写超时时间这个配置并没有实际生效。我们在配置中配置的超时时间是100ms，而这种大key，读写时间早就过了100k，但是还能正常读取下来，也就拜这点所赐。由于超时时间没有生效，读取大key的时候，时间会被拉长，对redis资源的占用时间也会变长，进而影响其他使用redis资源的连接的效率，从而在整体上拉低了redis的服务能力。

系列大key

除了单一大key，还有系列大key。所谓“系列大key”，是指存储的一系列同种性质内容的key，它们的key名称前缀一致，最后的特征id会不一样。比如：post_1111、post_1112、post_1233这样的key。虽然它们单个的key占用的空间不大，但是胜在数量多，读写频繁，甚至于只读不写，实际命中率非常低。

这是我们在分析往redis里边存储进入的key时发现的问题。我们通过tcpflow抓包，获取到redis正在写入的key：

tcpflow port 6379 -cp -i ens192|grep SET -A 2 > setcache.log

这样抓取一段时间后，我们对里边具体存入的key的使用频率做了一下统计，从而知道哪些key比较活跃。接下来就需要知道这些key具体存储什么内容，做什么用的，大概长度是多少，才好做进一步的处理措施。

为了解决这几个问题，我们写了几个简单的工具：

1. 根据key获取对应内容。这是因为长度较大的缓存项会被压缩，需要通过工具还原。

2. 根据key的前缀获取全部的key列表，并累加每个key的对应的长度，计算总的存储大小和平均大小。

通过redis的KEYS方法，可以找出前缀特定的key出来，如：

redis-cli KEYS prefix*

那么，怎么计算每个缓存项的长度呢？既然redis-cli可以知道哪个key最大，因此里边一定可以找到真相。因此，笔者查阅了一下redis-cli的源码，果然有我们需要的答案。

static void getKeySizes(redisReply *keys, int *types,
                        unsigned long long *sizes)
{
    redisReply *reply;
    char *sizecmds[] = {"STRLEN","LLEN","SCARD","HLEN","ZCARD"};
    unsigned int i;

    /* Pipeline size commands */
    for(i=0;i<keys->elements;i++) {
        /* Skip keys that were deleted */
        if(types[i]==TYPE_NONE)
            continue;

        redisAppendCommand(context, "%s %s", sizecmds[types[i]],
            keys->element[i]->str);
    }
    ...

每种数据类型都有对应计算长度的函数，我们使用redis作为缓存的时候，实际上都是序列化成文本后存起来的，因此使用STRLEN就能查找到每个key对应的存储大小了。

我们的工具大致如下：

#! /bin/env php
<?php
$key = $argv[1];
$redis = new \Redis();
$redis->connect('172.16.0.1', 6379);
$keys = $redis->keys($key);
$num = count($keys);
if ($num == 0) {
    echo "found none.\n";
    exit(0);
}
echo "found $num keys.\n";
$total = 0;
foreach($keys as $i => $key) {
    $total += $redis->strlen($key);
    if ($i % 1000 == 0) {
        echo $i.":".$total."\r";
    }
}
$redis->close();

printf("\navarage size:%.2fk", $total/$num/1024);
printf("\ntotalsize:%.2fM", $total/1024/1024);
echo PHP_EOL;

通过这些工具，经过对实时写入的cache的key的进一步分析，最后找到几个重要的系列大key。

key	数量	平均大小	总大小
php_newGetTopic*	131393	2.73k	350.78M
php_bbs_posts*	144066	1.51k	212.22M
php_getAskPostList*	39155	1.61k	61.75M
合计	314614	-	624.75M

这样一看，吓了一跳，总共1G多的缓存项，这几个系列的大key就占据了半壁江山。为什么会这样呢？

查看这些key对应的缓存内容就知道了，它们主要用来存储帖子和问答的内容及回答。这些内容虽然现在已经很不活跃了，但是确实爬虫的最爱。而且，爬虫会顺藤摸瓜，一篇一篇爬从不怕累。我们查看了一下缓存过期时间，一般都被设置了一天以上。而真实的情况是，一天之内大部分的内容就只有爬虫经过一次，缓存再也没有发挥作用了，因此这样的缓存的命中率总是为0。另外，作为帖子而言，内容都比较长，加上量一大，占的空间自然就多了。

再一分析，这些缓存一般都是通过主键就可以关联到的数据，从数据库查的效率也很高的。加上命中率太低，索性不如去掉。
…
经过一番代码改造，发布上线，终于，我们预期的效果出来了，看看图片就知道有多美。

经过几天的过渡，我们的缓存量终于回到了300M左右，整体运行平稳，连接数维持较低水平，抖动很小，再也没有出现过之前的繁忙景象了。

总结

cache问题查找流程

1. 检查cache的存储量的变化规律

   如果一直增加，可以通过查找哪些key增加得比较多，过期时间比较长，存储内容比较大

2. 分析cache出问题时的存储量和连接数的关系
   如果总的存储量大，可以考虑增加cache实例。
   如果连接数过多，且使用了短连接，导致TIME_WAIT数量过大，可以考虑使用长连接连接cache。

3. 查找cache的大key

   redis-cli --bigkeys
   

4. 检查大key里边是否有带有变量（如数字id）的key。
   如果有，查找此类key的数量，考察这些key的命中率，尽量只缓存关键的主键。通过查找主键即可找出的内容，直接从db查找即可，不需要缓存。

规范问题

cache除了问题才去查找原因的模式，虽然有效但总归有些滞后，还是需要有提前的预估，需要配合规范和制度，从根源上保障缓存使用的合理化，并使得对缓存使用合理性有据可查，有据可依。

通过这次的查找问题，后面对于缓存的使用可以从这几个方面进行规范：

1. key长度不宜过长，不宜用md5作为key。
2. key应该见名知意，表达真实意图。
3. value不宜过大，最好能限制在10k甚至更低的大小内（经验值，后面再做考证）。太大网络传输速度受到影响。
4. value用来存储关键性的id及关系等，基于主键对应的对象直接通过db检索即可。
5. 只用来缓存热点数据，提升缓存命中率。

最后，再来一篇引申的阅读：《阿里云Redis开发规范》。