当前位置： 首页 > news >正文

Redis中的bigkey的介绍及影响

news 2025/6/24 12:40:04

目录

1、定义分类

1.1、介绍

1.2、分类

1.3、应用场景

1.4、删除BigKey

2、作用影响

2.1、Redis阻塞

2.2、​内存碎片化：

2.3、​网络带宽阻塞：

2.4、持久化风险

2.5、集群运维困境

3、定位BigKey命令

3.1、redis-cli命令

3.2、SCAN命令

3.3、使用 RdbTools

4、优化方案

4.1、合理设计key

4.2、拆分大key

4.3、设置合理的过期时间

4.4、启用内存淘汰策略

4.5、使用数据压缩

4.6.、渐进式删除

4.7、数据迁移

4.8、优化数据结构

4.9、监控与预防

前言

        Redis中的大key问题指的是某个key对应的value值所占的内存空间比较大，这会导致Redis的性能下降、内存不足、数据不均衡以及主从同步延迟等一系列问题。

        大key的具体定义并不固定，通常认为字符串类型的key对应的value值占用空间大于1MB，或者集合类型的key元素数量超过1万个，就视为大key。

与热key不同的是：

        把访问频率高的Key，称为热Key。

        比如突然有几十万的请求去访问redis中某个特定的Key，那么这样会造成redis服务器短时间流量过于集中，很可能导致redis的服务器宕机。

1、定义分类

什么是BigKey？为什么它成为Redis的性能杀手？

1.1、介绍

        BigKey指在Redis中key对应的value占用内存或元素数量超出业务合理阈值的键值对。

1.2、分类

        分为字符串类型和集合类型。

1、​String类型：

String 类型的值大于 10 KB（value最大值为512MB）；


2、​集合类型（Hash/List/Set/ZSet）​：

元素数量超过 ​5000个​（阿里云规范建议值）或内存达百万级(最大存放2^32-1个元素)。

1.3、应用场景

1、redis数据结构使用不恰当

        将Redis用在并不适合其能力的场景，造成Key的value过大，如使用String类型的Key存放大体积二进制文件型数据。

​复合场景：如未分片的用户行为日志、商品详情页缓存（含图文描述+评价列表）。


案例：

        某电商平台将单个商品的完整详情（包含20个字段的JSON数据）以String类型存储，导致每个Key大小超过2MB，最终引发查询延迟激增。

2、未及时清理垃圾数据

        没有对无效数据进行定期清理，造成如HASH类型Key中的成员持续不断的增加。即一直往value塞数据，却没有删除机制，value只会越来越大。

3、对业务中key预估不准确

        业务上线前规划设计考虑不足没有对Key中的成员进行合理的拆分，造成个别Key中的成员数量过多。

4、明星、网红的粉丝列表、某条热点新闻的评论列表

        假设我们使用List数据结构保存某个明星/网红的粉丝，或者保存热点新闻的评论列表，因为粉丝数量巨大，热点新闻因为点击率、评论数会很多，这样List集合中存放的元素就会很多，可能导致value过大，进而产生Big Key问题。

1.4、删除BigKey


1、分批次删除

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。

2、异步删除

        从 Redis 4.0 版本开始，可以采用异步删除法，用 unlink 命令代替 del 来删除。这样 Redis 会将这个 key 放入到一个异步线程中进行删除，这样不会阻塞主线程。

2、作用影响

可能带来的网络阻塞、内存占用和性能影响。

如下图所示：


2.1、Redis阻塞

关于redis的线程模型，可参考：关于多线程的Redis模型_redis线程模型-CSDN博客https://blog.csdn.net/weixin_50055999/article/details/147977886?spm=1011.2415.3001.5331

单线程阻塞：执行HGETALL或DEL耗时超过10ms即会影响其他请求。


​极端案例：某社交平台删除一个包含10万成员的ZSet时，主线程阻塞达2.3秒，触发服务熔断
内存与网络双重压力。


2.2、​内存碎片化：

每个key在存放过程中，会先进行hash函数取模去判断分区，具体可参考：

深入了解redis的哈希槽的知识_redis 哈希槽-CSDN博客https://blog.csdn.net/weixin_50055999/article/details/148104826?spm=1011.2415.3001.5331

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。


2.3、​网络带宽阻塞：

1MB的Key每秒访问1000次将产生1GB/s流量，千兆网卡直接打满。


2.4、持久化风险

关于redis的持久化，可参考：对Redis组件的深入探讨_redis 磁盘 内存-CSDN博客https://blog.csdn.net/weixin_50055999/article/details/147757520?spm=1011.2415.3001.5331
​AOF追加延迟：Always策略下写入大Key导致fsync耗时激增，主线程卡顿
​RDB生成失败：某游戏公司因一个50MB的排行榜Key导致bgsave超时，主从同步中断

1、对AOF日志的影响
Redis 提供了 3 种 AOF 日志写回硬盘的策略，分别是：

1、Always：

        「总是」，所以它的意思是每次写操作命令执行完后，同步将 AOF 日志数据写回硬盘；


2、Everysec：

        「每秒」，所以它的意思是每次写操作命令执行完后，先将命令写入到 AOF 文件的内核缓冲区，然后每隔一秒将缓冲区里的内容写回到硬盘；


3、No：

        意味着不由 Redis 控制写回硬盘的时机，转交给操作系统控制写回的时机，也就是每次写操作命令执行完后，先将命令写入到 AOF 文件的内核缓冲区，再由操作系统决定何时将缓冲区内容写回硬盘。

总结：

Always 策略就是每次写入 AOF 文件数据后，就执行 fsync() 函数；
Everysec 策略就会创建一个异步任务来执行 fsync() 函数；
No 策略就是永不执行 fsync() 函数;

        当 AOF 写回策略配置了 Always 策略，如果写入是一个大 Key，主线程在执行 fsync() 函数的时候，阻塞的时间会比较久，因为当写入的数据量很大的时候，数据同步到硬盘这个过程是很耗时的。

        当使用 Everysec 策略的时候，由于是异步执行 fsync() 函数，所以大 Key 持久化的过程（数据同步磁盘）不会影响主线程。

        当使用 No 策略的时候，由于永不执行 fsync() 函数，所以大 Key 持久化的过程不会影响主线程。

2、对AOF重写和RDB的影响


        AOF 重写机制和 RDB 快照（bgsave 命令）的过程，都会分别通过 fork() 函数创建一个子进程来处理任务。会有两个阶段会导致阻塞父进程（主线程）：

        创建子进程的途中，由于要复制父进程的页表等数据结构，阻塞的时间跟页表的大小有关，页表越大，阻塞的时间也越长；


        创建完子进程后，如果父进程修改了共享数据中的大 Key，就会发生写时复制，这期间会拷贝物理内存，由于大 Key 占用的物理内存会很大，那么在复制物理内存这一过程，就会比较耗时，所以有可能会阻塞父进程。


2.5、集群运维困境

关于redis的部署，可参考：谈谈Redis缓存和数据库一致性的处理方案_redis缓存如何与数据库保持一致-CSDN博客https://blog.csdn.net/weixin_50055999/article/details/147782383?spm=1011.2415.3001.5331
​数据倾斜：某个分片存储3个10GB的Key，其他节点内存利用率不足20%
​扩容失效：迁移BigKey时因超时触发slot迁移重试循环

3、定位BigKey命令

定位bigkey的方案如下：

3.1、redis-cli命令

示例：

redis-cli -h 127.0.0.1 -p6379 -a "password" -- bigkeys# 扫描耗时型操作，建议在从节点执行
redis-cli -h 127.0.0.1 -p 6379 --bigkeys -i 0.1# 输出示例
[00.00%] Biggest string found 'user:1024:info' has 12 bytes
[12.34%] Biggest hash   found 'product:8888:spec' has 10086 fields

注意事项：

        最好选择在从节点上执行该命令。因为主节点上执行时，会阻塞主节点；
        如果没有从节点，那么可以选择在 Redis 实例业务压力的低峰阶段进行扫描查询，以免影响到实例的正常运行；或者可以使用 -i 参数控制扫描间隔，避免长时间扫描降低 Redis 实例的性能。


不足之处：

        只能返回每种类型中最大的那个 bigkey，无法得到大小排在前 N 位的 bigkey；对于集合类型来说，只统计集合元素个数的多少，而不是实际占用的内存量。


        但是，一个集合中的元素个数多，并不一定占用的内存就多。因为，有可能每个元素占用的内存很小，这样的话，即使元素个数有很多，总内存开销也不大；

3.2、SCAN命令

        使用 SCAN 命令对数据库扫描，然后用 TYPE 命令获取返回的每一个 key 的类型。

        对于 String 类型，可以直接使用 STRLEN 命令获取字符串的长度，也就是占用的内存空间字节数。

        对于集合类型来说，有两种方法可以获得它占用的内存大小：

1、如果能够预先从业务层知道集合元素的平均大小，那么，可以使用下面的命令获取集合元素的个数，然后乘以集合元素的平均大小，这样就能获得集合占用的内存大小了。List 类型：LLEN 命令；Hash 类型：HLEN 命令；Set 类型：SCARD 命令；Sorted Set 类型：ZCARD 命令；


2、如果不能提前知道写入集合的元素大小，可以使用 MEMORY USAGE 命令（需要 Redis 4.0 及以上版本），查询一个键值对占用的内存空间。

示例如下：

public List<Map.Entry<String, Long>> findBigKeys(int threshold) {List<Map.Entry<String, Long>> bigKeys = new ArrayList<>();Cursor<byte[]> cursor = redisTemplate.execute((RedisCallback<Cursor<byte[]>>) connection -> connection.scan(ScanOptions.scanOptions().count(100).build()));while (cursor.hasNext()) {byte[] keyBytes = cursor.next();String key = new String(keyBytes);DataType type = redisTemplate.type(key);long size = 0;switch (type) {case STRING:size = redisTemplate.opsForValue().size(key);break;case HASH:size = redisTemplate.opsForHash().size(key);break;// 其他类型处理...}if (size > threshold) {bigKeys.add(new AbstractMap.SimpleEntry<>(key, size));}}return bigKeys;
}

3.3、使用 RdbTools

        使用 RdbTools 第三方开源工具，可以用来解析 Redis 快照（RDB）文件，找到其中的大 key。

比如，下面这条命令，将大于 10 kb 的 key 输出到一个表格文件。

rdb dump.rdb -c memory --bytes 10240 -f redis.csv# 使用rdb-tools分析
rdb -c memory dump.rdb --bytes 10240 > bigkeys.csv# 输出示例
database,type,key,size_in_bytes,encoding,num_elements,len_largest_element
0,hash,user:1024:tags,1048576,hashtable,50000,128

4、优化方案

示例如下：

4.1、合理设计key

        分析为何会产生大key，并根据业务场景考虑是否可以通过更好的设计来避免大key的产生。


4.2、拆分大key

        如果大key是不可避免的，尝试将其拆分成更多的小key来分散数据。例如，对于列表、集合和有序集合，可以通过散列（hashing）某个属性，把它们分散到不同的小key中。
对于哈希表，可以使用一致性哈希等算法将大哈希表拆分成多个小哈希表。


4.3、设置合理的过期时间

        为每个key设置过期时间，并设置合理的过期时间，以便在数据失效后自动清理，避免长时间累积的大key问题。


4.4、启用内存淘汰策略

        启用Redis的内存淘汰策略，如LRU（Least Recently Used，最近最少使用）或者LFU，以便在内存不足时自动淘汰最近最少使用的数据，防止大key长时间占用内存。


4.5、使用数据压缩

        对于String类型的大key，可以使用压缩算法（如LZF、QUICKLZ、GZIP等）减少value的大小。


4.6.、渐进式删除

        如果要删除大key，为了避免一次性删除所带来的长时间阻塞，可以使用Redis的HSCAN、SSCAN、ZSCAN和SCAN命令，配合DEL命令对大key进行渐进式删除。


4.7、数据迁移

        如果单个Redis实例无法处理大key问题，可以考虑将数据迁移到使用集群，以此来分散负载和存储。


4.8、优化数据结构

        优化数据结构可能是处理大key最有效的方法。如果不必使用哈希表、列表、集合或有序集合的全部特性，可以考虑使用更简单的数据结构来替代。


4.9、监控与预防

        定期监控Redis实例的内存使用情况和各种key的大小，能够帮助及时发现并处理大key问题。
在开发和部署Redis系统时充分考虑大key问题，并采取相应的措施来预防和避免这些问题的出现。

总结

        通过全流程的预防、检测、处理体系建设，结合智能化的监控预警，可有效应对 BigKey 挑战，保障 Redis 高性能服务能力。

参考文章：

1、Redis大Key问题全解析：从原理到实战的深度解决方案_redis bigkey-CSDN博客https://blog.csdn.net/weixin_43674738/article/details/146159699?ops_request_misc=%257B%2522request%255Fid%2522%253A%252216eea5efdf0c25c283e92712b23989c5%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=16eea5efdf0c25c283e92712b23989c5&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-146159699-null-null.142^v102^pc_search_result_base1&utm_term=redis%20bigkey&spm=1018.2226.3001.4187

2、Redis中的BigKey_redis bigkey-CSDN博客https://blog.csdn.net/m0_74267125/article/details/137795444?ops_request_misc=%257B%2522request%255Fid%2522%253A%252216eea5efdf0c25c283e92712b23989c5%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=16eea5efdf0c25c283e92712b23989c5&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-137795444-null-null.142^v102^pc_search_result_base1&utm_term=redis%20bigkey&spm=1018.2226.3001.4187

3、Redis的热key以及Big（大）key是什么？如何解决Redis的热key以及Big（大）key问题？_redis大key和热key问题及处理-CSDN博客https://blog.csdn.net/Heyi3416/article/details/141223393?ops_request_misc=&request_id=&biz_id=102&utm_term=redis%20bigkey&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-2-141223393.142^v102^pc_search_result_base1&spm=1018.2226.3001.4187

http://www.xdnf.cn/news/1066339.html

相关文章：

  • 安全再升级！ 正也科技通过信息安全等级保护三级备案
  • 七八章习题测试
  • 高级版 Web Worker 封装（含 WorkerPool 调度池 + 超时控制）
  • 本地文件深度交互新玩法：Obsidian Copilot的深度开发
  • 能耗管理新革命：物联网实现能源高效利用
  • 小学期前端三件套学习（更新中）
  • 开启游戏新时代：神经网络渲染技术实现重大跨越
  • 【Torch】nn.GRU算法详解
  • 前端跨域解决方案（7）：Node中间件
  • 容器技术入门与Docker环境部署指南
  • asp.net core Razor动态语言编程代替asp.net .aspx更高级吗？
  • 如何在 Vue 应用中嵌入 ONLYOFFICE 编辑器
  • LED-Merging: 无需训练的模型合并框架，兼顾LLM安全和性能！！
  • WebSocket长连接在小程序中的实践：消息推送与断线重连机制设计
  • 运维打铁: Windows 服务器基础运维要点解析
  • 详解HarmonyOS NEXT仓颉开发语言中的全局弹窗
  • AI编程再突破，文心快码发布行业首个多模态、多智能体协同AI IDE
  • vue3整合element-plus
  • WebSocket快速入门
  • 卓易通是什么
  • 深度学习：PyTorch卷积神经网络（CNN）之图像入门
  • 【软考高级系统架构论文】论企业集成平台的理解与应用
  • Spring Boot 使用 ElasticSearch
  • 大数据时代UI前端的变革：从静态展示到动态交互
  • ISCSI存储
  • FreeRTOS 介绍、使用方法及应用场景
  • RabbitMQ从入门到实践：消息队列核心原理与典型应用场景
  • 跨域视角下强化学习重塑大模型推理：GURU框架与多领域推理新突破
  • 【论文阅读笔记】TransparentGS：当高斯溅射学会“看穿”玻璃，如何攻克透明物体重建难题？
  • 【破局痛点，赋能未来】领码 SPARK：铸就企业业务永续进化的智慧引擎—— 深度剖析持续演进之道，引领数字化新范式