Bigkey問題的解決思路與方式探索
作者：vivo 網際網路資料庫團隊- Du Ting
在Redis運維過程中，由於Bigkey 的存在，會影響業務程式的響應速度，嚴重的還會造成可用性損失，DBA也一直和業務開發方強調 Bigkey 的規避方法以及危害。
一、背景
在Redis運維過程中，由於Bigkey的存在，會影響業務程式的響應速度，嚴重的還會造成可用性損失，DBA也一直和業務開發方強調 Bigkey 的規避方法以及危害，但是Bigkey一直沒有完全避免。全網Redis叢集有2200個以上，範例數量達到4.5萬以上，在當前階段進行一次全網 Bigkey檢查，估計需要以年為時間單位，非常耗時。我們需要新的思路去解決Bigkey問題。
二、Bigkey 介紹
2.1、什麼是 Bigkey
在Redis中，一個字串型別最大可以到512MB，一個二級資料結構（比如hash、list、set、zset等）可以儲存大約40億個(2^32-1)個元素，但實際上不會達到這麼大的值，一般情況下如果達到下面的情況，就可以認為它是Bigkey了。
- 【字串型別】： 單個string型別的value值超過1MB，就可以認為是Bigkey。
- 【非字串型別】：雜湊、列表、集合、有序集合等， 它們的元素個數超過2000個，就可以認為是Bigkey。
2.2 Bigkey是怎麼產生的
我們遇到的Bigkey一般都是由於程式設計不當或者對於資料規模預料不清楚造成的，比如以下的情況。
- 【統計】：遇到一個統計類的key，是記錄某網站的存取使用者的IP，隨著時間的推移，網站存取的使用者越來越多，這個key的元素數量也會越來越大，形成Bigkey。
- 【快取】： 快取類key一般是這樣的邏輯，將資料從資料庫查詢出來序列化放到Redis裡，如果業務程式從Redis沒有存取到，就會查詢資料庫並將查詢到的資料追加到Redis快取中，短時間內會快取大量的資料到Redis的key中，形成Bigkey。
- 【佇列】：把Redis當做佇列使用，處理任務，如果消費出現不及時情況，將導致佇列越來越大，形成Bigkey。
這三種情況，都是我們實際運維中遇到的，需要謹慎使用，合理優化。
2.3 Bigkey 的危害
我們在運維中，遇到Bigkey的情況下，會導致一些問題，會觸發監控報警，嚴重的還會影響Redis範例可用性，進而影響業務可用性，在需要水平擴容時候，可能導致水平擴容失敗。
2.3.1記憶體空間不均勻
記憶體空間不均勻會不利於叢集對記憶體的統一管理，有資料丟失風險。下圖中的三個節點是同屬於一個叢集，它們的key的數量比較接近，但記憶體容量相差比較多，存在Bigkey的範例佔用的記憶體多了4G以上了。
可以使用使用Daas平臺「工具集-操作項管理」，選擇對應的slave範例執行分析，找出具體的Bigkey。
2.3.2 超時阻塞
Redis是單執行緒工作的，通俗點講就是同一時間只能處理一個Redis的存取命令，操作Bigkey的命令通常比較耗時，這段時間Redis不能處理其他命令，其他命令只能阻塞等待，這樣會造成使用者端阻塞，導致使用者端存取超時，更嚴重的會造成master-slave的故障切換。造成阻塞的操作不僅僅是業務程式的存取，還有key的自動過期的刪除、del刪除命令，對於Bigkey，這些操作也需要謹慎使用。
超時阻塞案例
我們遇到一個這樣超時阻塞的案例，業務方反映程式存取Redis叢集出現超時現象，hkeys存取Redis的平均響應時間在200毫秒左右，最大響應時間達到了500毫秒以上，如下圖。
hkeys是獲取所有雜湊表中的欄位的命令，分析應該是叢集中某些範例存在hash型別的Bigkey，導致hkeys命令執行時間過長，發生了阻塞現象。
1.使用Daas平臺「服務監控-資料庫範例監控」，選擇master節點，選擇Redis響應時間監控指標「redis.instance.latency.max」，如下圖所示，從監控圖中我們可以看到
（1）正常情況下，該範例的響應時間在0.1毫秒左右。
（2）監控指標上面有很多突刺，該範例的響應時間到了70毫秒左右，最大到了100毫秒左右，這種情況就是該範例會有100毫秒都在處理Bigkey的存取命令，不能處理其他命令。
通過檢視監控指標，驗證了我們分析是正確的，是這些監控指標的突刺造成了hkeys命令的響應時間比較大，我們找到了具體的master範例，然後使用master範例的slave去分析下Bigkey情況。
2.使用Daas平臺「工具集-操作項管理」，選擇slave範例執行分析，分析結果如下圖，有一個hash型別key有12102218個fields。
3. 和業務溝通，這個Bigkey是連續存放了30天的業務資料了，建議根據二次hash方式拆分成多個key，也可把30天的資料根據分鐘級別拆分成多個key，把每個key的元素數量控制在5000以內，目前業務正在排期優化中。優化後，監控指標的響應時間的突刺就會消失了。
2.3.3 網路阻塞
Bigkey的value比較大，也意味著每次獲取要產生的網路流量較大，假設一個Bigkey為10MB，使用者端每秒存取量為100，那麼每秒產生1000MB的流量，對於普通的千兆網路卡(按照位元組算是128MB/s)的伺服器來說簡直是滅頂之災。而且我們現在的Redis伺服器是採用單機多範例的方式來部署Redis範例的，也就是說一個Bigkey可能會對同一個伺服器上的其他Redis叢集範例造成影響，影響到其他的業務。
2.3.4 遷移困難
我們在運維中經常做的變更操作是水平擴容，就是增加Redis叢集的節點數量來達到擴容的目的，這個水平擴容操作就會涉及到key的遷移，把原範例上的key遷移到新擴容的範例上。當要對key進行遷移時，是通過migrate命令來完成的，migrate實際上是通過dump + restore + del三個命令組合成原子命令完成，它在執行的時候會阻塞進行遷移的兩個範例，直到以下任意結果發生才會釋放：遷移成功，遷移失敗，等待超時。如果key的遷移過程中遇到Bigkey，會長時間阻塞進行遷移的兩個範例，可能造成使用者端阻塞，導致使用者端存取超時；也可能遷移時間太長，造成遷移超時導致遷移失敗，水平擴容失敗。
遷移失敗案例
我們也遇到過一些因為Bigkey擴容遷移失敗的案例，如下圖所示，是一個Redis叢集水平擴容的工單，需要進行key的遷移，當工單執行到60%的時候，遷移失敗了。
1. 進入工單找到失敗的範例，使用失敗範例的slave節點，在Daas平臺的「工具集-操作項管理」進行Bigkey分析。
2. 經過分析找出了hash型別的Bigkey有8421874個fields，正是這個Bigkey導致遷移時間太長，超過了遷移時間限制，導致工單失敗了。
3.和業務溝通，這些key是記錄使用者存取系統的某個功能模組的ip地址的，存取該功能模組的所有ip都會記錄到給key裡面，隨著時間的積累，這個key變的越來越大。同樣是採用拆分的方式進行優化，可以考慮按照時間日期維度來拆分，就是一段時間段的存取ip記錄到一個key中。
4.Bigkey優化後，擴容的工單可以重試，完成叢集擴容操作。
三、Bigkey的發現
Bigkey首先需要重源頭治理，防止Bigkey的產生；其次是需要能夠及時的發現，發現後及時處理。分析Bigkey的方法不少，這裡介紹兩種比較常用的方法，也是Daas平臺分析Bigkey使用的兩種方式，分別是Bigkeys命令分析法、RDB檔案分析法。
3.1 scan命令分析
Redis4.0及以上版本提供了--Bigkeys命令，可以分析出範例中每種資料結構的top 1的Bigkey，同時給出了每種資料型別的鍵值個數以及平均大小。執行--Bigkeys命令時候需要注意以下幾點：
- 建議在slave節點執行，因為--Bigkeys也是通過scan完成的，可能會對節點造成阻塞。
- 建議在節點本機執行，這樣可以減少網路開銷。
- 如果沒有從節點，可以使用--i引數，例如(--i 0.1 代表100毫秒執行一次)。
- --Bigkeys只能計算每種資料結構的top1，如果有些資料結構有比較多的Bigkey，是查詢不出來的。
Daas平臺整合了基於原生--Bigkeys程式碼實現的查詢Bigkey的方式，這個方式的缺點是隻能計算每種資料結構的top1，如果有些資料結構有比較多的Bigkey，是查詢不出來的。該方式相對比較安全，已經開放出來給業務開發同學使用。
3.2 RDB檔案分析
藉助開源的工具，比如rdb-tools，分析Redis範例的RDB檔案，找出其中的Bigkey，這種方式需要生成RDB檔案，需要注意以下幾點：
- 建議在slave節點執行，因為生成RDB檔案會影響節點效能。
- 需要生成RDB檔案，會影響節點效能，雖然在slave節點執行，但是也是有可能造成主從中斷，進而影響到master節點。
Daas平臺整合了基於RDB檔案分析程式碼實現的查詢Bigkey的方式，可以根據實際需求自定義填寫N，分析的top N個Bigkey。該方式相對有一定風險，只有DBA有許可權執行分析。
3.3 Bigkey 巡檢
通過巡檢，可以暴露出隱患，提前解決，避免故障的發生，進行全網Bigkey的巡檢，是避免Bigkey故障的比較好的方法。由於全網Redis範例數量非常大，分析的速度比較慢，使用當前的分析方法很難完成。為了解決這個問題，儲存研發組分散式資料庫同學計劃開發一個高效的RDB解析工具，然後通過大規模解析RDB檔案來分析Bigkey，可以提高分析速度，實現Bigkey的巡檢。
四、 Bigkey處理優化
4.1 Bigkey拆分
優化Bigkey的原則就是string減少字串長度，list、hash、set、zset等減少元素數量。當我們知道哪些key是Bigkey時，可以把單個key拆分成多個key，比如以下拆分方式可以參考。
- big list：list1、list2、...listN
- big hash：可以做二次的hash，例如hash%100
- 按照日期拆分多個：key20220310、key20220311、key202203212
4.2 Bigkey分析工具優化
我們全網Redis叢集有2200以上，範例數量達到4.5萬以上，有的比較大的叢集的範例數量達到了1000以上，前面提到的兩種Bigkey分析工具還都是範例維度分析，對於範例數量比較大的叢集，進行全叢集分析也是比較耗時的，為了提高分析效率，從以下幾個方面進行優化：
- 可以從叢集維度選擇全部slave進行分析。
- 同一個叢集的相同伺服器slave範例序列分析，不同伺服器的slave範例並行分析，最大並行度預設10，同時可以分析10個範例，並且可以自定義輸入執行分析的並行度。
- 分析出符合Bigkey規定標準的所有key資訊：大於1MB的string型別的所有key，如果不存在就列出最大的50個key；hash、list、set、zset等型別元素個數大於2000的所有key，如不存在就給出每種型別最大的50個key。
- 增加暫停、重新開始、結束功能，暫停分析後可以重新開始。
4.3 水平擴容遷移優化
目前情況，我們有一些Bigkey的發現是被動的，一些是在水平擴容時候發現的，由於Bigkey的存在導致擴容失敗了，嚴重的還觸發了master-slave的故障切換，這個時候可能已經造成業務程式存取超時，導致了可用性下降。
我們分析了Daas平臺的水平擴容時遷移key的過程及影響引數，內容如下：
（1）【cluster-node-timeout】：控制叢集的節點切換引數，master堵塞超過cluster-node-timeout/2這個時間，就會主觀判定該節點下線pfail狀態，如果遷移Bigkey阻塞時間超過cluster-node-timeout/2，就可能會導致master-slave發生切換。
（2）【migrate timeout】：控制遷移io的超時時間，超過這個時間遷移沒有完成，遷移就會中斷。
（3）【遷移重試周期】：遷移的重試周期是由水平擴容的節點數決定的，比如一個叢集擴容10個節點，遷移失敗後的重試周期就是10次。
（4）【一個遷移重試周期內的重試次數】：在一個起遷移重試周期內，會有3次重試遷移，每一次的migrate timeout的時間分別是10秒、20秒、30秒，每次重試之間無間隔。
比如一個叢集擴容10個節點，遷移時候遇到一個Bigkey，第一次遷移的migrate timeout是10秒，10秒後沒有完成遷移，就會設定migrate timeout為20秒重試，如果再次失敗，會設定migrate timeout為30秒重試，如果還是失敗，程式會遷移其他新9個的節點，但是每次在遷移其他新的節點之前還會分別設定migrate timeout為10秒、20秒、30秒重試遷移那個遷移失敗的Bigkey。這個重試過程，每個重試周期阻塞（10+20+30）秒，會重試10個週期，共阻塞600秒。其實後面的9個重試周期都是無用的，每次重試之間沒有間隔，會連續阻塞了Redis範例。
（5）【遷移失敗紀錄檔】：遷移失敗後，記錄的紀錄檔沒有包括遷移節點、solt、key資訊，不能根據紀錄檔立即定位到問題key。
我們對這個遷移過程做了優化，具體如下：
（1）【cluster-node-timeout】：預設是60秒，在遷移之前設定為15分鐘，防止由於遷移Bigkey阻塞導致master-slave故障切換。
（2）【migrate timeout】：為了最大限度減少範例阻塞時間，每次重試的超時時間都是10秒，3次重試之間間隔30秒，這樣最多隻會連續阻塞Redis範例10秒。
（3）【重試次數】：遷移失敗後，只重試3次（重試是為了避免網路抖動等原因造成的遷移失敗），每次重試間隔30秒，重試3次後都失敗了，會暫停遷移，紀錄檔記錄下Bigkey，去掉了其他節點遷移的重試。
（4）【優化紀錄檔記錄】：遷移失敗紀錄檔記錄遷移節點、solt、key資訊，可以立即定位到問題節點及key。
五、總結
本文通過對Bigkey的分析，重點介紹了在運維中對bigkey問題的處理思路、解決方式。首先是需要從源頭治理，防止Bigkey形成，DBA應該加強對業務開發同學bigkey相關問題的宣導；其次是需要具備及時發現的能力，這個也是我們現在的不足之處。我們後面會從Bigkey巡檢、Bigkey分析工具的這兩個方面，提高Bigkey發現能力。
參考資料：