在Redis的运维使用过程中你遇到过那些问题，又是如何解决的呢？本文收集了一些Redis的常见问题以及解决方案，与大家一同探讨。
码字不易，欢迎大家转载，烦请注明出处；谢谢配合
你的Redis有bigkeys吗？
什么是bigkeys
bigkeys是指key不恰当设定，抑或是key对应的value值占用内存空间过大；具体表现为以下几种情形：
- key值不恰当设定（比较少见），key设定冗长
- String类型 value值长度过大
- Hash，List，Set，Zset 包含元素个数过多
bigkeys有什么危害
为什么我们必须警惕bigkey呢？其实bigkey主要有以下几个方面的危害：
- 内存使用不均匀，例如：在Redis-Cluster模式中，bigkey会造成节点内存使用不均匀。
- 超时阻塞，由于Redis是单线程架构，操作bigkey耗时较长，有可能造成Redis阻塞。
- 网络拥阻，例如：一个bigkey占用空间是1M，每秒访问1000次，将造成1000M的流量，可能造成打满机器带宽。
当然，如果bigkey访问频率不高，也仅会造成节点间内存使用不均；而当bigkey访问频繁时，其带来的影响是不可想象的，所以日常在开发运维的过程中应该警惕bigkey的存在。
如何找到bigkeys
了解到bigkey危害，我们该如何发现bigkeys呢？
Redis在设计之初就考虑到bigkeys的问题，我们可以使用 redis-cli --bigkeys 来发现bigkeys的分布情况；之后你如果想进一步了解bigkeys的具体情况可以使用 debug object <key> 来确定该key的具体信息。参考以下示例：
利用redis-cli --bigkeys找到bigkey，具体生产环境执行时强烈建议在从节点实行，如果担心OPS太高，可以使用 -i 0.1 ，表示每100条scan命令休眠0.1秒；其实该命令实现的原理就是利用我们常用的scan + type + strlen/hlen/llen/scard/zcard 命令实现的，具体可以从redis-cli.c的源码中探寻。
[root@VM_0_16_centos src]# redis-cli -p 6380 --bigkeys
# Scanning the entire keyspace to find biggest keys as well as
# average sizes per key type. You can use -i 0.1 to sleep 0.1 sec
# per 100 SCAN commands (not usually needed).
[00.00%] Biggest string found so far 'h' with 1 bytes
[00.00%] Biggest string found so far 'hello' with 105 bytes
[00.00%] Biggest string found so far 'heml' with 1434 bytes
-------- summary -------
Sampled 3 keys in the keyspace!
Total key length in bytes is 10 (avg len 3.33)
Biggest string found 'html' has 1434 bytes
0 lists with 0 items (00.00% of keys, avg size 0.00)
0 hashs with 0 fields (00.00% of keys, avg size 0.00)
3 strings with 1540 bytes (100.00% of keys, avg size 513.33)
0 streams with 0 entries (00.00% of keys, avg size 0.00)
0 sets with 0 members (00.00% of keys, avg size 0.00)
0 zsets with 0 members (00.00% of keys, avg size 0.00)
执行结果是发现String类型的"html"为bigkey，我们紧接着来了解"html"的具体信息；使用
debug object <key> 命令，还有如果是对于元素个数较多的数据结构，该命令可能会阻塞redis实例，所以强烈建议在从节点执行
[root@VM_0_16_centos src]# redis-cli -p 6380
127.0.0.1:6379> debug object html
Value at:0x7f0b13a665c0 refcount:1 encoding:raw serializedlength:251 lru:12181323 lru_seconds_idle:229
127.0.0.1:6379> strlen html
(integer) 1434
我们发现key为"html"的String类型的value长达1434个字节，以上便是演示查找bigkeys的过程；除了以上方式我们可以在bigkeys影响redis正常提供服务之前，通过 scan + debug object 对怀疑的bigkeys进行逐个检查。
当然你如果担心执行相关命令会对正式环境有一定的影响，你也可以通过对RDB进行备份，然后根据RDB文件的结构，对RDB中的数据进行逐个分析同样的可以找到bigkey，不过这种方式的开发成本会有些高；使用者可以依据自己的实际情况来酌情判断。
如何处理bigkeys
经过一番折腾，我们终于找到bigkeys了，那么我们应该如何处理它呢？
在Redis4.0之前版本，由于DEL命令是同步删除的，针对String类型的bigkeys确实可以使用DEL命令，删除速度相对较快，一般不会阻塞redis；然而对于元素个数较多的数据结构，使用DEL命令来删除可能会阻塞redis实例；针对 Hash 结构，我们可以利用 HSCAN + HDEL 删除元素的成员，成员删除之后再利用 DEL 删除key；其余数据类似都是渐进的方式先删除成员，再删除key。
Redis4.0版本之后则支持了Lazy Delete Free模式，你可以使用 UNLINK 命令来删除bigkeys，它的实现是异步的，具体可以从redis-cli.c的源码中探寻，你需要先确认打开了lazyfree相关配置。
bigkeys总结
bigkeys的表现形式是内存分配不均；频繁操作的实际影响是有可能造成超时阻塞，网络拥阻；解决思路是事前监控，事中找到bigkeys，并通过正确的方式删除bigkeys。
你的Redis有hotkeys吗？
什么是hotkeys？
hotkeys是在Redis实例中某些key的操作频次远高于其他key，那么这些被频繁操作的热点key我们就称之为hotkeys。
hotkeys有什么危害？
hotkeys有什么危害呢？以Redis-Cluster模式为例，存在hotkeys的节点，将面临以下挑战：
- 请求分配不均，存在hotkeys的节点面临较大的访问压力
- 缓存击穿，hotkeys过期时，大量请求将直接导向DB
- 缓存雪崩，击垮存在hotkeys的节点，导致不能正常提供服务
如何发现hotkeys呢？
Redis4.0之后客户端提供了hotkeys发现的相关命令，我们可以通过 redis-cli --hotkeys 来发现hotkeys；
Redis4.0之前我们也可以通过客户端，代理端，服务端，机器端等多个方面来发现hotkeys：
- 在客户端建立全局字典表，对key和调用次数进行统计；缺点：侵入客户端
- 如果你的集群是通过proxy + redis 的方式搭建的，那你可以很方便的从代理端对key和调用次数进行监控；缺点：限制代理模式的集群
- 在服务端可以利用 monitor，对服务端接收的请求进行监控；缺点：侵入服务端，在高并发情况下会使内存暴增，适合短时间使用
- 如果你不想侵入服务端与客户端，可以对服务端接收的请求进行抓包，分析以及监控；例如使用ELK（Elasticsearch + Logstach + kinbana）用packetbeat进行抓包。
如何处理hotkeys？
我们了解到hotkeys的危害，并可以通过技术手段找到hotkeys以后，我们该怎么对系统做优化呢？
首先针对hotkeys过期，面临的重建问题，可以使用以下有效手段来尽可能的减少key重建的过程：
- 设置互斥锁，保证由一个线程完成热点key的重建，避免大量的请求直接导向DB
- "永不过期"，将hotkeys的过期时间设置较长的时间，或者永不过期；等待hotkeys触发的热点事件过去后再考虑过期。
针对Redis集群的优化，包括但不限于以下几种方式：
- hotkeys表现就是请求分配不均；我们可以以此为出发点，来想办法使请求尽可能的分布平均；例如：利用<hotkeys_n,value> ,n为随机数，尽可能的多个实例都有该数据，在访问时在n的范围内取随机数以此来分摊请求；此方式需要一定的代码改造；
- 本地缓存，此方式需要对热点信息有预知，例如：电商产品大促，热点产生在可以预知的范围内，便可以考虑此方式；
- 集群的热点数据的节点的扩容，此方式原理同第一种方式相同，不同点在于不需要对代码进行改造，而是直接增加hotkeys对应节点的数据副本，使多个节点都具备提供该数据的读取能力，以此来均衡请求。
hotkeys总结
hotkeys的表现形式是请求的分配不均，问题恶化将导致Redis集群请求倾斜，甚至集群雪崩，我们可以通过多种途径来均衡请求，避免单个节点过热；如果hotkeys的超时实现过短，可能会导致大量请求涌入到DB，并发重建key，可以通过合理的锁机制或者设置合理的超时时间来避免。
Redis缓存穿透
什么是缓存穿透
缓存穿透是大量请求的key在缓存中没有，直接请求到DB，使缓存失去保护数据库的作用；例如：黑客刻意构建大量缓存中没有的key，导致每次处理请求都需要去访问数据库。
正常缓存处理流程
解决缓存穿透
通过以上流程图我们对缓存穿透有了一定的了解，那该如何解决此类问题呢？通常解决的方式有两种：
(1) 对空值进行缓存，设置较短的失效时间；
分析：我们对null进行缓存，Redis需要更大的内存空间；此方案适用于请求key变化不频繁的情况；如何黑客恶意攻击，每次构建的不同的请求key，这种方案并不能从根本上解决此问题。
(2) 使用布隆过滤器，布隆过滤器优势在于检索一个元素是否在一个集合内；我们可以利用布隆过滤器来判断请求的key是否在合理的范围内，如果不存在，则直接过滤掉。
分析：可以利用Redis的 BitMap来实现布隆过滤器，用其来缓存目标数据集变化不频繁，而请求key变化频繁的情况。
Redis缓存雪崩
什么是缓存雪崩
缓存雪崩是指由于缓存集中过期或者缓存不可用，导致大量请求直接导向数据库。在高并发的情况下，巨大的请求量有可能导致数据库的崩溃，甚至导致整个应用体系的全盘崩溃；缓存失去保护是数据库的作用，而巨大导致流量流向数据库就是缓存雪崩的表现形式。
如何预防及避免
- 设置合理的过期策略，避免缓存集中过期。
- hotkeys分片存储，避免请求数据的倾斜，导致缓存。
- hotkeys设置合理的过期时间或者“永不过期”。
Redis阻塞
我们知道Redis是单线程模型，如果线上Redis发生阻塞对整个应用将是毁灭性的；那什么原因会导致Redis阻塞呢？
API或数据结构使用不合理
常见的是在生产上执行时间复杂度高的命令如： KEYS，可以通过RENAME 方式将命令修改为不易猜测的，避免开发运维人员的不当执行。
数据结构的不合理，如存在频繁操作bigkeys，有可能造成阻塞，将bigkeys拆分成成员较小的key。
CPU饱和
Redis单实例OPS可以到达平均10W+左右，如果你的Redis实例OPS已经达到较高的数值，那你可以考虑集群的水平扩展，来降低实例的OPS；但是你的Redis实例OPS不高，CPU使用率较高，那你应该检查应用是否使用了时间复杂度较高的命令。
持久化阻塞
我们知道Redis可以进行持久化来防止数据的丢失；RDB方式，主进程会fork一个共享内存子进程来创建RDB文件，如果fork耗时过长，必然将阻塞主进程。
AOF刷盘，通常我们设置的刷盘策略是everysec，但由于磁盘压力过大，fsync有可能耗时较长，当时间大于1秒时，为了保证数据安全，下次fsync调用将阻塞知道上次调用结束。
其他原因
CPU竞争：Redis是CPU密集型应用，应避免跟其他CPU密集型应用部署在一起
内存交换：Redis由于从内存中直接读取，所以响应速度很快；当内存严重不足时，可能会存在内存交换，这将影响Redis的执行效率；通过cat /proc/$pid/smaps | grep Swap 来确认是否有频繁的内存交换。
网络问题：连接数限制或者网络延时等也有可能导致阻塞
Redis淘汰策略
当Redis的内存使用达到限制时(可通过maxmemory <bytes>设置)，会根据根据淘汰策略来移除Keys；有如下淘汰策略：
- allkeys-random：在所有keys中随机移除
- allkeys-lru：在所有keys中使用lru移除
- allkeys-lfu：在所有keys中使用lfu移除
- volatile-random：在过期keys中随机移除
- volatile-lru：在过期keys中使用lru移除
- volatile-lfu：在过期keys中使用lfu移除
- volatile-ttl：移除即将过期
- noevction：不移除任何key，空间不足时将抛出error
lru：Least Recently Used 最近最少使用
lfu：Least Frequently Used 最不经常使用
总结
本文介绍了bigkeys,hotkeys,缓存穿透，缓存雪崩，阻塞等问题；然而我们在实际应用中难免会遇到各种各样的问题，本文难以一一列举；但是面对问题我们要沉着冷静，了解清楚问题的现象与本质，找到问题的症结所在，随后在对症下药便可以解决问题。