企业官网建设流程全解析

热门新闻事件或商品通常会给系统带来巨大的流量，对存储这类信息的Redis来说却是一个巨大的挑战。以Redis Cluster为例，它会造成整体流量的不均衡，个别节点出现OPS过大的情况，极端情况下热点key甚至会超过Redis本身能够承受的OPS，因此寻找热点key对于开发和运维人员非常重要。下面就从四个方面来分析热点key。

1、客户端

客户端其实是距离key“最近”的地方，因为Redis命令就是从客户端发出的，例如在客户端设置全局字典（key和调用次数）​，每次调用Redis命令时，使用这个字典进行记录，如下所示。

// 使用Guava的AtomicLongMap,记录key的调用次数publicstaticfinalAtomicLongMap<String>ATOMIC_LONG_MAP=AtomicLongMap.create();Stringget(Stringkey){counterKey(key);…}Stringset(Stringkey,Stringvalue){counterKey(key);…}voidcounterKey(Stringkey){ATOMIC_LONG_MAP.incrementAndGet(key);}

为了减少对客户端代码的侵入，可以在Redis客户端的关键部分进行计数，例如Jedis的Connection类中的sendCommand方法是所有命令执行的枢纽：

publicConnectionsendCommand(finalProtocolCommandcmd,finalbyte[]… args){// 从参数中获取keyStringkey=analysis(args);// 计数counterKey(key);…}

同时为了防止ATvOMIC_LONG_MAP过大，可以对其进行定期清理。

publicvoidscheduleCleanMap(){ERROR_NAME_VALUE_MAP.clear();}

使用客户端进行热点key的统计非常容易实现，但是同时问题也非常多：

• 无法预知key的个数，存在内存泄露的危险。
• 对于客户端代码有侵入，各个语言的客户端都需要维护此逻辑，维护成本较高。
• 只能了解当前客户端的热点key，无法实现规模化运维统计。

当然除了使用本地字典计数外，还可以使用其他存储来完成异步计数，从而解决本地内存泄露问题。但是另两个问题还是不好解决。

2、代理端

像Twemproxy、Codis这些基于代理的Redis分布式架构，所有客户端的请求都是通过代理端完成的，如图所示。此架构是最适合做热点key统计的，因为代理是所有Redis客户端和服务端的桥梁。但并不是所有Redis都是采用此种架构。

3、Redis服务端

使用monitor命令统计热点key是很多开发和运维人员首先想到，monitor命令可以监控到Redis执行的所有命令，下面为一次monitor命令执行后部分结果：

1477638175.920489[010.16.xx.183:54465]"GET""tab:relate:kp:162818"1477638175.925794[010.10.xx.14:35334]"HGETALL""rf:v1:84083217_83727736"1477638175.938106[010.16.xx.180:60413]"GET""tab:relate:kp:900"1477638175.939651[010.16.xx.183:54320]"GET""tab:relate:kp:15907"…1477638175.962519[010.10.xx.14:35334]"GET""tab:relate:kp:3079"1477638175.963216[010.10.xx.14:35334]"GET""tab:relate:kp:3079"1477638175.964395[010.10.xx.204:57395]"HGETALL""rf:v1:80547158_83076533"

如图所示，利用monitor命令的结果就可以统计出一段时间内的热点key排行榜、命令排行榜、客户端分布等数据，例如下面的伪代码统计了最近10万条命令中的热点key：

// 获取10万条命令List<String>keyList=redis.monitor(100000);// 存入到字典中，分别是key和对应的次数AtomicLongMap<String>ATOMIC_LONG_MAP=AtomicLongMap.create();// 统计for(Stringcommand:commandList){ATOMIC_LONG_MAP.incrementAndGet(key);}// 后续统计和分析热点keystatHotKey(ATOMIC_LONG_MAP);

Facebook开源的redis-faina[插图]正是利用上述原理使用Python语言实现的，例如下面获取最近10万条命令的热点key、热点命令、耗时分布等数据。为了减少网络开销以及加快输出缓冲区的消费速度，monitor尽可能在本机执行。

redis-cli-p6380monitor|head-n100000|./redis-faina.py Overall Stats========================================Lines Processed50000Commands/Sec900.48Top Prefixes========================================tab27565(55.13%)rf15111(30.22%)ugc2051(4.10%)… Top Keys========================================tab:relate:kp:93502110(4.22%)tab:relate:kp:159071594(3.19%)… Top Commands========================================GET25700(51.40%)HGETALL15111(30.22%)… Command Time(microsecs)========================================Median622.7575%1504.090%2820.099%6798.0

此种方法会有两个问题：

• monitor命令在高并发条件下，会存在内存暴增和影响Redis性能的隐患，所以此种方法适合在短时间内使用。
• 只能统计一个Redis节点的热点key，对于Redis集群需要进行汇总统计。

4、机器

Redis客户端使用TCP协议与服务端进行交互，通信协议采用的是RESP。如果站在机器的角度，可以通过对机器上所有Redis端口的TCP数据包进行抓取完成热点key的统计，如图所示。

此种方法对于Redis客户端和服务端来说毫无侵入，是比较完美的方案，但是依然存在两个问题：

• 需要一定的开发成本，但是一些开源方案实现了该功能，例如ELK(ElasticSearch Logstash Kibana)体系下的packetbeat插件，可以实现对Redis、MySQL等众多主流服务的数据包抓取、分析、报表展示。
• 由于是以机器为单位进行统计，要想了解一个集群的热点key，需要进行后期汇总。

最后通过下表给出上述四种方案的特点。

最后我们总结出解决热点key问题的三种方案。选用哪种要根据具体业务场景来决定。下面是三种方案的思路。

• 拆分复杂数据结构：如果当前key的类型是一个二级数据结构，例如哈希类型。如果该哈希元素个数较多，可以考虑将当前hash进行拆分，这样该热点key可以拆分为若干个新的key分布到不同Redis节点上，从而减轻压力。
• 迁移热点key：以Redis Cluster为例，可以将热点key所在的slot单独迁移到一个新的Redis节点上，但此操作会增加运维成本。
• 本地缓存加通知机制：可以将热点key放在业务端的本地缓存中，因为是在业务端的本地内存中，处理能力要高出Redis数十倍，但当数据更新时，此种模式会造成各个业务端和Redis数据不一致，通常会使用发布订阅机制来解决类似问题。