背景
最近碰到一个 case，一个 Redis 实例的内存突增，used_memory最大时达到了 78.9G，而该实例的maxmemory配置却只有 16G，最终导致实例中的数据被大量驱逐。
以下是问题发生时INFO MEMORY的部分输出内容。
# Memoryused_memory:84716542624used_memory_human:78.90Gused_memory_rss:104497676288used_memory_rss_human:97.32Gused_memory_peak:84716542624used_memory_peak_human:78.90Gused_memory_peak_perc:100.00%used_memory_overhead:75682545624used_memory_startup:906952used_memory_dataset:9033997000used_memory_dataset_perc:10.66%allocator_allocated:84715102264allocator_active:101370822656allocator_resident:102303637504total_system_memory:810745470976total_system_memory_human:755.07Gused_memory_lua:142336used_memory_lua_human:139.00Kused_memory_scripts:6576used_memory_scripts_human:6.42Knumber_of_cached_scripts:13maxmemory:17179869184maxmemory_human:16.00Gmaxmemory_policy:volatile-lruallocator_frag_ratio:1.20allocator_frag_bytes:16655720392
复制代码
内存突增导致数据被驱逐，是 Redis 中一个较为常见的问题。很多童鞋在面对这类问题时往往缺乏清晰的分析思路，常常误以为是复制、RDB 持久化等操作引起的。接下来，我们看看如何系统地分析这类问题。
本文主要包括以下几部分：
INFO 中的used_memory是怎么来的？
什么是used_memory？
used_memory内存通常会被用于哪些场景？
Redis 7 在内存统计方面的变化。
数据驱逐的触发条件——当used_memory 超过maxmemory后，是否一定会触发驱逐？
最后，分享一个脚本，帮助实时分析used_memory增长时，具体是哪一部分的内存消耗导致的。
INFO 中的 used_memory 是怎么来的？
当我们执行INFO命令时，Redis 会调用genRedisInfoString函数来生成其输出。
// server.csds genRedisInfoString(const char *section) { ... /* Memory */ if (allsections || defsections || !strcasecmp(section,"memory")) { ... size_t zmalloc_used = zmalloc_used_memory(); ... if (sections++) info = sdscat(info,"\r\n"); info = sdscatprintf(info, "# Memory\r\n" "used_memory:%zu\r\n" "used_memory_human:%s\r\n" "used_memory_rss:%zu\r\n" ... "lazyfreed_objects:%zu\r\n", zmalloc_used, hmem, server.cron_malloc_stats.process_rss, ... lazyfreeGetFreedObjectsCount() ); freeMemoryOverheadData(mh); } ... return info;}
复制代码
可以看到，used_memory 的值来自 zmalloc_used，而 zmalloc_used 又是通过zmalloc_used_memory()函数获取的。
// zmalloc.csize_t zmalloc_used_memory(void) { size_t um; atomicGet(used_memory,um); return um;}
复制代码
zmalloc_used_memory() 的实现很简单，就是以原子方式读取 used_memory 的值。
什么是 used_memory
used_memory是一个静态变量，其类型为redisAtomic size_t，其中redisAtomic是_Atomic类型的别名。_Atomic是 C11 标准引入的关键字，用于声明原子类型，保证在多线程环境中对该类型的操作是原子的，避免数据竞争。
#define redisAtomic _Atomicstatic redisAtomic size_t used_memory = 0;
复制代码
used_memory 的更新主要通过两个宏定义实现：
#define update_zmalloc_stat_alloc(__n) atomicIncr(used_memory,(__n))#define update_zmalloc_stat_free(__n) atomicDecr(used_memory,(__n))
复制代码
其中，update_zmalloc_stat_alloc(__n)是在分配内存时调用，它通过原子操作让 used_memory 加__n。
而update_zmalloc_stat_free(__n)则是在释放内存时调用，它通过原子操作让 used_memory 减__n。
这两个宏确保了在内存分配和释放过程中used_memory的准确更新，并且避免了并发操作带来的数据竞争问题。
在通过内存分配器（常用的内存分配器有 glibc's malloc、jemalloc、tcmalloc，Redis 中一般使用 jemalloc）中的函数分配或释放内存时，会同步调用update_zmalloc_stat_alloc或update_zmalloc_stat_free来更新 used_memory 的值。
在 Redis 中，内存管理主要通过以下两个函数来实现：
// zmalloc.cvoid *ztrymalloc_usable(size_t size, size_t *usable) { ASSERT_NO_SIZE_OVERFLOW(size); void *ptr = malloc(MALLOC_MIN_SIZE(size)+PREFIX_SIZE);
if (!ptr) return NULL;#ifdef HAVE_MALLOC_SIZE size = zmalloc_size(ptr); update_zmalloc_stat_alloc(size); if (usable) *usable = size; return ptr;#else ...#endif}
void zfree(void *ptr) { ... if (ptr == NULL) return;#ifdef HAVE_MALLOC_SIZE update_zmalloc_stat_free(zmalloc_size(ptr)); free(ptr);#else ...#endif}
复制代码
其中，
这种机制保证了 Redis 能够准确跟踪内存的分配和释放情况，从而有效地管理内存使用。
used_memory 内存通常会被用于哪些场景？
used_memory主要由两部分组成：
数据本身：对应 INFO 中的used_memory_dataset。
内部管理和维护数据结构的开销：对应 INFO 中的used_memory_overhead。
需要注意的是，used_memory_dataset 并不是根据 Key 的数量及 Key 使用的内存计算出来的，而是通过 used_memory 减去 used_memory_overhead 得到的。
接下来，我们重点分析下used_memory_overhead 的来源。实际上，Redis 提供了一个单独的函数-getMemoryOverheadData，专门用于计算这一部分的内存开销。
// object.cstruct redisMemOverhead *getMemoryOverheadData(void) { int j; // mem_total 用于累积总的内存开销，最后会赋值给 used_memory_overhead。 size_t mem_total = 0; // mem 用于计算每一部分的内存使用量。 size_t mem = 0; // 调用 zmalloc_used_memory() 获取 used_memory。 size_t zmalloc_used = zmalloc_used_memory(); // 使用 zcalloc 分配一个 redisMemOverhead 结构体的内存。 struct redisMemOverhead *mh = zcalloc(sizeof(*mh)); ... // 将 Redis 启动时的内存使用量 server.initial_memory_usage 加入到总内存开销中。 mem_total += server.initial_memory_usage;
mem = 0; // 将复制积压缓冲区的内存开销加入到总内存开销中。 if (server.repl_backlog) mem += zmalloc_size(server.repl_backlog); mh->repl_backlog = mem; mem_total += mem;
/* Computing the memory used by the clients would be O(N) if done * here online. We use our values computed incrementally by * clientsCronTrackClientsMemUsage(). */ // 计算客户端内存开销 mh->clients_slaves = server.stat_clients_type_memory[CLIENT_TYPE_SLAVE]; mh->clients_normal = server.stat_clients_type_memory[CLIENT_TYPE_MASTER]+ server.stat_clients_type_memory[CLIENT_TYPE_PUBSUB]+ server.stat_clients_type_memory[CLIENT_TYPE_NORMAL]; mem_total += mh->clients_slaves; mem_total += mh->clients_normal; // 计算 AOF 缓冲区和 AOF Rewrite Buffer 的内存开销 mem = 0; if (server.aof_state != AOF_OFF) { mem += sdsZmallocSize(server.aof_buf); mem += aofRewriteBufferSize(); } mh->aof_buffer = mem; mem_total+=mem; // 计算 Lua 脚本缓存的内存开销 mem = server.lua_scripts_mem; mem += dictSize(server.lua_scripts) * sizeof(dictEntry) + dictSlots(server.lua_scripts) * sizeof(dictEntry*); mem += dictSize(server.repl_scriptcache_dict) * sizeof(dictEntry) + dictSlots(server.repl_scriptcache_dict) * sizeof(dictEntry*); if (listLength(server.repl_scriptcache_fifo) > 0) { mem += listLength(server.repl_scriptcache_fifo) * (sizeof(listNode) + sdsZmallocSize(listNodeValue(listFirst(server.repl_scriptcache_fifo)))); } mh->lua_caches = mem; mem_total+=mem; // 计算数据库的内存开销：遍历所有数据库 (server.dbnum)。对于每个数据库，计算主字典 (db->dict) 和过期字典 (db->expires) 的内存开销。 for (j = 0; j < server.dbnum; j++) { redisDb *db = server.db+j; long long keyscount = dictSize(db->dict); if (keyscount==0) continue;
mh->total_keys += keyscount; mh->db = zrealloc(mh->db,sizeof(mh->db[0])*(mh->num_dbs+1)); mh->db[mh->num_dbs].dbid = j;
mem = dictSize(db->dict) * sizeof(dictEntry) + dictSlots(db->dict) * sizeof(dictEntry*) + dictSize(db->dict) * sizeof(robj); mh->db[mh->num_dbs].overhead_ht_main = mem; mem_total+=mem;
mem = dictSize(db->expires) * sizeof(dictEntry) + dictSlots(db->expires) * sizeof(dictEntry*); mh->db[mh->num_dbs].overhead_ht_expires = mem; mem_total+=mem;
mh->num_dbs++; } // 将计算的 mem_total 赋值给 mh->overhead_total。 mh->overhead_total = mem_total; // 计算数据的内存开销 (zmalloc_used - mem_total) 并存储在 mh->dataset。 mh->dataset = zmalloc_used - mem_total; mh->peak_perc = (float)zmalloc_used*100/mh->peak_allocated;
/* Metrics computed after subtracting the startup memory from * the total memory. */ size_t net_usage = 1; if (zmalloc_used > mh->startup_allocated) net_usage = zmalloc_used - mh->startup_allocated; mh->dataset_perc = (float)mh->dataset*100/net_usage; mh->bytes_per_key = mh->total_keys ? (net_usage / mh->total_keys) : 0;
return mh;}
复制代码
基于上面代码的分析，可以知道 used_memory_overhead 由以下几部分组成：
server.initial_memory_usage：Redis 启动时的内存使用量，对应 INFO 中used_memory_startup。
mh->repl_backlog：复制积压缓冲区的内存开销，对应 INFO 中的mem_replication_backlog。
mh->clients_slaves：从库的内存开销。对应 INFO 中的mem_clients_slaves。
mh->clients_normal：其它客户端的内存开销，对应 INFO 中的mem_clients_normal。
mh->aof_buffer：AOF 缓冲区和 AOF 重写缓冲区的内存开销，对应 INFO 中的mem_aof_buffer。AOF 缓冲区是数据写入 AOF 之前使用的缓冲区。AOF 重写缓冲区是 AOF 重写期间，用于存放新增数据的缓冲区。
mh->lua_caches：Lua 脚本缓存的内存开销，对应 INFO 中的used_memory_scripts。Redis 5.0 新增的。
字典的内存开销，这部分内存在 INFO 中没有显示，需要通过MEMORY STATS查看。
在这些内存开销中，used_memory_startup 基本不变，mem_replication_backlog 受 repl-backlog-size 的限制，used_memory_scripts 开销一般不大，而字典的内存开销则与数据量的大小成正比。
所以，重点需要注意的主要有三项：mem_clients_slaves，mem_clients_normal 和mem_aof_buffer。
mem_aof_buffer：重点关注 AOF 重写期间缓冲区的大小。
mem_clients_slaves 和 mem_clients_normal：都是客户端，内存分配方式相同。客户端的内存开销主要包括以下三部分：输入缓冲区：用于暂存客户端命令，大小由 client-query-buffer-limit 限制。输出缓冲区：用于缓存发送给客户端的数据，大小受 client-output-buffer-limit 控制。如果数据超过软硬限制并持续一段时间，客户端会被关闭。客户端对象本身占用的内存。
Redis 7 在内存统计方面的变化
在 Redis 7 中，还会统计以下项的内存开销：
mh->cluster_links：集群链接的内存开销，对应 INFO 中的mem_cluster_links。
mh->functions_caches：Function 缓存的内存开销，对应 INFO 中的used_memory_functions。
集群模式下键到槽映射的内存开销，对应 MEMORY STATS 中的overhead.hashtable.slot-to-keys。
此外，Redis 7 引入了 Multi-Part AOF，这个特性移除了 AOF 重写缓冲区。
需要注意的是，mh->repl_backlog 和 mh->clients_slaves 的内存计算方式也发生了变化。
在 Redis 7 之前，mh->repl_backlog 统计的是复制积压缓冲区的大小，mh->clients_slaves 统计的是所有从节点客户端的内存使用量。
if (server.repl_backlog) mem += zmalloc_size(server.repl_backlog);mh->repl_backlog = mem;mem_total += mem;
mem = 0;// 遍历所有从节点客户端，累加它们的输出缓冲区、输入缓冲区的内存使用量以及客户端对象本身的内存占用。if (listLength(server.slaves)) { listIter li; listNode *ln;
listRewind(server.slaves,&li); while((ln = listNext(&li))) { client *c = listNodeValue(ln); mem += getClientOutputBufferMemoryUsage(c); mem += sdsAllocSize(c->querybuf); mem += sizeof(client); }}mh->clients_slaves = mem;
复制代码
因为每个从节点都会分配一个独立的复制缓冲区（即从节点对应客户端的输出缓冲区），所以当从节点的数量增加时，这种实现方式会造成内存的浪费。不仅如此，当client-output-buffer-limit设置过大且从节点数量过多时，还容易导致主节点 OOM。
针对这个问题，Redis 7 引入了一个全局复制缓冲区。无论是复制积压缓冲区（repl-backlog），还是从节点的复制缓冲区都是共享这个缓冲区。
replBufBlock结构体用于存储全局复制缓冲区的一个块。
typedef struct replBufBlock { int refcount; /* Number of replicas or repl backlog using. */ long long id; /* The unique incremental number. */ long long repl_offset; /* Start replication offset of the block. */ size_t size, used; char buf[];} replBufBlock;
复制代码
每个replBufBlock包含一个refcount字段，用于记录该块被多少个复制实例（包括主节点的复制积压缓冲区和从节点）所引用。
当新的从节点添加时，Redis 不会为其分配新的复制缓冲区块，而是增加现有replBufBlock的refcount。
相应地，在 Redis 7 中，mh->repl_backlog 和 mh->clients_slaves 的内存计算方式也发生了变化。
if (listLength(server.slaves) && (long long)server.repl_buffer_mem > server.repl_backlog_size){ mh->clients_slaves = server.repl_buffer_mem - server.repl_backlog_size; mh->repl_backlog = server.repl_backlog_size;} else { mh->clients_slaves = 0; mh->repl_backlog = server.repl_buffer_mem;}if (server.repl_backlog) { /* The approximate memory of rax tree for indexed blocks. */ mh->repl_backlog += server.repl_backlog->blocks_index->numnodes * sizeof(raxNode) + raxSize(server.repl_backlog->blocks_index) * sizeof(void*);}mem_total += mh->repl_backlog;mem_total += mh->clients_slaves;
复制代码
具体而言，如果全局复制缓冲区的大小大于repl-backlog-size，则复制积压缓冲区（mh->repl_backlog）的大小取 repl-backlog-size，剩余部分视为从库使用的内存（mh->clients_slaves）。如果全局复制缓冲区的大小小于等于 repl-backlog-size，则直接取全局复制缓冲区的大小。
此外，由于引入了一个 Rax 树来索引全局复制缓冲区中的部分节点，复制积压缓冲区还需要计算 Rax 树的内存开销。
数据驱逐的触发条件
很多人有个误区，认为只要 used_memory 大于 maxmemory ，就会触发数据的驱逐。但实际上不是。
数据被驱逐需满足以下条件：
maxmemory 必须大于 0。
maxmemory-policy 不能是 noeviction。
内存使用需满足一定的条件。不是 used_memory 大于 maxmemory，而是 used_memory 减去 mem_not_counted_for_evict 后的值大于 maxmemory。
其中，mem_not_counted_for_evict的值可以通过 INFO 命令获取，它的大小是在freeMemoryGetNotCountedMemory函数中计算的。
size_t freeMemoryGetNotCountedMemory(void) { size_t overhead = 0; int slaves = listLength(server.slaves);
if (slaves) { listIter li; listNode *ln;
listRewind(server.slaves,&li); while((ln = listNext(&li))) { client *slave = listNodeValue(ln); overhead += getClientOutputBufferMemoryUsage(slave); } } if (server.aof_state != AOF_OFF) { overhead += sdsalloc(server.aof_buf)+aofRewriteBufferSize(); } return overhead;}
复制代码
freeMemoryGetNotCountedMemory函数统计了所有从节点的复制缓存区、AOF 缓存区和 AOF 重写缓冲区的总大小。
所以，在 Redis 判断是否需要驱逐数据时，会从used_memory中剔除从节点复制缓存区、AOF 缓存区以及 AOF 重写缓冲区的内存占用。
Redis 内存分析脚本
最后，分享一个脚本。
这个脚本能够帮助我们快速分析 Redis 的内存使用情况。通过输出结果，我们可以直观地查看 Redis 各个部分的内存消耗情况并识别当 used_memory 增加时，具体是哪一部分的内存消耗导致的。
脚本地址：https://github.com/slowtech/dba-toolkit/blob/master/redis/redis_mem_usage_analyzer.py
# python3 redis_mem_usage_analyzer.py -host 10.0.1.182 -p 6379Metric(2024-09-12 04:52:42) Old Value New Value(+3s) Change per second ==========================================================================================Summary---------------------------------------------used_memory 16.43G 16.44G 1.1M used_memory_dataset 11.93G 11.93G 22.66K used_memory_overhead 4.51G 4.51G 1.08M
Overhead(Total) 4.51G 4.51G 1.08M ---------------------------------------------mem_clients_normal 440.57K 440.52K -18.67B mem_clients_slaves 458.41M 461.63M 1.08M mem_replication_backlog 160M 160M 0B mem_aof_buffer 0B 0B 0B used_memory_startup 793.17K 793.17K 0B used_memory_scripts 0B 0B 0B mem_hashtable 3.9G 3.9G 0B
Evict & Fragmentation---------------------------------------------maxmemory 20G 20G 0B mem_not_counted_for_evict 458.45M 461.73M 1.1M mem_counted_for_evict 15.99G 15.99G 2.62K maxmemory_policy volatile-lru volatile-lru used_memory_peak 16.43G 16.44G 1.1M used_memory_rss 16.77G 16.77G 1.32M mem_fragmentation_bytes 345.07M 345.75M 232.88K
Others---------------------------------------------keys 77860000 77860000 0.0 instantaneous_ops_per_sec 8339 8435 lazyfree_pending_objects 0 0 0.0
复制代码
该脚本每隔一段时间（由 -i 参数决定，默认是 3 秒）采集一次 Redis 的内存数据。然后，它会将当前采集到的数据（New Value）与上一次的数据（Old Value）进行对比，计算出每秒的增量（Change per second）。
输出主要分为四大部分：
Summary：汇总部分，used_memory = used_memory_dataset + used_memory_overhead。
Overhead(Total)：展示 used_memory_overhead 中各个细项的内存消耗情况。Overhead(Total) 等于所有细项之和，理论上应与 used_memory_overhead 相等。
Evict & Fragmentation：显示驱逐和内存碎片的一些关键指标。其中，mem_counted_for_evict = used_memory - mem_not_counted_for_evict，当 mem_counted_for_evict 超过 maxmemory 时，才会触发数据驱逐。
Others：其他一些重要指标，包括 keys（键的总数量）、instantaneous_ops_per_sec（每秒操作数）以及 lazyfree_pending_objects（通过异步删除等待释放的对象数）。
如果发现mem_clients_normal或mem_clients_slaves比较大，可指定 --client 查看客户端的内存使用情况。
# python3 redis_mem_usage_analyzer.py -host 10.0.1.182 -p 6379 --clientID Address Name Age Command User Qbuf Omem Total Memory ----------------------------------------------------------------------------------------------------216 10.0.1.75:37811 721 psync default 0B 232.83M 232.85M 217 10.0.1.22:35057 715 psync default 0B 232.11M 232.13M 453 10.0.0.198:51172 0 client default 26B 0B 60.03K ...
复制代码
其中，
Qbuf：输入缓冲区的大小。
Omem：输出缓冲区的大小。
Total Memory：该连接占用的总内存。
结果按 Total Memory 从大到小的顺序输出。
文章转载自：iVictor
原文链接：https://www.cnblogs.com/ivictor/p/18426260
体验地址：http://www.jnpfsoft.com/?from=infoq
评论