写点什么

美团针对 Redis Rehash 机制的探索和实践

  • 2020-02-27
  • 本文字数:11014 字

    阅读完需:约 36 分钟

美团针对Redis Rehash机制的探索和实践

背景

Squirrel(松鼠)是美团技术团队基于 Redis Cluster 打造的缓存系统。经过不断的迭代研发,目前已形成一整套自动化运维体系:涵盖一键运维集群、细粒度的监控、支持自动扩缩容以及热点 Key 监控等完整的解决方案。同时服务端通过 Docker 进行部署,最大程度的提高运维的灵活性。分布式缓存 Squirrel 产品自 2015 年上线至今,已在美团内部广泛使用,存储容量超过 60T,日均调用量也超过万亿次,逐步成为美团目前最主要的缓存系统之一。


随着使用的量和场景不断深入,Squirrel 团队也不断发现 Redis 的若干”坑”和不足,因此也在持续的改进 Redis 以支撑美团内部快速发展的业务需求。本文尝试分享在运维过程中踩过的 Redis Rehash 机制的一些坑以及我们的解决方案,其中在高负载情况下物理机发生丢包的现象和解决方案已经写成博客。感兴趣的同学可以参考:Redis 高负载下的中断优化

案例

Redis 满容状态下由于 Rehash 导致大量 Key 驱逐


我们先来看一张监控图(上图,我们线上真实案例),Redis 在满容有驱逐策略的情况下,Master/Slave 均有大量的 Key 驱逐淘汰,导致 Master/Slave 主从不一致。

Root Cause 定位

由于 Slave 内存区域比 Master 少一个 repl-backlog buffer(线上一般配置为 128M),正常情况下 Master 到达满容后根据驱逐策略淘汰 Key 并同步给 Slave。所以 Slave 这种情况下不会因满容触发驱逐。


按照以往经验,排查思路主要聚焦在造成 Slave 内存陡增的问题上,包括客户端连接、输入/输出缓冲区、业务数据存取访问、网路抖动等导致 Redis 内存陡增的所有外部因素,通过 Redis 监控和业务链路监控均没有定位成功。


于是,通过梳理 Redis 源码,我们尝试将目光投向了 Redis 会占用内存开销的一个重要机制——Redis Rehash。

Redis Rehash 内部实现

在 Redis 中,键值对(Key-Value Pair)存储方式是由字典(Dict)保存的,而字典底层是通过哈希表来实现的。通过哈希表中的节点保存字典中的键值对。类似 Java 中的 HashMap,将 Key 通过哈希函数映射到哈希表节点位置。


接下来我们一步步来分析 Redis Dict Reash 的机制和过程。


(1) Redis 哈希表结构体:


/* hash表结构定义 */typedef struct dictht {   dictEntry **table;  // 哈希表数组  unsigned long size; // 哈希表的大小  unsigned long sizemask; // 哈希表大小掩码  unsigned long used; // 哈希表现有节点的数量} dictht; 
复制代码


实体化一下,如下图所指一个大小为 4 的空哈希表(Redis 默认初始化值为 4):



(2) Redis 哈希桶


Redis 哈希表中的 table 数组存放着哈希桶结构(dictEntry),里面就是 Redis 的键值对;类似 Java 实现的 HashMap,Redis 的 dictEntry 也是通过链表(next 指针)方式来解决 hash 冲突:


/* 哈希桶 */typedef struct dictEntry {   void *key;   // 键定义  // 值定义  union {     void *val;  // 自定义类型    uint64_t u64; // 无符号整形    int64_t s64; // 有符号整形    double d;   // 浮点型  } v;     struct dictEntry *next; //指向下一个哈希表节点} dictEntry;
复制代码



(3) 字典


Redis Dict 中定义了两张哈希表,是为了后续字典的扩展作 Rehash 之用:


/* 字典结构定义 */typedef struct dict {   dictType *type; // 字典类型  void *privdata; // 私有数据  dictht ht[2];  // 哈希表[两个]  long rehashidx;  // 记录rehash 进度的标志,值为-1表示rehash未进行  int iterators;  // 当前正在迭代的迭代器数} dict;
复制代码



总结一下


  • 在 Cluster 模式下,一个 Redis 实例对应一个 RedisDB(db0);

  • 一个 RedisDB 对应一个 Dict;

  • 一个 Dict 对应 2 个 Dictht,正常情况只用到 ht[0];ht[1] 在 Rehash 时使用。


如上,我们回顾了一下 Redis KV 存储的实现。Redis 内部还有其他结构体,由于跟 Rehash 不涉及,不再赘述。


我们知道当 HashMap 中由于 Hash 冲突(负载因子)超过某个阈值时,出于链表性能的考虑,会进行 Resize 的操作。Redis 也一样【Redis 中通过 dictExpand()实现】。我们看一下 Redis 中的实现方式:


/* 根据相关触发条件扩展字典 */static int _dictExpandIfNeeded(dict *d) {     if (dictIsRehashing(d)) return DICT_OK;  // 如果正在进行Rehash,则直接返回    if (d->ht[0].size == 0) return dictExpand(d, DICT_HT_INITIAL_SIZE);  // 如果ht[0]字典为空,则创建并初始化ht[0]      /* (ht[0].used/ht[0].size)>=1前提下,       当满足dict_can_resize=1或ht[0].used/t[0].size>5时,便对字典进行扩展 */    if (d->ht[0].used >= d->ht[0].size &&         (dict_can_resize ||          d->ht[0].used/d->ht[0].size > dict_force_resize_ratio))     {         return dictExpand(d, d->ht[0].used*2);   // 扩展字典为原来的2倍    }     return DICT_OK; }

...
/* 计算存储Key的bucket的位置 */static int _dictKeyIndex(dict *d, const void *key) { unsigned int h, idx, table; dictEntry *he; /* 检查是否需要扩展哈希表,不足则扩展 */ if (_dictExpandIfNeeded(d) == DICT_ERR) return -1; /* 计算Key的哈希值 */ h = dictHashKey(d, key); for (table = 0; table <= 1; table++) { idx = h & d->ht[table].sizemask; //计算Key的bucket位置 /* 检查节点上是否存在新增的Key */ he = d->ht[table].table[idx]; /* 在节点链表检查 */ while(he) { if (key==he->key || dictCompareKeys(d, key, he->key)) return -1; he = he->next; } if (!dictIsRehashing(d)) break; // 扫完ht[0]后,如果哈希表不在rehashing,则无需再扫ht[1] } return idx; }
...
/* 将Key插入哈希表 */dictEntry *dictAddRaw(dict *d, void *key) { int index; dictEntry *entry; dictht *ht; if (dictIsRehashing(d)) _dictRehashStep(d); // 如果哈希表在rehashing,则执行单步rehash /* 调用_dictKeyIndex() 检查键是否存在,如果存在则返回NULL */ if ((index = _dictKeyIndex(d, key)) == -1) return NULL;
ht = dictIsRehashing(d) ? &d->ht[1] : &d->ht[0]; entry = zmalloc(sizeof(*entry)); // 为新增的节点分配内存 entry->next = ht->table[index]; // 将节点插入链表表头 ht->table[index] = entry; // 更新节点和桶信息 ht->used++; // 更新ht /* 设置新节点的键 */ dictSetKey(d, entry, key); return entry; }
.../* 添加新键值对 */int dictAdd(dict *d, void *key, void *val) { dictEntry *entry = dictAddRaw(d,key); // 添加新键 if (!entry) return DICT_ERR; // 如果键存在,则返回失败 dictSetVal(d, entry, val); // 键不存在,则设置节点值 return DICT_OK; }
复制代码


继续 dictExpand 的源码实现:


int dictExpand(dict *d, unsigned long size) {     dictht n; // 新哈希表    unsigned long realsize = _dictNextPower(size);  // 计算扩展或缩放新哈希表的大小(调用下面函数_dictNextPower())     /* 如果正在rehash或者新哈希表的大小小于现已使用,则返回error */     if (dictIsRehashing(d) || d->ht[0].used > size)         return DICT_ERR;      /* 如果计算出哈希表size与现哈希表大小一样,也返回error */     if (realsize == d->ht[0].size) return DICT_ERR;      /* 初始化新哈希表 */     n.size = realsize;     n.sizemask = realsize-1;     n.table = zcalloc(realsize*sizeof(dictEntry*));  // 为table指向dictEntry 分配内存    n.used = 0;      /* 如果ht[0] 为空,则初始化ht[0]为当前键值对的哈希表 */     if (d->ht[0].table == NULL) {         d->ht[0] = n;         return DICT_OK;     }      /* 如果ht[0]不为空,则初始化ht[1]为当前键值对的哈希表,并开启渐进式rehash模式 */     d->ht[1] = n;     d->rehashidx = 0;     return DICT_OK; }...static unsigned long _dictNextPower(unsigned long size) {     unsigned long i = DICT_HT_INITIAL_SIZE;  // 哈希表的初始值:4 
if (size >= LONG_MAX) return LONG_MAX; /* 计算新哈希表的大小:第一个大于等于size的2的N 次方的数值 */ while(1) { if (i >= size) return i; i *= 2; } }
复制代码


总结一下具体逻辑实现



可以确认当 Redis Hash 冲突到达某个条件时就会触发 dictExpand()函数来扩展 HashTable。


DICT_HT_INITIAL_SIZE 初始化值为 4,通过上述表达式,取当 42^n >= ht[0].used2 的值作为字典扩展的 size 大小。即为:ht[1].size 的值等于第一个大于等于 ht[0].used*2 的 2^n 的数值。


Redis 通过 dictCreate()创建词典,在初始化中,table 指针为 Null,所以两个哈希表 ht[0].table 和 ht[1].table 都未真正分配内存空间。只有在 dictExpand()字典扩展时才给 table 分配指向 dictEntry 的内存。


由上可知,当 Redis 触发 Resize 后,就会动态分配一块内存,最终由 ht[1].table 指向,动态分配的内存大小为:realsizesizeof(dictEntry),table 指向 dictEntry 的一个指针,大小为 8bytes(64 位 OS),即 ht[1].table 需分配的内存大小为:82*2^n (n 大于等于 2)。


梳理一下哈希表大小和内存申请大小的对应关系


ht[0].size触发Resize时,ht[1]需分配的内存
464bytes
8128bytes
16256bytes
655361024K
8388608128M
16777216256M
33554432512M
671088641024M

复现验证

我们通过测试环境数据来验证一下,当 Redis Rehash 过程中,内存真正的占用情况。




上述两幅图中,Redis Key 个数突破 Redis Resize 的临界点,当 Key 总数稳定且 Rehash 完成后,Redis 内存(Slave)从 3586M 降至为 3522M:3586-3522=64M。即验证上述 Redis 在 Resize 至完成的中间状态,会维持一段时间内存消耗,且占用内存的值为上文列表相应的内存空间。


进一步观察一下 Redis 内部统计信息:


/* Redis节点800万左右Key时候的Dict状态信息:只有ht[0]信息。*/"[Dictionary HT]Hash table 0 stats (main hash table): table size: 8388608 number of elements: 8003582 different slots: 5156314 max chain length: 9 avg chain length (counted): 1.55 avg chain length (computed): 1.55 Chain length distribution:   0: 3232294 (38.53%)   1: 3080243 (36.72%)   2: 1471920 (17.55%)   3: 466676 (5.56%)   4: 112320 (1.34%)   5: 21301 (0.25%)   6: 3361 (0.04%)   7: 427 (0.01%)   8: 63 (0.00%)   9: 3 (0.00%)"
/* Redis节点840万左右Key时候的Dict状态信息正在Rehasing中,包含了ht[0]和ht[1]信息。*/"[Dictionary HT][Dictionary HT]Hash table 0 stats (main hash table): table size: 8388608 number of elements: 8019739 different slots: 5067892 max chain length: 9 avg chain length (counted): 1.58 avg chain length (computed): 1.58 Chain length distribution: 0: 3320716 (39.59%) 1: 2948053 (35.14%) 2: 1475756 (17.59%) 3: 491069 (5.85%) 4: 123594 (1.47%) 5: 24650 (0.29%) 6: 4135 (0.05%) 7: 553 (0.01%) 8: 78 (0.00%) 9: 4 (0.00%)Hash table 1 stats (rehashing target): table size: 16777216 number of elements: 384321 different slots: 305472 max chain length: 6 avg chain length (counted): 1.26 avg chain length (computed): 1.26 Chain length distribution: 0: 16471744 (98.18%) 1: 238752 (1.42%) 2: 56041 (0.33%) 3: 9378 (0.06%) 4: 1167 (0.01%) 5: 119 (0.00%) 6: 15 (0.00%)"
/* Redis节点840万左右Key时候的Dict状态信息(Rehash完成后);ht[0].size从8388608扩展到了16777216。*/"[Dictionary HT]Hash table 0 stats (main hash table): table size: 16777216 number of elements: 8404060 different slots: 6609691 max chain length: 7 avg chain length (counted): 1.27 avg chain length (computed): 1.27 Chain length distribution: 0: 10167525 (60.60%) 1: 5091002 (30.34%) 2: 1275938 (7.61%) 3: 213024 (1.27%) 4: 26812 (0.16%) 5: 2653 (0.02%) 6: 237 (0.00%) 7: 25 (0.00%)"
复制代码


经过 Redis Rehash 内部机制的深入、Redis 状态监控和 Redis 内部统计信息,我们可以得出结论:


当 Redis 节点中的 Key 总量到达临界点后,Redis 就会触发 Dict 的扩展,进行 Rehash。申请扩展后相应的内存空间大小。


如上,Redis 在满容驱逐状态下,Redis Rehash 是导致 Redis Master 和 Slave 大量触发驱逐淘汰的根本原因。


除了导致满容驱逐淘汰,Redis Rehash 还会引起其他一些问题:


  • 在 tablesize 级别与现有 Keys 数量不在同一个区间内,主从切换后,由于 Redis 全量同步,从库 tablesize 降为与现有 Key 匹配值,导致内存倾斜;

  • Redis Cluster 下的某个分片由于 Key 数量相对较多提前 Resize,导致集群分片内存不均。

  • 等等…

Redis Rehash 机制优化

那么针对在 Redis 满容驱逐状态下,如何避免因 Rehash 而导致 Redis 抖动的这种问题。


  • 我们在 Redis Rehash 源码实现的逻辑上,加上了一个判断条件,如果现有的剩余内存不够触发 Rehash 操作所需申请的内存大小,即不进行 Resize 操作;

  • 通过提前运营进行规避,比如容量预估时将 Rehash 占用的内存考虑在内,或者通过监控定时扩容。


Redis Rehash 机制除了会影响上述内存管理和使用外,也会影响 Redis 其他内部与之相关联的功能模块。下面我们分享一下由于 Rehash 机制而踩到的第二个坑。

Redis 使用 Scan 清理 Key 由于 Rehash 导致清理数据不彻底

Squirrel 平台提供给业务清理 Key 的 API 后台逻辑,是通过 Scan 来实现的。实际线上运行效果并不是每次都能完全清理干净。即通过 Scan 扫描清理相匹配的 Key,较低频率会有遗漏、Key 未被全部清理掉的现象。有了前几次的相关经验后,我们直接从原理入手。

Scan 原理

为了高效地匹配出数据库中所有符合给定模式的 Key,Redis 提供了 Scan 命令。该命令会在每次调用的时候返回符合规则的部分 Key 以及一个游标值 Cursor(初始值使用 0),使用每次返回 Cursor 不断迭代,直到 Cursor 的返回值为 0 代表遍历结束。


Redis 官方定义 Scan 特点如下:


  1. 整个遍历从开始到结束期间, 一直存在于 Redis 数据集内的且符合匹配模式的所有 Key 都会被返回;

  2. 如果发生了 rehash,同一个元素可能会被返回多次,遍历过程中新增或者删除的 Key 可能会被返回,也可能不会。


具体实现


上述提及 Redis 的 Keys 是以 Dict 方式来存储的,正常只要一次遍历 Dict 中所有 Hash 桶就可以完整扫描出所有 Key。但是在实际使用中,Redis Dict 是有状态的,会随着 Key 的增删不断变化。


接下来根据 Dict 四种状态来分析一下 Scan 的不同实现。Dict 的四种状态场景:


  1. 字典 tablesize 保持不变,没有扩缩容;

  2. 字典 Resize,Dict 扩大了(完成状态);

  3. 字典 Resize,Dict 缩小了(完成状态);

  4. 字典正在 Rehashing(扩展或收缩)。


(1) 字典 tablesize 保持不变,在 Redis Dict 稳定的状态下,直接顺序遍历即可;


(2) 字典 Resize,Dict 扩大了,如果还是按照顺序遍历,就会导致扫描大量重复 Key。比如字典 tablesize 从 8 变成了 16,假设之前访问的是 3 号桶,那么表扩展后则是继续访问 4~15 号桶;但是,原先的 0~3 号桶中的数据在 Dict 长度变大后被迁移到 8~11 号桶中,因此,遍历 8~11 号桶的时候会有大量的重复 Key 被返回;


(3) 字典 Resize,Dict 缩小了,如果还是按照顺序遍历,就会导致大量的 Key 被遗漏。比如字典 tablesize 从 8 变成了 4,假设当前访问的是 3 号桶,那么下一次则会直接返回遍历结束了;但是之前 4~7 号桶中的数据在缩容后迁移带可 0~3 号桶中,因此这部分 Key 就无法扫描到;


(4) 字典正在 Rehashing,这种情况如(2)和(3)情况一下,要么大量重复扫描、要么遗漏很多 Key。


那么在 Dict 非稳定状态,即发生 Rehash 的情况下,Scan 要如何保证原有的 Key 都能遍历出来,又尽少可能重复扫描呢?Redis Scan 通过 Hash 桶掩码的高位顺序访问来解决。



高位顺序访问即按照 Dict sizemask(掩码),在有效位(上图中 Dict sizemask 为 3)上从高位开始加一枚举;低位则按照有效位的低位逐步加一访问。


  • 低位序:0→1→2→3→4→5→6→7

  • 高位序:0→4→2→6→1→5→3→7


Scan 采用高位序访问的原因,就是为了实现 Redis Dict 在 Rehash 时尽可能少重复扫描返回 Key。


举个例子,如果 Dict 的 tablesize 从 8 扩展到了 16,梳理一下 Scan 扫描方式:


  1. Dict(8) 从 Cursor 0 开始扫描;

  2. 准备扫描 Cursor 6 时发生 Resize,扩展为之前的 2 倍,并完成 Rehash;

  3. 客户端这时开始从 Dict(16)的 Cursor 6 继续迭代;

  4. 这时按照 6→14→1→9→5→13→3→11→7→15 Scan 完成。



可以看出,高位序 Scan 在 Dict Rehash 时即可以避免重复遍历,又能完整返回原始的所有 Key。同理,字典缩容时也一样,字典缩容可以看出是反向扩容。


上述是 Scan 的理论基础,我们看一下 Redis 源码如何实现。


(1) 非 Rehashing 状态下的实现:


if (!dictIsRehashing(d)) {     // 判断是否正在rehashing,如果不在则只有ht[0]        t0 = &(d->ht[0]);  // ht[0]        m0 = t0->sizemask;  // 掩码
/* Emit entries at cursor */ de = t0->table[v & m0]; // 目标桶 while (de) { fn(privdata, de); de = de->next; // 遍历桶中所有节点,并通过回调函数fn()返回 } ... /* 反向二进制迭代算法具体实现逻辑——游标实现的精髓 */ /* Set unmasked bits so incrementing the reversed cursor * operates on the masked bits of the smaller table */ v |= ~m0;
/* Increment the reverse cursor */ v = rev(v); v++; v = rev(v);
return v;}
复制代码


源码中 Redis 将 Cursor 的计算通过 Reverse Binary Iteration(反向二进制迭代算法)来实现上述的高位序扫描方式。


(2) Rehashing 状态下的实现:


...  else {    // 否则说明正在rehashing,就存在两个哈希表ht[0]、ht[1]        t0 = &d->ht[0];        t1 = &d->ht[1];  // 指向两个哈希表
/* Make sure t0 is the smaller and t1 is the bigger table */ if (t0->size > t1->size) { 确保t0小于t1 t0 = &d->ht[1]; t1 = &d->ht[0]; }
m0 = t0->sizemask; m1 = t1->sizemask; // 相对应的掩码
/* Emit entries at cursor */ /* 迭代(小表)t0桶中的所有节点 */ de = t0->table[v & m0]; while (de) { fn(privdata, de); de = de->next; }
/* Iterate over indices in larger table that are the expansion * of the index pointed to by the cursor in the smaller table */ /* */ do { /* Emit entries at cursor */ /* 迭代(大表)t1 中所有节点,循环迭代,会把小表没有覆盖的slot全部扫描一遍 */ de = t1->table[v & m1]; while (de) { fn(privdata, de); de = de->next; }
/* Increment bits not covered by the smaller mask */ v = (((v | m0) + 1) & ~m0) | (v & m0);
/* Continue while bits covered by mask difference is non-zero */ } while (v & (m0 ^ m1)); }
/* Set unmasked bits so incrementing the reversed cursor * operates on the masked bits of the smaller table */ v |= ~m0;
/* Increment the reverse cursor */ v = rev(v); v++; v = rev(v);
return v;
复制代码


如上 Rehashing 时,Redis 通过 else 分支实现该过程中对两张 Hash 表进行扫描访问。


梳理一下逻辑流程:



Redis 在处理 dictScan()时,上面细分的四个场景的实现分成了两个逻辑:


  1. 此时不在 Rehashing 的状态:


这种状态,即 Dict 是静止的。针对这种状态下的上述三种场景,Redis 采用上述的 Reverse Binary Iteration(反向二进制迭代算法):


Ⅰ. 首先对游标(Cursor)二进制位翻转;


Ⅱ. 再对翻转后的值加 1;


Ⅲ. 最后再次对Ⅱ的结果进行翻转。


通过穷举高位,依次向低位推进的方式(即高位序访问的实现)来确保所有元素都会被遍历到。


这种算法已经尽可能减少重复元素的返回,但是实际实现和逻辑中还是会有可能存在重复返回,比如在 Dict 缩容时,高位合并到低位桶中,低位桶中的元素就会被重复取出。


  1. 正在 Rehashing 的状态:


Redis 在 Rehashing 状态的时候,dictScan()实现通过一次性扫描现有的两种字典表,避免中间状态无法维护。


具体实现就是在遍历完小表 Cursor 位置后,将小表 Cursor 位置可能 Rehash 到的大表所有位置全部遍历一遍,然后再返回遍历元素和下一个小表遍历位置。

Root Cause 定位

Rehashing 状态时,游标迭代主要逻辑代码实现:


 /* Increment bits not covered by the smaller mask */    v = (((v | m0) + 1) & ~m0) | (v & m0);   //BUG
复制代码


Ⅰ. v 低位加 1 向高位进位;


Ⅱ. 去掉 v 最前面和最后面的部分,只保留 v 相较于 m0 的高位部分;


Ⅲ. 保留 v 的低位,高位不断加 1。即低位不变,高位不断加 1,实现了小表到大表桶的关联。



举个例子,如果 Dict 的 tablesize 从 8 扩展到了 32,梳理一下 Scan 扫描方式:


  1. Dict(8) 从 Cursor 0 开始扫描;

  2. 准备扫描 Cursor 4 时发生 Resize,扩展为之前的 4 倍,Rehashing;

  3. 客户端先访问 Dict(8)中的 4 号桶;

  4. 然后再到 Dict(32)上访问:4→12→20→28。


这里可以看到大表的相关桶的顺序并非是按照之前所述的二进制高位序,实际上是按照低位序来遍历大表中高出小表的有效位。


大表 t1 高位都是向低位加 1 计算得出的,扫描的顺序却是从低位加 1,向高位进位。Redis 针对 Rehashing 时这种逻辑实现在扩容时是可以运行正常的,但是在缩容时高位序和低位序的遍历在大小表上的混用在一定条件下会出现问题。



再次示例,Dict 的 tablesize 从 32 缩容到 8:


  1. Dict(32) 从 Cursor 0 开始扫描;

  2. 准备扫描 Cursor 20 时发生 Resize,缩容至原来的四分之一即 tablesize 为 8,Rehashing;

  3. 客户端发起 Cursor 20,首先访问 Dict(8)中的 4 号桶;

  4. 再到 Dict(32)上访问:20→28;

  5. 最后返回 Cursor = 2。


可以看出大表中的 12 号桶没有被访问到,即遍历大表时,按照低位序访问会遗漏对某些桶的访问。


上述这种情况发生需要具备一定的条件:


  1. 在 Dict 缩容 Rehash 时 Scan;

  2. Dict 缩容至至少原 Dict tablesize 的四分之一,只有在这种情况下,大表相对小表的有效位才会高出二位以上,从而触发跳过某个桶的情况;

  3. 如果在 Rehash 开始前返回的 Cursor 是在小表能表示的范围内(即不超过 7),那么在进行高位有效位的加一操作时,必然都是从 0 开始计算,每次加一也必然能够访问的全所有的相关桶;如果在 Rehash 开始前返回的 cursor 不在小表能表示的范围内(比如 20),那么在进行高位有效位加一操作的时候,就有可能跳过 ,或者重复访问某些桶的情况。


可见,只有满足上述三种情况才会发生 Scan 遍历过程中漏掉了一些 Key 的情况。在执行清理 Key 的时候,如果清理的 Key 数量很大,导致了 Redis 内部的 Hash 表缩容至少原 Dict tablesize 的四分之一,就可能存在一些 Key 被漏掉的风险。

Scan 源码优化

修复逻辑就是全部都从高位开始增加进行遍历,即大小表都使用高位序访问,修复源码如下:


unsigned long dictScan(dict *d,                       unsigned long v,                       dictScanFunction *fn,                       dictScanBucketFunction* bucketfn,                       void *privdata){    dictht *t0, *t1;    const dictEntry *de, *next;    unsigned long m0, m1;
if (dictSize(d) == 0) return 0;
if (!dictIsRehashing(d)) { t0 = &(d->ht[0]); m0 = t0->sizemask;
/* Emit entries at cursor */ if (bucketfn) bucketfn(privdata, &t0->table[v & m0]); de = t0->table[v & m0]; while (de) { next = de->next; fn(privdata, de); de = next; }
/* Set unmasked bits so incrementing the reversed cursor * operates on the masked bits */ v |= ~m0;
/* Increment the reverse cursor */ v = rev(v); v++; v = rev(v);
} else { t0 = &d->ht[0]; t1 = &d->ht[1];
/* Make sure t0 is the smaller and t1 is the bigger table */ if (t0->size > t1->size) { t0 = &d->ht[1]; t1 = &d->ht[0]; }
m0 = t0->sizemask; m1 = t1->sizemask;
/* Emit entries at cursor */ if (bucketfn) bucketfn(privdata, &t0->table[v & m0]); de = t0->table[v & m0]; while (de) { next = de->next; fn(privdata, de); de = next; }
/* Iterate over indices in larger table that are the expansion * of the index pointed to by the cursor in the smaller table */ do { /* Emit entries at cursor */ if (bucketfn) bucketfn(privdata, &t1->table[v & m1]); de = t1->table[v & m1]; while (de) { next = de->next; fn(privdata, de); de = next; }
/* Increment the reverse cursor not covered by the smaller mask.*/ v |= ~m1; v = rev(v); v++; v = rev(v);
/* Continue while bits covered by mask difference is non-zero */ } while (v & (m0 ^ m1)); }
return v;}
复制代码


我们团队已经将此 PR Push 到 Redis 官方:Fix dictScan(): It can’t scan all buckets when dict is shrinking,并已经被官方 Merge。


至此,基于 Redis Rehash 以及 Scan 实现中涉及 Rehash 的两个机制已经基本了解和优化完成。

总结

本文主要阐述了因 Redis 的 Rehash 机制踩到的两个坑,从现象到原理进行了详细的介绍。这里简单总结一下,第一个案例会造成线上集群进行大量淘汰,而且产生主从不一致的情况,在业务层面也会发生大量超时,影响业务可用性,问题严重,非常值得大家关注;第二个案例会造成数据清理无法完全清理,但是可以再利用 Scan 清理一遍也能够清理完毕。


注:本文中源码基于 Redis 3.2.8。

作者简介

  • 春林,2017 年加入美团,毕业后一直深耕在运维线,从网络工程师到 Oracle DBA 再到 MySQL DBA 多种岗位转变,现在美团主要负责 Redis 运维开发和优化工作。

  • 赵磊,2017 年加入美团,毕业后一直从事 Redis 内核方面的研究和改进,已提交若干优化到社区并被社区采纳。


2020-02-27 11:14887

评论 1 条评论

发布
用户头像
写的蛮好
2021-04-25 23:09
回复
没有更多了
发现更多内容

DIY 可用性测试

Yanel 说敏捷产品

产品 产品经理 产品设计 测试 产品推荐

python 文章中图片下载

Flychen

你懂什么是"结对测试"么?

Yanel 说敏捷产品

产品 产品经理 产品设计 产品开发 产品推荐

如何度量敏捷开发团队

Yanel 说敏捷产品

敏捷 敏捷开发

游戏夜读 | 游戏数据分析师

game1night

Linux-常用命令

Flychen

Linux

我是如何读完技术书,然后忘得一干二净的

ayesd

读书 读书方式

为什么公众号订阅没有「分组」的功能?

Fenng

微信公众平台 产品设计

Netty 源码解析(七): NioEventLoop 工作流程

猿灯塔

扎心!天天写代码,方向真的对吗?

Apache Flink

大数据 flink 流计算 实时计算

常用电脑软件清单

彭宏豪95

软件 工具 windows 生产力

Oracle 将为职场歧视买单,4100 位女员工集体诉讼

神经星星

oracle 互联网巨头 互联网 职场

人是一切

Neco.W

个人感想 感悟

我的理财小心得

史前靓仔

你必须了解的产品经济学

Yanel 说敏捷产品

产品 产品经理 产品设计 产品开发 产品推荐

粗糙的草稿编辑成文章的五个步骤

董一凡

写作

做一个"靠谱"的敏捷教练

Yanel 说敏捷产品

敏捷 敏捷开发

从"远程工作"到"分布式团队"

Yanel 说敏捷产品

项目管理 敏捷 敏捷开发

2020版Kubernetes快速上手指南,让你所见即所得

ABC实验室

Kubernetes 容器 云原生 群集安装 新手指南

企业经营 "造物" "造人" "造钱"三阶段

Yanel 说敏捷产品

敏捷 敏捷开发

职场寒冬,给你讲四个小故事

池建强

人生 职场

PyTorch 1.5 发布,与 AWS 合作 TorchServe

神经星星

人工智能 facebook 微软 亚马逊云 AWS Lightsail 工具

自动化测试框架知识,读这一篇就够了!

禅道项目管理

程序员 DevOps 自动化 测试

tcp_tw_recycle 【坑】

孤星可

TCP 服务端

使用JUnit、AssertJ和Mockito编写单元测试和实践TDD (二)为什么要写单元测试

编程道与术

编程 编程语言 TDD 代码审查 单元测试

流量的战场,如何做裂变?

Yanel 说敏捷产品

产品 产品经理 产品设计 产品开发 产品推荐

变化在加速,你的机会和挑战在哪里?

Yanel 说敏捷产品

产品 产品经理 产品设计 产品开发 产品推荐

"深刻创新"八步法

Yanel 说敏捷产品

产品 产品经理 产品设计 产品开发 产品推荐

学会用"云—雨—伞"引导敏捷实践

Yanel 说敏捷产品

敏捷 敏捷开发

Mac效率配置指南

Winann

macos 效率 效率工具 Mac

聊聊“坚持”这件事

小天同学

个人成长 写作 坚持 自控力

美团针对Redis Rehash机制的探索和实践_文化 & 方法_美团技术团队_InfoQ精选文章