Redis 与缓存 / 系统课时
构造内存持续增长场景
构造内存持续增长场景
这篇建立一个可重复的 Redis 内存增长演练:持续写入唯一 Key,让内存从健康水位逐步进入高风险区,同时记录 Key 数、内存和延迟变化。目标不是把实例直接打爆,而是获得一条可分析、可复盘的增长曲线。
学习目标
- 能构造受控且可停止的 Redis Key 持续增长压力
- 能同步记录 Key 数、内存和延迟等核心指标
- 能识别健康、高风险和接近故障的水位变化
先确定演练边界
演练前固定 Redis 实例、测试数据前缀、最大写入量和停止条件。建议使用独立环境,并为本次数据统一使用类似 oom-lab:* 的前缀,避免误伤其他业务 Key。
为了让结果可比较,最好保持单条 Value 大小、写入并发和请求模式稳定。这样后续观察到的增长主要来自 Key 数和对象开销,而不是测试参数本身不断变化。
持续写入并记录关键指标
下面的示例使用 Bash 循环持续生成唯一 Key,并定期采集 DBSIZE、used_memory、used_memory_rss 和延迟信息。<VALUE>、<TIME> 等实际数值会随环境变化。
set -euo pipefail
REDIS_HOST="127.0.0.1"
REDIS_PORT="<PORT>"
PREFIX="oom-lab"
VALUE_SIZE="1024"
TOTAL_KEYS="100000"
STEP="1000"
for ((i=STEP; i<=TOTAL_KEYS; i+=STEP)); do
for ((j=i-STEP+1; j<=i; j++)); do
redis-cli -h "$REDIS_HOST" -p "$REDIS_PORT" SET "${PREFIX}:${j}" "$(printf '%*s' "$VALUE_SIZE" x)" >/dev/null
done
used_memory=$(redis-cli -h "$REDIS_HOST" -p "$REDIS_PORT" INFO memory | awk -F: '/^used_memory:/{print $2}')
used_rss=$(redis-cli -h "$REDIS_HOST" -p "$REDIS_PORT" INFO memory | awk -F: '/^used_memory_rss:/{print $2}')
keys=$(redis-cli -h "$REDIS_HOST" -p "$REDIS_PORT" DBSIZE)
echo "time=$(date +%H:%M:%S) keys=$keys used_memory=$used_memory used_memory_rss=$used_rss"
done预期输出
time=<TIME> keys=<VALUE> used_memory=<VALUE> used_memory_rss=<VALUE>
time=<TIME> keys=<VALUE> used_memory=<VALUE> used_memory_rss=<VALUE>
time=<TIME> keys=<VALUE> used_memory=<VALUE> used_memory_rss=<VALUE>这个脚本用于演练增长趋势,输出中的键数应总体上升,used_memory 通常也会随唯一 Key 持续增长。used_memory_rss 不一定严格按同样比例变化,因为分配器和操作系统驻留页会影响 RSS。
用延迟补上业务视角
单看内存曲线还不够。随着实例逼近资源边界,需要同时观察请求延迟、拒写或淘汰行为,以及主机或容器是否接近自身限制。演练时可以定期执行一个轻量探针:
redis-cli -h 127.0.0.1 -p <PORT> --latency -i 1 -c 5预期结果
min:<VALUE>, max:<VALUE>, avg:<VALUE> ...具体格式会因 Redis 版本和客户端实现而变化,因此实验记录应保留原始输出,并重点比较平均值、最大值及其随内存增长的变化趋势。
用水位记录演练阶段
建议把观测过程划分为三个阶段。健康阶段关注增长是否符合预估;高风险阶段关注内存增长速度、延迟和 RSS 是否同步恶化;接近故障阶段则重点确认拒写、淘汰、容器限制或宿主机内存压力是否出现。
不要把某个固定百分比当成所有环境通用的故障线。真正的停止条件应来自实例的 maxmemory、容器内存上限和业务延迟预算。尤其是在启用了持久化、复制或其他后台操作时,还要为额外内存峰值留下余量。
演练结束后不要直接只看“最后用了多少内存”,而应把时间轴上的 Key 数、used_memory、RSS 和延迟放在一起比较。这样才能判断增长是稳定线性、突然加速,还是在某个阶段出现额外内存压力,并为后续 OOM 排障建立可复用的基准数据。
清理演练数据
测试结束后应按统一前缀清理,避免实验数据继续影响后续观测。
redis-cli -h 127.0.0.1 -p <PORT> --scan --pattern 'oom-lab:*' | xargs -r -n 100 redis-cli -h 127.0.0.1 -p <PORT> UNLINK预期结果
<没有标准化的逐条输出;命令执行完成后,oom-lab:* Key 会异步释放其占用内存>完成一次完整演练后,你应当拿到至少一份带时间戳的增长记录,并能指出从健康到高风险期间发生了什么变化。这个结果比单次把 Redis 写满更有价值,因为它能直接用于后续容量预测、告警阈值和 OOM 证据链分析。