Redis（Re mote Di ctionary Server）是一种内存数据库，拥有卓越的性能表现。据测算，单机 Redis 的 TPS 可达数万，作为对比，MySQL 这样的关系型数据库只能达到数百，相差数十倍。在对有高性能需求的业务场景进行技术选型时，Redis 是作为处理用户请求数据的核心存储节点，而关系数据库是辅助节点，它和 Redis 异步保持数据一致性，以满足运营和管理需求。
实现 Redis 高性能的底层原理是对计算机的三大资源（CPU、内存和外存）进行最优利用，我总结为："榨优弃弱"。
- 榨优，对 CPU 和内存实现极致利用。
- 弃弱，放弃外存这样的低效率 I/O。
"弃弱"不代表 Redis 不存在 I/O，相反，Redis 是 I/O 密集型应用。Redis 作为缓存中间件，自身没有业务逻辑，而是作为业务服务器的能力提供者，Redis 和应用服务器间存在极为密集的网络 I/O。I/O 等待会导致 CPU 空转，Redis 选择了 I/O 复用这样的高效 I/O 模型，用极低的成本做到了 CPU 的极致利用（I/O 模型的详细内容可看我的上一篇文章）。
对于我们用户来说，I/O 机制已绑定到 Redis 的底层实现，操作命令基本不会影响 CPU 的运转效率。内存就不一样，操作命令会直接改变内存结构。如果使用不当，如造成内/外存连续进行数据交换（Swap），缓存命中率下降等问题，会严重影响 Redis 性能。而 Redis 作为性能密集系统的核心组件，Redis 的问题可能意味着整个系统的奔溃，造成严重后果。
内存碎片就是不可忽视的 Redis 内存问题之一。
一、Redis 内存碎片的表现
内存碎片详称"内存空间碎片化"。出现内存碎片时，内存空间被分散为大小不一的碎片，如果把这些碎片当作逻辑上的整体是能满足新的内存分配请求，但单一的物理上的内存碎片却没有足够的空间来满足需求，从而导致内存分配失败。
当出现了内存碎片问题，实际可用的内存空间就会小于物理上的空闲空间。而Redis 是"内存密集型"程序，需要大量进行内存操作。当内存不足时，Redis 需要和外存进行数据交换（Swap），或者根据淘汰策略清理老数据。前者会导致频繁进行磁盘 I/O，严重降低性能。后者可能会清理掉有用数据，从而导致命中率下降。
为了发现出现内存问题，Redis 提供了便捷的内存状态监控参数，在 Redis CLI 输入命令：
info memory可能的输出为：
| 属性 | 值 | 描述 |
|---|---|---|
| used_memory | 184791688 | 已使用内存，单位：字节 |
| used_memory_human | 176.23M | 人类可读的已使用内存，会自动生成单位，这里是 MB |
| used_memory_rss | 197242880 | 已使用的物理内存 RSS（Resident Set Size），单位：字节 |
| used_memory_peak | 200065320 | 已使用的内存最大值，单位：字节 |
| used_memory_peak_human | 190.80M | 人类可读的已使用内存最大值，会自动生成单位，这里是 MB |
| used_memory_lua | 37888 | Lua 脚本使用的空间，单位：字节 |
| mem_fragmentation_ratio | 1.07 | 内存碎片比率，mem_fragmentation_ratio = used_memory_rss / used_memory |
| mem_allocator | jemalloc-5.2.1 | 内存分配器的描述信息 |
这些参数中和内存碎片的关系最大的是 mem_fragmentation_ratio
- 当 ratio < 1 时，已使用的物理内存 小于已使用的"内存"空间，说明发生了内存交换（Swap）， Redis 需要靠外存（如硬盘）来进行部分数据的存储。这通常是未设置 max_memory 阈值，或设置得过大。在这种情况下，Redis 运行效率较低，要避免出现。
- ratio 略大于 1，在 1.1 左右。这是理想情况，Redis 使用的物理内存略大是因为 Redis 本身的运行也需要空间。
- ratio 接近 2 或为更大的整数，这时给 Redis 分配的物理空间远大于实际使用的空间，存在内存碎片问题，可能导致频繁触发内存淘汰（即不断清理老数据）。
二、内存碎片的应对方法
内存是影响 Redis 性能的主要因素，它在实现上就考虑到了如何进行高效的内存管理。Redis 要在做到尽量低的内存分配成本的同时，还要有尽量高的内存利用率。为此，虽然 Redis 是基于 C 语言开发，但未使用标准的 glibc malloc，而是使用碎片率更低的 jemalloc 来处理内存请求（jemalloc 在上一小节的参数表也有展示）。
jemalloc (Jason Evans Malloc）是一种高效的用户态内存分配器，和操作系统的内存分配器构成互补关系，jemalloc 管理的大块内存首先要从操作系统申请得来。jemalloc 应用广泛，BSD、Firefox、Facebook、Redis 均使用它来解决在多线程环境下，内存分配的性能和碎片问题。
可能一些朋友会疑惑？
内存分配碎片从何而来，程序申请多少就分配多少，一个接一个的分配下去，空间利用率只会是 100%。
理想情况下确实是这样，但已分配的空间不会一直使用，当旧内存被回收后，就会在内存空间留下"空洞"，形成内存碎片。特别是当小"空洞"（小空洞指无法满足大部分内存分配请求的的空闲内存）累计得过多时，内存利用率极低，可能不足 50%。这些在已分配内存外的碎片称为 外部内存碎片 。
外部碎片可以转化为内部碎片。如果提前把整个空间划分成固定大小的、整整齐齐的几块，有内存请求就分配其中一块。这样在已分配空间的外部就不存在碎片，而是留在了内部，这样内存利用率仍然不高。但由于多余的空间提前分配给了请求者，虽然它暂时用不上，但以后需要就能直接使用，而不用再申请，提升了效率。
内存碎片仍没解决，因为按固定大小分成几块不能匹配大多数的内存请求 ，或许还大大超过了请求的大小，造成空间浪费。我们需要个性化，但又不能太随便，随便代表着更高的管理成本。所以是在成本可控下的适当个性化，这就可以参考服装行业的做法，把一个款式分为：XS、S、M、L 等多个尺寸，我们尽量挑选能穿下的最小的尺寸，这也是 Buddy（伙伴）算法的基本思路。
Buddy 算法把空间分为多个档次的内存块，相邻档次间的内存块大小存在两倍关系。申请者首先去向大小最匹配的内存规格请求，若无剩余空间，升级到更大的一级申请，直到获取成功。升级后获取到的空间会超过需求量数倍，为了避免空间浪费，要对其进行切分，以得到略大于需求的标准内存规格。切分剩下的内存块会加入到当前内存规格的空闲列表。
Buddy 算法的申请过程有变得零散的趋势，大内存块会不断被切分成小块。这要如何防止大内存块都消失，而无法给大对象分配内存？现在进入到了 Buddy 算法的核心：合并。Buddy 算法把相邻的相同规格的空闲内存块称为：Buddy（伙伴）。当某个内存块的空间被释放时，会检查是否存在相邻的 Buddy，如有，两者合并升级为更大的规格。若还有空闲空间，就继续升级，直到成为最大的规格。Buddy 的合并和分解同为一体，两者组合才能保证整个流程循环不息的运转下去。
Buddy 算法分解的最小粒度是 Page 内存页，一般为 4KB 内存。小于 4KB 的对象需求不少，但分配的仍是 4KB Page，这样在 Page 中就会有空闲，形成内部碎片。Slab 算法着重优化了小对象分配，它引入 slab_partial 来维护未完全使用的内存块，新的分配需求能复用这些已分配的空间，把能用上的价值都尽量收集起来。
三、Redis 内置的内存碎片应对方法，jemalloc
内存管理进化到 Slab 算法，碎片问题基本已经解决，内存请求尽量按需分配，不多余，没用完的内存块在下一次尽量复用。但随着处理器朝多核方向发展，内存分配出现了新的性能问题。当多个处理器同时发起内存分配请求时，需要用排他锁来保持有序竞争，锁争用带来的额外开销导致内存分配性能下降。
新一代内存分配器应运而生，jemalloc 就是其中一种。多核锁争用的原因是锁的范围过大，jemalloc 就缩小锁粒度，为每个线程引入私有的内存分配区域 Arena，当自有的 Arena 有足够空间时，线程间就不会交互。jemalloc 不仅对多核环境做了针对性优化，还综合了之前的 Slab 等算法在内存碎片优化上的经验。实现了多核分配性能在跟随处理器核数增长外，还有优秀的内存碎片整合能力。
Redis 选择了 jemalloc 作为自己的内存分配器，这意味着它天生带有高性能且低碎片的内存管理能力。那当出现内存碎片，即 mem_fragmentation_ratio 远大于 1时，对我们有什么实际意义？
四、Redis 内存碎片需要处理吗？
对内存碎片优化，是担心占用的物理内存不能用于解决新的内存分配请求，导致 Redis 服务器无法响应客户端命令。但 Redis 内置了 jemalloc 这样的高效内存分配器，它能实现对已占用的空闲内存做到极致复用。Redis 官方也建议，我们可以采取"鸵鸟算法"，啥都不用做。如果存在足够的可用物理内存并且设置了合适的 maxmemory 参数，即使 mem_fragmentation_ratio 偏大，后续的内存分配也是安全的。
在外部碎片的产生过程中，我们了解到，碎片产生来自频繁进行内存的分配和回收。也就是说，如果我们避免频繁的对 Redis 键值对进行变更，就能在用户侧缩小碎片空间比例。但考虑到 Redis 的内存分配机制，这不一定意味着在性能和安全上就更加优秀。