当前位置:首页 > 文章列表 > 数据库 > Redis > Redis UNLINK 删除大键后如何判断内存何时回收

Redis UNLINK 删除大键后如何判断内存何时回收

来源:17golang原创 2026-09-14 15:54:23 0浏览 收藏

我在清理 Redis 大 key 时最容易误判的一点,是把 UNLINK 返回成功理解成“内存已经回来了”。实际上它先把 key 从键空间摘掉,真正释放对象内存由后台线程继续完成;即使 Redis 已经释放对象,分配器也可能暂时保留页面,所以进程 RSS 仍然不降。

官方地址:https://redis.io/

判断回收不能只看 UNLINK 的返回值。先看 lazyfree_pending_objects 是否消化,再对照 used_memoryused_memory_rss 和分配器指标;前两层完成,不代表操作系统 RSS 必须马上回到删除前。
要点速览
  • UNLINK 返回的是已从键空间摘除的 key 数,不是已归还操作系统的字节数。
  • lazyfree_pending_objects 下降到稳定低位、lazyfreed_objects 持续增加,说明异步释放队列正在完成。
  • used_memory 与 RSS 要分开看;碎片和分配器缓存会让 RSS 延迟下降,不能用固定秒数判断。

UNLINK 到底删除了什么

UNLINK key [key ...]DEL 的结果边界不同:返回整数表示有多少个 key 被从键空间摘除,不存在的 key 会被忽略。Redis 官方文档给出的复杂度是每个 key 的摘除操作为 O(1),之后对对象内部多份分配执行 O(N) 的释放工作,并放到其他线程处理。

Redis UNLINK 键空间摘除与 lazyfree 异步释放的静态关系
图1:UNLINK 相关组件的静态关系示意,键空间摘除和对象内存释放属于不同边界。

因此可以把一次删除拆成三个观察层:第一层是应用已经无法通过原 key 读到对象;第二层是后台释放线程把待处理对象逐步清掉;第三层是分配器是否把空闲页继续交还给操作系统。标题里的“何时回收”如果不说明层次,就很容易把三个时间点混成一个。

用 lazyfree 指标判断异步释放是否完成

删除大 key 后,先取一组内存信息作为基线,再按固定间隔重复采样。下面的命令只是观测示例,不应把单次输出当成真实固定阈值:

# 只读取内存区,关注异步释放队列和 RSS 的趋势
redis-cli INFO memory | grep -E 'lazyfree|used_memory|allocator|fragmentation'

# 每秒采样一次,便于观察队列是否持续堆积
redis-cli -r -1 -i 1 INFO memory | grep -E 'lazyfree_pending_objects|lazyfreed_objects|used_memory:|used_memory_rss:'

lazyfree_pending_objects 表示等待释放的对象数量,lazyfreed_objects 表示已经异步释放的对象数量。一个实用判断是:pending 不再持续增长并逐步消化,同时 freed 单调增加或至少不再停滞,说明后台队列正在追上删除速度。它仍然不是“某个时间点一定完成”的承诺,因为对象大小、分配次数、CPU 竞争和同时发生的写入都会改变耗时。

为什么 used_memory 降了,RSS 还可能不降

used_memory 更接近 Redis 仍在使用的分配量,used_memory_rss 则是进程从操作系统视角占用的常驻内存。Redis 文档特别提醒:释放的内存先回到分配器,分配器是否把页面还给系统是另一件事。因此删除完成后可能看到 used_memory 明显下降,而 RSS 只小幅下降,甚至短时间保持不变。

Redis INFO memory 与 MEMORY STATS 指标的静态依赖关系
图2:从 Redis 内存命令到观测指标的静态关系,说明为什么 used_memory 下降不保证 RSS 立即下降。

可以用下面的组合读数做分层判断:

现象更可能说明什么下一步
pending 持续升高删除提交速度超过后台释放速度降低删除并发,观察 CPU 与队列是否反转
pending 归零,used_memory 下降Redis 对象层基本释放完成再看 RSS、allocator 和碎片,不要求立刻归零
used_memory 下降,RSS 不变分配器保留空闲页或出现碎片查看 allocator_activeallocator_residentmem_fragmentation_ratio

用 MEMORY 命令做删除前后对照

MEMORY USAGE 适合确认单个 key 的估算占用,MEMORY STATS 适合观察分配器层面的整体指标。它们不能直接告诉你“后台线程还要几秒”,但可以帮助你把对象大小和进程内存变化放在同一个时间窗口里比较:

实际排障时建议保存删除前、UNLINK 返回后、pending 消化后这三组读数,并保证采样间隔和业务负载相近。不要用 MEMORY PURGE 代替异步释放判断:它是请求分配器尝试释放内存的管理命令,效果取决于分配器和当前页面布局,也不能证明某一次 UNLINK 的对象已经全部处理完。

常见问题

UNLINK 返回 1,是不是已经释放了一个大 key 的全部内存?

不是。它表示一个 key 已从键空间摘除;对象实际释放仍可能在后台进行,内存是否归还操作系统还要看分配器。

pending 已经是 0,但 RSS 仍然很高怎么办?

先确认 used_memory 是否下降,再看 allocator 和 fragmentation。若 Redis 已释放对象,RSS 仍高可能是分配器保留页或外部碎片,不要仅凭 RSS 判断 UNLINK 失败。

能否给大 key 设一个固定回收秒数?

不建议。对象内部 allocation 数量、后台线程负载、CPU 竞争和并发删除都会改变耗时。用 pending、freed、used_memory 和 RSS 的趋势判断,比写死等待时间可靠。

小结:Redis UNLINK 的“删除完成”至少有键空间、对象释放、分配器归还三个层次。排查大 key 清理后内存不降时,先用 lazyfree 指标确认异步队列,再把 used_memory 与 RSS 分开解释,最后用 MEMORY STATS 和碎片指标判断是否只是分配器行为。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go pprof.Do 标签在并发请求中如何避免串到其他 goroutineGo pprof.Do 标签在并发请求中如何避免串到其他 goroutine
上一篇
Go pprof.Do 标签在并发请求中如何避免串到其他 goroutine
MySQL 默认表达式引用其他列为什么无法创建表
下一篇
MySQL 默认表达式引用其他列为什么无法创建表
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    23次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    126次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    51次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    21次使用
  • OpenCompass大模型评测体系详解:功能、使用指南与应用场景
    OpenCompass
    OpenCompass是上海AI实验室推出的开源大模型评测平台,提供CompassKit、CompassHub和CompassRank三大核心组件,支持LLM及多模态模型的一站式标准化评估与排行榜查询。
    73次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议隐私政策
返回登录
  • 重置密码