使用本文之前 比如集群在某个机器上7001端口有redis节点
记得使用ip 端口 比如如下
redis-benchmark -h 10.166.15.36 -p 7001 -n 100000 -q script load "redis.call('set','foo','一二三四五六七八九十')"
./redis-benchmark -h 10.166.15.36 -p 7001 -q -n 100000
以下转载：https://blog.csdn.net/youqika/article/details/42740647
https://blog.csdn.net/youqika/article/details/42740647
1 实验数据
Redis自带一个叫redis-benchmark的工具来模拟N个客户端同时发出M个请求。实验进行了如下对比测试：
（1） 分别在安静模式下与显式使用命令来运行进行对比；
（2） 在单一的key和随机key模式下对比；
（3） 在默认50个客户端、100个客户端和10个客户端下对比；
（4） 在按顺序执行命令和一次性执行多条命令进行对比。
实验硬件条件：在虚拟机下，2个处理器，5GB内存，20G硬盘。
分别测试如下命令：
（1） PING_INLINE
（2） PING_BULK
（3） SET：将字符串值value关联到key；
（4） GET：返回key所关联的字符串值，如果key存储的值不是字符串类型，返回一个错误；
（5） INCR：将key中存储的数字值增一。不能转换为数字则报错；
（6） LPUSH：将一个或多个值value插入到列表key的表头；
（7） RPUSH：将一个或多个值value插入到列表key的表尾；
（8） LPOP：移除并返回列表key的头元素；
（9） RPOP：移除并返回列表key的尾元素；
（10） SADD：将一个或多个member元素加入到集合set当中，已经存在于集合的member元素将被忽略；
（11） SPOP：移除并返回集合中的一个随机元素；
（12） LPUSH：将一个或多个value插入到列表key的表头；
（13） LRANGE_100：返回列表key中指定区间内的元素，前100条元素；
（14） LRANGE_300：返回列表key中指定区间内的元素，前300条元素；
（15） LRANGE_500：返回列表key中指定区间内的元素，前500条元素；
（16） LRANGE_600：返回列表key中指定区间内的元素，前600条元素；
（17） MSET：同时设置一个或多个key-value对，value为字符串。
2 实验结果
（1）./redis-benchmark -q -n 100000
运行在安静的模式中，且只使用单一的key。 
（2）./redis-benchmark -n 100000 -q script load “redis.call(‘set’, ‘foo’, ‘bar’)”
使用直接命令来运行。 
（3）./redis-benchmark -r 100000 -n 100000 -q
运行在安静的模式中，并且设置10万随机key。 
（4）默认情况下，每个客户端都是在一个请求完成之后才发送下一个请求的，benchmark默认会模拟50个客户端，这意味着服务器几乎是按顺序读取每个客户端的命令。
./redis-benchmark -c 100 -r 100000 -n 100000 -q
模拟100个客户端 
./redis-benchmark -c 10 -r 100000 -n 100000 -q
模拟10个客户端 
（5）Redis支持/topics/pipelining，使得可以一次性执行多条命令成为可能。Redis pipelining可以提高服务器的TPS。
./redis-benchmark -r 100000 -n 100000 -P 16 –q
Pipelining 16条命令的测试。
3 实验分析
重点比较SET/GET/INCR/LPUSH/LPOP/SADD/SPOP/LRANGE_100这几个命令的性能。
场景数字代表的意思
1：单一key，50客户端;2：随机key，50客户端;3: 随机key，100客户端;4: 随机key，10客户端;5: 随机key，50客户端，并发执行。 
注：表格所有数据的单位：每秒的请求数。
从上面表格可以看出：
（1） 对于相同客户端的情况下，随机key的每秒请求数，SET和LPOP减少，GET、INCR、LPUSH、SADD、SPOP和LRANGE增加了；
（2） 在随机生成key值的情况下，SET、SADD操作随着客户端数增加，每秒请求数减少；考虑到cache命中的情况，其他命令变化趋势没有规律；
（3） 其他条件一致，并发执行情况下，各种命令都是有大幅度增加。
从上面可以得出结论：在真实环境下，应对大数据，大并发，可以通过增加缓存大小，并发执行来提高吞吐量。