DEV Community

Aleksei Aleinikov
Aleksei Aleinikov

Posted on Originally published at alekseialeinikov.com on

Valkey vs. Redis: B+Tree Sorted Sets, 43 % weniger RAM & Migration

Valkey vs. Redis: B+Tree Sorted Sets, 43 % weniger RAM & Migration

Viele Vergleiche zwischen Valkey und Redis klingen heute noch wie ein Lizenz-Kommentar von vor zwei Jahren: „Valkey ist ein Drop-in-Fork von Redis 7.2.4 unter BSD-3-Clause.“

Diese Sichtweise ist überholt. Mit Valkey 9.2 und Redis 8 haben sich beide Engines architektonisch deutlich auseinanderentwickelt. Valkey 9.2 ersetzt die klassische Skiplist in großen Sorted Sets durch einen Cache-freundlichen B+Tree (fbtree) — das spart bis zu 43 % Speicher-Overhead und verdoppelt den ZADD-Durchsatz — und ergänzt Forkless Snapshots , Path Hash (PH*) sowie natives HOTKEYS GET. Redis 8 wiederum erweitert seine Dreifach-Lizenz um AGPLv3 und zieht Vector Sets , JSON und TimeSeries direkt in den Core.

Valkey vs. Redis Titelbild: Kompakter saphirblauer B+Tree-Speicherblock neben einer lockeren roten Skiplist-Kette auf einem gebürsteten Stahlsockel.

Hinweis

Gegen offizielle Primärquellen geprüft. Alle Speicher- und Durchsatzwerte zu Sorted Sets stammen direkt aus dem offiziellen Valkey-9.2-Engineering-Artikel von Rain Valentine und Dragos Andriciuc sowie aus den Dokumentationen zu Valkey 9.2 und Redis 8.

Das kurze Urteil: Beim klassischen GET/SET-Caching liegen Valkey und Redis 8 nur wenige Prozentpunkte auseinander. Wähle Valkey , wenn Speicherkosten, BSD-3-Clause-Compliance, Cloud-Standards (AWS ElastiCache, GCP Memorystore) oder große Sorted Sets zählen. Wähle Redis 8 nur dann, wenn native Core-Features wie Vector Sets, JSON und TimeSeries zwingend aus einem Binary kommen müssen und AGPLv3 rechtlich freigegeben ist.

Valkey 9.2 vs. Redis 8 im Überblick

Die Entscheidung dreht sich heute nicht mehr um Markenrechte, sondern um speicheroptimierte Core-Architektur (Valkey) gegen integrierte All-in-One-Datenmodelle (Redis 8):

Kriterium Valkey 9.2 Redis 8 Auswirkung in Produktion
Governance Linux Foundation Redis Ltd. Herstellerneutrale vs. Single-Vendor-Roadmap
Lizenz BSD 3-Clause Tri-Lizenz: RSALv2 / SSPLv1 / AGPLv3 Permissiver Enterprise-Standard vs. Copyleft / Source-Available
Große Sorted Sets B+Tree (fbtree) (OBJECT ENCODING → btree) Klassische Skiplist + Hash Table Bis zu 43 % weniger RAM & +105 % ZADD bei Valkey
Snapshots & Sync Forkless RDB/Sync-Option + Zstd/LZ4 Fork-basiertes BGSAVE (Copy-on-Write) Keine 2×-RAM-Spikes bei hoher Schreiblast
KI- & Such-Typen PH* Path Hash (Radix-Tree) + valkey-search-Modul Native Vector Sets (HNSW), JSON, TimeSeries Redis 8 punktet bei Out-of-the-Box-RAG; Valkey beim Präfix-Routing
Hot-Key-Erkennung Natives HOTKEYS GET (Space-Saving) Client-/Proxy-Sampling oder kommerzielle Tools Sofortige Sichtbarkeit ohne externe Agents
Zugriffskontrolle ACL + wiederverwendbares ACL SETROLE ACL-Kategorien & User-Regeln Sauberes RBAC-Management in großen Clustern

1. Valkey 9.2 fbtree: Warum B+Trees 43 % RAM sparen

Über ein Jahrzehnt lang kombinierten Redis und Valkey für große Sorted Sets (ZSET) eine Hash Table für O(1)-Score-Lookups mit einer Skiplist für Bereichsabfragen.

Skiplists sind leicht zu implementieren, kosten bei Millionen von Einträgen aber spürbar Speicher und CPU-Zeit:

  1. Pointer-Overhead: Jeder Skiplist-Knoten liegt als eigene Heap-Allokation vor und trägt Forward-Pointer, Backward-Pointer und Span-Werte — rund ~29 Byte Struktur-Overhead pro Element , noch bevor die Nutzdaten gespeichert sind.
  2. CPU-Cache-Misses: Da die Knoten verstreut im Heap liegen, führt jedes Traversieren zu Pointer-Chasing über uncached Speicherseiten.

In Valkey 9.2 ersetzt ein B+Tree (fbtree) mit hohem Fanout ( bis zu 61 Einträge pro Knoten ) die Skiplist. OBJECT ENCODING myzset liefert nun btree statt skiplist.

Architekturvergleich zwischen klassischem Skiplist-Pointer-Chasing und dem Cache-freundlichen 61-Wege-B+Tree (fbtree) in Valkey 9.2.
Valkey 9.2 packt bis zu 61 Sorted-Set-Einträge zusammenhängend in einen B+Tree-Knoten und vermeidet Pointer-Overhead.

Die offiziellen Valkey-9.2-Benchmarks (5 Mio. Elemente à 20 Byte) belegen den doppelten Effekt aus Speicherdichte und Cache-Lokalität:

  • Sequenzielle Inserts: Overhead pro Element sinkt von 50,3 Byte → 28,5 Byte ( 43 % Ersparnis , rund 109 MB weniger RAM).
  • Zufällige Inserts: Overhead sinkt auf 32,0 Byte ( 36 % Ersparnis , rund 92 MB weniger RAM).
  • Schreibdurchsatz: ZADD +105 % und ZREM +76 % durch weniger Allokationen und bessere Cache-Treffer.

2. Durchsatz, Forkless Snapshots & Betrieb in Produktion

Beim klassischen GET/SET-Caching zeigen unabhängige Benchmarks zwischen Redis 8 und Valkey 8+/9+ nur einstellige Prozentunterschiede (bei extremer Sättigung über 1.000 parallele Verbindungen liegt teils Redis 8 leicht vorn, bei moderater Concurrency oft Valkey). Im Produktivbetrieb überlagern Netzwerk-RTT und Serialisierung diese Mikro-Differenzen.

Den spürbaren Unterschied im Alltag macht Speicherstabilität unter Last :

Gemessener Speicher-Overhead und Durchsatzgewinn von Valkey 9.2 durch den Wechsel auf B+Tree (fbtree) bei 5 Mio. Sorted-Set-Einträgen.
Valkey 9.2 B+Tree-Benchmarks (5 Mio. 20-Byte-Elemente): -43 % Speicher-Overhead und bis zu +105 % ZADD-Durchsatz.

Forkless Snapshots (ohne doppelten Copy-on-Write-Speicher)

Klassisches BGSAVE per fork() nutzt Copy-on-Write (CoW): Schreiben Clients während des Snapshots viele Keys um, verdoppelt sich der Speicherbedarf schnell — ein typischer Auslöser für OOM-Kills ab 60–70 % Auslastung.

Interne Engine-Architektur im Vergleich: klassisches fork() Copy-on-Write mit bis zu 2× RAM-Spikes gegen die Forkless-Engine von Valkey 9.2 mit konstanter Speicherkurve und Inline-Zstd/LZ4-Sync.
Forkless-Snapshots in Valkey 9.2 verhindern Copy-on-Write-Speicherspitzen bei RDB-Backups und Replica-Full-Syncs.

Valkey 9.2 bietet optionale Forkless Snapshots und Full-Syncs sowie Zstd-/LZ4-Kompression für Replikationsströme:

valkey.conf

# Speicherverbrauch bei RDB-Snapshots und Replikation konstant haltenforkless-infrastructure-enabled yesforkless-policy snapshots-and-sync
# Integriertes Hot-Key-Tracking per Space-Saving-Algorithmushotkeys-top-k 20
Enter fullscreen mode Exit fullscreen mode

Achtung

Trade-off beachten: Ohne fork() entfallen CoW-RAM-Spikes, dafür läuft der Snapshot im Hauptprozess. Bei extremen Schreibspitzen während eines Forkless-Snapshots können kurze Tail-Latency-Ausschläge auftreten — vorab im Staging testen.

HOTKEYS GET, ACL SETROLE und Path Hash (PH*)

  • HOTKEYS GET / HOTKEYS RESET: Erkennt die $K$ heißesten Keys per Space-Saving-Algorithmus direkt im Server — ohne externes Traffic-Sniffing.
  • ACL SETROLE: Wiederverwendbare Rollenvorlagen für saubere Benutzerrechte statt kopierter Kommando-Listen.
  • Path Hash (PHSET, PHPREFIXES): Ein Radix-Tree-Datentyp für binärsichere Pfade — ideal für Longest-Prefix-Matching, Autocomplete und das Indexing von LLM-KV-Cache-Präfixen.

3. Wo Redis 8 weiterhin punktet (und die Lizenzfrage)

Mit der Rückkehr von Redis-Erfinder Salvatore Sanfilippo (antirez) liefert Redis 8 echte Innovationen: Vector Sets (HNSW-Ähnlichkeitssuche für Embeddings) sowie native Integration von JSON , TimeSeries , probabilistischen Strukturen und der Redis Query Engine direkt im Core-Binary.

Wer ein einziges Managed-System für RAG-Vektorsuche, JSON-Dokumente und Caching ohne separate Module (valkey-search, valkey-json, valkey-bloom) sucht, hat mit Redis 8 den bequemeren Start.

Bleibt die Lizenzfrage :

  • Valkey: Durchgängig BSD 3-Clause — kein Copyleft, keine Einschränkungen für SaaS oder eingebettete Produkte.
  • Redis 8: Dreifach-Lizenz ( RSALv2, SSPLv1, AGPLv3 ). Zwar ist AGPLv3 OSI-konform, doch viele Enterprise-Compliance-Abteilungen blockieren Netzwerk-Copyleft in internen und externen Backends weiterhin kategorisch.

4. Lokal prüfen & ohne Downtime migrieren

Verlasse dich nicht blind auf Hersteller-Benchmarks — starte beide Engines per Docker Compose und prüfe OBJECT ENCODING sowie INFO memory mit deinen eigenen Key-Größen (genau wie bei produktivem PostgreSQL in Docker):

docker-compose.yml

services: valkey: image: valkey/valkey:9.2-alpine ports: ["6379:6379"] redis: image: redis:8-alpine ports: ["6380:6379"]
Enter fullscreen mode Exit fullscreen mode

Terminal window

# B+Tree-Encoding in Valkey vs. Skiplist in Redis prüfen (>128 Einträge)valkey-cli -p 6379 OBJECT ENCODING leaderboard # -> "btree"redis-cli -p 6380 OBJECT ENCODING leaderboard # -> "skiplist"
Enter fullscreen mode Exit fullscreen mode

Zero-Downtime-Migration (Redis → Valkey)

Da Valkey dasselbe RESP-Protokoll spricht, funktionieren Client-Bibliotheken (redis-py, ioredis, go-redis) ohne Code-Änderung. Für Cluster auf Basis von Redis 7.2.x oder kompatiblen Core-Typen:

Zero-Downtime-Migrationspfad von Redis zu Valkey: Valkey per REPLICAOF als Replikat anhängen, Full-Sync abwarten, Writes kurz pausieren, promoten und Endpoint umschalten.
Live-Migration über REPLICAOF; Hinweis: RDB-Snapshots aus Valkey 9.2 sind nicht abwärtskompatibel zu Redis.

  1. Valkey vorbereiten mit identischem maxmemory, Eviction-Policy und ACLs.
  2. Als Replikat anhängen: REPLICAOF <redis-host> 6379 auf Valkey ausführen und warten, bis master_link_status:up und kein Replikations-Lag mehr besteht.
  3. Umschalten: Writes kurz anhalten (oder per Kubernetes Service / Endpoint umschwenken), REPLICAOF NO ONE auf Valkey ausführen und Clients umleiten.
  4. RDB-Falle beachten: Sobald Valkey 9.2 btree-Sorted-Sets oder PH*-Keys in RDB/AOF schreibt, lässt sich dieser Snapshot nicht mehr zurück in Redis laden — den alten Redis-Primary daher im Rollback-Fenster bereithalten.

Fazit

Für Caching, Sessions, Rate Limiting, Queues und große Sorted-Set-Leaderboards ist Valkey 9.2 heute die technisch und wirtschaftlich stärkere Wahl: BSD-3-Clause , bis zu 43 % weniger Sorted-Set-Speicher , Forkless Snapshots und natives HOTKEYS GET. Redis 8 lohnt sich dann, wenn native Vector Sets, JSON und TimeSeries im Core gebraucht werden und AGPLv3 (oder Redis Cloud) freigegeben ist.

Passend zu deinem Datenbank- und Plattform-Setup:

Ursprünglich veröffentlicht auf alekseialeinikov.com

Top comments (0)