Redis 在许多公司中被广泛用作缓存。单个 Redis 实例可以处理数百万个读/写 qps，因为所有操作都在内存中。除了作为类似于memcached的简单内存内缓存外，Redis还提供了许多其他功能。例如，在许多情况下，Redis 也可以用作持久存储，因为 Redis 具有内置的 AOF（仅追加文件）机制，可以启用该机制以持久化对磁盘的每个写入操作。AOF有两种模式，可以在设置Redis时进行配置。

• 同步 AOF：同步 AOF 意味着每次写入都需要在返回到客户端（也称为。“阻止”写入）。在这种模式下，Redis 不再是纯粹的“内存内”存储。同步 AOF 可确保持久性，但需要牺牲高写入延迟。在我们的生产环境中，我们观察到，平均而言，同步 AOF 对于单个写入操作需要 ~1 秒。
• 异步 AOF：在此模式下，写入是非阻塞的，这意味着 Redis 仍然可以被视为客户端的“内存中”，只是内存内数据在后台定期持久化到磁盘上，这对客户端是透明的。此模式提供非常低的写入延迟，因为它仍然是客户端的内存，但需要权衡数据丢失。如果 Redis 节点发生故障或重新启动，则写入此 Redis 节点但尚未持久保存到磁盘的数据将永久丢失。

Redis集群

当数据量、读/写qps超过单个Redis实例的容量时，我们需要使用 Redis 集群来存储 kv 数据。在集群中，密钥分发到多个实例。通常，有三种方法可以将密钥分片到多个实例：

客户端分片

假设我们有一个广告排名引擎，它本质上是一种推荐服务，可以从广告数据库中调用相关广告，并为每个ad_request对广告进行排名。排名引擎需要检索每个广告的实时出价才能执行广告竞价。由于业务对延迟的高度敏感性，所有广告的实时出价都会被计算并预加载到 Redis 集群中。广告排名引擎在其二进制文件中内置了 Redis 客户端，以便从 Redis 读取。

在客户端分片中，Redis 客户端包含分片和路由逻辑。换句话说，这是一个非常厚的客户端。优点是此体系结构不依赖于任何中间件。只有两方：Redis 客户端和 redis 节点。

使用集中式代理（也称为中间件）的服务器端分片

中间件用作代理。来自广告排名引擎的请求将命中代理。代理包含分片和路由逻辑，用于确定访问哪个 Redis 实例来检索数据。在这种情况下，redis 客户端可以是一个非常瘦的客户端，因为它不再包含分片或路由逻辑。

去中心化服务器端分片

去中心化分片是官方 Redis 集群中实际使用的。集群中的每个节点都维护着“路由表”的本地副本，并通过gossip协议不断更新其路由表。换句话说，不再有集中式代理。相反，每个 Redis 节点都包含充当代理所需的完整信息集。

请求可以命中任何 Redis 节点。每个节点都知道集群中的所有其他节点，包括网络地址、存储的密钥等。处理请求的节点将首先检查自身或其他节点是否具有请求的数据，如果数据存储在其他地方，则将请求重定向到相应的节点。

分片算法

一致的哈希

一致哈希是一种经典的分片算法。本质上，所有事物，包括 Redis 集群中的每个节点和每个数据记录的键，都映射到 0 ~2³²-1（或 0 ~2⁶⁴-1）的哈希环。当客户端想要检索 k-v 记录时，它首先计算密钥的哈希，然后在哈希环上顺时针行走以查找下一个 Redis 节点，并从该节点获取密钥。

添加/删除节点时，一致哈希可确保只有相邻节点需要迁移数据，而集群中的大多数其他节点不受影响。好处是集群总体上保持稳定，这意味着服务堆栈延迟峰值的原因更少。

不过，一致的哈希有一个很大的缺点：分片不平衡或偏度。通常，缓存群集可能只有数十到数百个节点。在极端情况下，假设只有 2 个节点，则可能大多数键和关联值位于节点 A 上，而只有少量位于节点 B 上。即使对于最初具有平衡分片的集群，随着系统的发展，例如添加/删除节点、密钥过期、添加新密钥等，集群最终也会出现不平衡的分片。

为了最大化分片平衡，常用的方法包括：

• 介绍微分片的概念。例如，每个物理节点都映射到 n 个虚拟节点。如果群集有 m 个节点，则总共会有 m*n 个虚拟节点。虚拟节点越多，数据分布在统计上就越平衡。
• 定期重新分片。例如，每月重新计算每个分片上的密钥分配，并在所有节点上执行全局数据迁移，以使集群恢复到平衡分片状态。

Redis 集群中使用的哈希槽分片

Redis 集群没有使用上面描述的一致哈希。相反，使用哈希槽。密钥空间中的所有键都按照公式散列到整数范围 0 ~ 16383 中。每个节点负责存储一组插槽，以及该插槽的关联 k-v 对。slot = CRC16(key) & 16383

本质上，哈希槽是另一层抽象。它将数据记录（KV 对）和节点解耦。每个节点只需要知道应该在其上存储哪些插槽。插槽编码为位数组。此数组的大小字节。换句话说，一个 2048 字节的数组完全包含节点的信息，以确定 16384 个插槽中的特定插槽是否存储在其中。例如，对于插槽 1，节点只需要检查第二个位是否为 1（因为插槽索引从 0 16384/8 = 2048

拥有一层哈希槽也使新节点的添加/删除变得非常简单。假设我们有一个由 3 个节点 A、B 和 C 组成的集群。每个节点将存储一系列插槽：

节点 A：插槽 0–5460

节点 B：插槽 5461–10922

节点 C：插槽 10923–16383

• 假设我们需要向群集添加新的节点 D。在这种情况下，来自 A、B 和 C 的一些插槽将被移动到 D.即插槽及其关联的键和值是不可分割的，并且在跨节点移动时显示为原子单元。
• 同样，当我们从集群中删除节点 A 时，只有 A 中的插槽应该迁移到 B 和 C。然后可以安全地删除节点 A。

总之，将哈希槽从一个节点移动到另一个节点不需要群集停止操作、添加和删除节点或更改节点持有的哈希槽百分比，不需要任何群集停机时间。

分片架构

原生 Redis 集群

原生集群的实现方式与上述算法完全相同。集群中集成了路由/分片、集群拓扑元数据、实例健康监控等所有功能。没有其他依赖项。实例使用八卦相互通信。

本机集群通常可以支持 ~300 - 400 个实例。每个实例可以处理 80K 读取 QPS，集群总共可以处理 20-3000 万个 QPS。

但是，如果需要处理更高的 QPS，那么在超过 400 个实例时添加更多 Redis 实例不再是一个好主意。原因是 Gossip 协议的资源占用也随着集群中实例数量的增加而迅速增加。当系统需要进一步扩展时，其他体系结构的使用范围会更广泛。

Twemproxy + 原生 Redis 集群

下图显示了Twemproxy在多个Redis实例环境中工作的基本架构。

Twemproxy 是上述使用集中式代理的服务器端分片的一个例子。Twemproxy是由Twitter开源的。Twemproxy 可以接受来自多个客户端服务的请求，并将请求定向到底层 Redis 节点，等待响应，然后直接响应客户端。Twemproxy还支持一组有用的功能：

• 自动删除失败的 Redis 节点
• 支持标签。例如，如果我们想确保一组键被哈希到同一个 Redis 节点实例，我们可以为这些键分配相同的主题标签。
• 支持多种哈希算法。

Twemproxy 可以自定义以使用原生 Redis 集群，如图所示：

在这种情况下，Twemproxy 不再处理路由/分片，而是用于存储元数据，例如高级 Redis 集群拓扑、访问控制列表，并可用于监控众所周知会导致原生 Redis 集群出现问题的热键、大键等。分片/路由仍由底层原生 Redis 集群处理。换句话说，Twemproxy 节点保持与所有 Redis 节点的连接，并且可以向任何底层 Redis 节点发送请求，并且 Redis 节点将在需要时处理到集群中另一个 Redis 节点的重新路由。

AWS ElasticCache就是以这种方式构建的。ElasticCache 由一个代理服务器和一个支持主副本复制的 Redis 集群组成，其中主集群主要用于写入，副本用于读取。

使用 Codis 进行集中式分片

Codis引入了群体的概念。每个组包含一个 Redis 主节点（Redis 主节点）和 1 到多个 Redis 副本节点（Redis 从节点）。如果主节点死亡，则可以将副本节点提升为新的主节点。

Codis还使用了预分片机制，类似于原生Redis集群中使用的哈希槽。所有密钥都分布到 1024 个插槽，这意味着总共可以有多达 1024个组。路由信息（即元数据）存储在强一致性数据存储中，例如 Etcd 或 Zookeeper。

每个 Redis 组映射到一个插槽范围，例如 0~127。映射信息保留在 Zookeeper 中。在请求处理路径中，首先使用 计算哈希槽，然后代理使用 Zookeeper 中的slot_id检索 Redis 组的地址。crc32(key) % 1024

Codis 与 Twemproxy + Redis 集群之间有两个主要区别：

• 在Codis中，代理是无状态的。它不再存储有关底层 Redis 节点的任何状态。相反，所有这些元数据的存储都委托给Zookeeper。由于所有的路由/分片功能都是由代理和 Zookeeper 处理的，每个 Redis 节点只存储 KV 对，不需要通过八卦与其他 Redis 节点通信。
• 相反，当使用 Twemproxy + Redis 集群时，此类元数据存储在原生 Redis 集群中，即在每个 Redis 节点上。

热键和大键问题

热键问题

热键非常常见，特别是对于基于内容的服务，例如Youtube，抖音，Twitter等。一组密钥（有时是单个密钥）可能吸引了大部分用户流量。例如，在抖音上，前5-10%的内容产生了90%的流量。

热键对 Redis 集群的影响在于，流量可能只集中在几个 Redis 实例上，有时只集中在一个存储热键的 Redis 实例上。因此，这些不幸的实例会变得高度过载，而集群中的大多数其他实例负载非常轻。简而言之，热键可能会破坏拥有集群的目的。

主要有三种方法通常用于处理缓存中的热键：

1. 在客户端使用本地缓存。当热键缓存在 Redis 客户端时，服务器端根本没有流量来请求带有热键的记录。LFU（最不常用）通常在客户端缓存中用作逐出算法。当缓存达到容量时，LFU 会逐出最不常用的密钥，从而确保热密钥保留在缓存中。但是，由于客户端缓存本质上是另一层缓存，因此远程缓存（Redis 集群）将存在缓存一致性问题。
2. 人为地将热键“分片”为许多键。我们可以在热键后附加或预置一个随机数。假设我们有一个热键字符串（Redis 大多使用字符串作为键，而不是整数），那么在 Redis 端，我们将首先通过前缀 1-100 来生成 100 个键，这给了我们,,, ...,,换句话说，热键被人为复制了 100 次。它们将映射到多个哈希槽，并将存储在许多不同的 Redis 实例上。然后在查询时，每当客户端请求此热键时，我们都会在热键前面附加一个 [1， 100] 范围内的随机数。可以在代理服务器上完成预置逻辑。通过这种方式，热键流量将分发到集群中的更多实例，而不是集中在几个甚至单个实例上。xoxogossipgirlxoxogossipgirl1xoxogossipgirl2xoxogossipgirl3xoxogossipgirl100xoxogossipgirlxoxogossipgirl
3. 单独读取和写入。对于内容应用，通常热键的读取QPS非常高，而热键的写入QPS只是平均水平。还记得我们之前提到的小组吗？我们可以配置 Redis 组，以便主实例仅接收写入流量，而其他跟随实例处理读取流量。我们可以有一个写入副本，但只读副本需要的数量。

大键问题

大键表示 KV 对中的值需要大于平均内存空间来存储。大键可能与热键相关联，也可能并不总是与热键相关联。例如，在抖音上，热门图片通常会有更多的评论。假设在我们的 Redis 中，键是content_id，值是所有评论的列表。在这种情况下，热键也是一个大键。

大键的存在会导致偏斜。存储大键的实例将具有异常高的内存使用率，并且可能会因 OOM 而失败。这种故障很容易导致 Domino 效应，并使整个集群瘫痪。特别是对于具有不太智能的自动故障转移的集群，OOM-ed 实例的大键可能会迁移到另一个实例，并快速 OOM 并终止该实例。然后迁移到另一个实例，也杀死它，直到整个集群关闭。

如何减轻大键的影响？你可以猜到，只需“分片”键！

1. 对于简单的键值类型，我们可以稍微重新设计一下数据模式。Redis 支持具有键-子键-值的哈希结构。换句话说，假设值是一个包含数百个字段的结构，我们可以将其划分为多个，其中这里的每个值都是早期大值结构的小分片，例如少于 10 个字段。Redis 原生支持修改命令，无需更改vanillacommand 中的

key-giantValueStructsubkey-smallValueStructhget/hsetsmallValueStructgiantValueStructget/set

1. 如果使用 Redis Hash、Redis Set 后，仍然有大键怎么办？我们可以添加另一层哈希桶来进一步分片键子键。例如，对于普通的 Redis 哈希，我们确实

hget(hashKey, subkey)hset(hashKey, subkey, value)

要对大键进行分片，类似于热键问题中的选项 2，我们可以做

newHashKey = hashKey + (hash(field) % 10000);
hset(newHashKey, subkey, value);hget(newHashKey, subkey);

1. 如果您预计会出现较大的关键问题，要避免使用 Zset，因为 Zset 包含排名的分数信息。

好了，有关Redis 集群的分片算法和架构，就介绍到这里，如果大家有什么好的想法，可以在评论区留言，共同交流。