Redis簡介

1. 支援5種資料結構

支援strings, hashes, lists, sets, sorted sets

string是很好的儲存方式，用來做計數儲存。sets用於建立索引庫非常棒；

2. K-V 儲存 vs K-V 快取

新浪微博目前使用的98%都是持久化的應用，2%的是快取，用到了600+伺服器

Redis中持久化的應用和非持久化的方式不會差別很大：

非持久化的為8-9萬tps，那麼持久化在7-8萬tps左右；

當使用持久化時，需要考慮到持久化和寫效能的配比，也就是要考慮redis使用的記憶體大小和硬碟寫的速率的比例計算；

3. 社群活躍

Redis目前有3萬多行程式碼, 程式碼寫的精簡，有很多巧妙的實現，作者有技術潔癖

Redis的社群活躍度很高，這是衡量開源軟體品質的重要指標，開源軟體的初期一般都沒有商業技術服務支援，如果沒有活躍社群做支撐，一旦發生問題都無處求救；

Redis基本原理

redis持久化(aof) append online file：

寫log(aof), 到一定程度再和記憶體合併. 追加再追加, 順序寫磁碟, 對效能影響非常小

1. 單例項單程序

Redis使用的是單程序，所以在配置時，一個例項只會用到一個CPU；

在配置時，如果需要讓CPU使用率最大化，可以配置Redis例項數對應CPU數, Redis例項數對應埠數(8核Cpu, 8個例項, 8個埠), 以提高併發:

單機測試時, 單條資料在200位元組, 測試的結果為8~9萬tps；

2. Replication

過程: 資料寫到master-->master儲存到slave的rdb中-->slave載入rdb到記憶體。

儲存點(save point): 當網路中斷了, 連上之後, 繼續傳.

Master-slave下第一次同步是全傳，後面是增量同步；、

3. 資料一致性

長期執行後多個結點之間存在不一致的可能性；

開發兩個工具程式：

1.對於資料量大的資料，會週期性的全量檢查；

2.實時的檢查增量資料，是否具有一致性；

對於主庫未及時同步從庫導致的不一致，稱之為延時問題；

對於一致性要求不是那麼嚴格的場景，我們只需要要保證最終一致性即可；

對於延時問題，需要根據業務場景特點分析，從應用層面增加策略來解決這個問題；

例如：

1.新註冊的使用者，必須先查詢主庫；

2.註冊成功之後，需要等待3s之後跳轉，後臺此時就是在做資料同步。

新浪Redis使用歷程

2009年, 使用memcache(用於非持久化內容), memcacheDB(用於持久化+計數),

memcacheDB是新浪在memcache的基礎上，使用BerkeleyDB作為資料持久化的儲存實現；

1. 面臨的問題

資料結構(Data Structure)需求越來越多, 但memcache中沒有, 影響開發效率效能需求, 隨著讀操作的量的上升需要解決，經歷的過程有:資料庫讀寫分離(M/S)-->資料庫使用多個Slave-->增加Cache (memcache)-->轉到Redis解決寫的問題：水平拆分，對錶的拆分，將有的使用者放在這個表，有的使用者放在另外一個表；可靠性需求Cache的"雪崩"問題讓人糾結Cache面臨著快速恢復的挑戰開發成本需求Cache和DB的一致性維護成本越來越高(先清理DB, 再清理快取, 不行啊, 太慢了!)開發需要跟上不斷湧入的產品需求硬體成本最貴的就是資料庫層面的機器，基本上比前端的機器要貴幾倍，主要是IO密集型，很耗硬體；維護性複雜一致性維護成本越來越高；BerkeleyDB使用B樹，會一直寫新的，內部不會有檔案重新組織；這樣會導致檔案越來越大；大的時候需要進行檔案歸檔，歸檔的操作要定期做；這樣，就需要有一定的down time；

基於以上考慮， 選擇了Redis

2. 尋找開源軟體的方式及評判標準

對於開源軟體，首先看其能做什麼，但更多的需要關注它不能做什麼，它會有什麼問題？上升到一定規模後，可能會出現什麼問題，是否能接受？google code上, 國外論壇找材料(國內比國外技術水平滯後5年）觀察作者個人的程式碼水平

Redis應用場景

1. 業務使用方式

hash sets: 關注列表, 粉絲列表, 雙向關注列表(key-value(field), 排序)string(counter): 微博數, 粉絲數, ...(避免了select count(*) from ...)sort sets(自動排序): TopN, 熱門微博等, 自動排序lists(queue): push/sub提醒,...

上述四種, 從精細化控制方面，hash sets和string(counter)推薦使用, sort sets和lists(queue)不推薦使用

還可通過二次開發，進行精簡。比如: 儲存字元改為儲存整形, 16億資料, 只需要16G記憶體

儲存型別儲存在3種以內，建議不要超過3種；

將memcache +myaql 替換為Redis：

Redis作為儲存並提供查詢，後臺不再使用mysql，解決資料多份之間的一致性問題；

2. 對大資料表的儲存

（eg：140字微博的儲存）

一個庫就存唯一性id和140個字；

改進的3個步驟:

1）發現現有系統存在問題;

2）發現了新東西, 怎麼看怎麼好, 全面轉向新東西;

3）理性迴歸, 判斷哪些適合新東西, 哪些不適合, 不合適的回遷到老系統

3. 一些技巧

很多應用, 可以承受資料庫連線失敗, 但不能承受處理慢一份資料, 多份索引(針對不同的查詢場景)解決IO瓶頸的唯一途徑: 用記憶體在資料量變化不大的情況下，優先選用Redis

遇到的問題及解決辦法

(注意: 都是量特別大時候會出現的, 量小了怎麼都好說)

1.Problem: Replication中斷後, 重發-->網路突發流量

Solution: 重寫Replication程式碼, rdb+aof(滾動)

2.Problem: 容量問題

Solution: 容量規劃和M/S的sharding功能(share nothing, 抽象出來的資料物件之間的關聯資料很小)

增加一些配置, 分流, 比如: 1,2,3,4, 機器1處理%2=1的, 機器2處理%2=0的.

低於記憶體的1/2使用量, 否則就擴容（建議Redis例項使用的資料，最大不要超過記憶體的80%）

我們線上96G/128G記憶體伺服器不建議單例項容量大於20/30G。

微博應用中單表資料最高的有2T的資料，不過應用起來已經有些力不從心；

每個的埠不要超過20G；測試磁碟做save所需要的時間，需要多長時間能夠全部寫入；記憶體越大，寫的時間也就越長；

單例項記憶體容量較大後，直接帶來的問題就是故障恢復或者Rebuild從庫的時候時間較長，對於普通硬碟的載入速度而言，我們的經驗一般是redis載入1G需要1分鐘；（載入的速度依賴於資料量的大小和資料的複雜度）

Redis rewrite aof和save rdb時，將會帶來非常大且長的系統壓力，並佔用額外記憶體，很可能導致系統記憶體不足等嚴重影響效能的線上故障。

reblance: 現有資料按照上述配置重新分發。

後面使用中間層，路由HA；

注：目前官方也正在做這個事，Redis Cluster，解決HA問題；

3. Problem: bgsave or bgwriteaof的冰晶問題

Solution: 磁碟效能規劃和限制寫入的速度, 比如: 規定磁碟以200M/s的速度寫入, 細水長流, 即使到來大量資料. 但是要注意寫入速度要滿足兩個客觀限制:

符合磁碟速度

符合時間限制(保證在高峰到來之前, 就得寫完)

4.Problem: 運維問題

1）Inner Crontab: 把Crontab遷移到Redis內部, 減少遷移時候的壓力

本機多埠避免同時做 - 能做到

同一業務多埠(分佈在多機上), 避免同時做 - 做不到

2）動態升級: 先載入.so檔案, 再管理配置, 切換到新程式碼上(Config set命令)

把對redis改進的東西都打包成lib.so檔案，這樣能夠支援動態升級

自己改的時候要考慮社群的升級。當社群有新的版本，有很好用的新功能時，要能很容易的與我們改進後的版本很好的merge；

升級的前提條件: 模組化, 以模組為單位升級

載入時間取決於兩個方面: 資料大小, 資料結構複雜度. 一般, 40G資料耗時40分鐘

分散式系統的兩個核心問題: A.路由問題 B.HA問題

運維不能只講資料備份，還得考慮資料恢復所需要的時間；

增加許可權認證(管理員才有許可權)eg：flashall 許可權認證，得有密碼才能做；

當然，高速資料互動一般都不會在每次都進行許可權認證，通用的處理策略是第一次認證，後期都不用再認證；

控制hash策略(沒有key, 就找不到value; 不知道hash策略, 就無法得到key)

4）Config Dump:

記憶體中的配置項動態修改過, 按照一定策略寫入到磁碟中(Redis已支援)

5）bgsave帶來aof寫入很慢:

fdatasync在做bgsave時, 不做sync aof(會有資料出入)

6）成本問題: (22T記憶體, 有10T用來計數)

Redisscounter(16億資料佔用16G記憶體) - 全部變為整型儲存, 其餘(字串等)全不要

Redis+SSD(counterService計數服務)

順序自增, table按照順序寫, 寫滿10個table就自動落地(到SSD)

儲存分級: 記憶體分配問題, 10K和100K寫到一塊, 會有碎片. Sina已經優化到浪費只佔5%以內(已經很好了!)

5.Problem: 分散式問題

1.Config Server: 名稱空間, 特別大的告訴訪問, 都不適合用代理, 因為代理降低速度, 但是, Sina用了(單機多埠, Redis Cluster, sentinel)

Config Server放到Zookeeper上

最前面是命名服務，後面跟的是無狀態的twmemproxy（twitter的改進的，用C寫的） ,後面才是redis；

2.twmemproxy

應用不必關心連線失敗, 由代理負責重連

把Hash演算法放到代理商

代理後邊的升級, 前端不關心, 解決了HA的問題

無狀態, 多臺代理無所謂

3.AS --> Proxy -->Redis

4.Sina的Redis都是單機版, 而Redis-Cluster互動過於複雜，沒有使用

做HA的話，一定要配合監控來做，如果掛了之後，後續該如何做；

並不是追求單機效能，而是叢集的吞吐量，從而可以支援無線擴充套件；

經驗總結