Redis精華

Redis的複製功能是完全建立在之前我們討論過的基於記憶體快照的持久化策略基礎上的，也就是說無論你的持久化策略選擇的是什麼，只要用到了redis的複製功能，就一定會有記憶體快照發生，那麼首先要註意你的系統記憶體容量規劃，原因可以參考我上一篇文章中提到的Redis磁碟IO問題。

Redis複製流程在Slave和Master端各自是一套狀態機流轉，涉及的狀態信息是：

Slave 端：

Master端：

整個狀態機流程過程如下：

Slave端在配置文件中添加了slave of指令，於是Slave啟動時讀取配置文件，初始狀態為REDIS_REPL_CONNECT。
• Slave端在定時任務serverCron(Redis內部的定時器觸發事件)中連接Master，發送sync命令，然後阻塞等待master發送回其記憶體快照文件(最新版的Redis已經不需要讓Slave阻塞)。
• Master端收到sync命令簡單判斷是否有正在進行的記憶體快照子進程，沒有則立即開始記憶體快照，有則等待其結束，當快照完成後會將該文件發送給Slave端。
• Slave端接收Master發來的記憶體快照文件，保存到本地，待接收完成後，清空記憶體表，重新讀取Master發來的記憶體快照文件，重建整個記憶體表數據結構，並最終狀態置位為 REDIS_REPL_CONNECTED狀態，Slave狀態機流轉完成。
• Master端在發送快照文件過程中，接收的任何會改變數據集的命令都會暫時先保存在Slave網路連接的發送緩存隊列里（list數據結構），待快照完成後，依次發給Slave,之後收到的命令相同處理，並將狀態置位為 REDIS_REPL_ONLINE。
  

整個複製過程完成，流程如下圖所示：

從上面的流程可以看出，Slave從庫在連接Master主庫時，Master會進行記憶體快照，然後把整個快照文件發給Slave，也就是沒有象MySQL那樣有複製位置的概念，即無增量複製，這會給整個集群搭建帶來非常多的問題。

比如一臺線上正在運行的Master主庫配置了一臺從庫進行簡單讀寫分離，這時Slave由於網路或者其它原因與Master斷開了連接，那麼當Slave進行重新連接時，需要重新獲取整個Master的記憶體快照，Slave所有數據跟著全部清除，然後重新建立整個記憶體表，一方面Slave恢復的時間會非常慢，另一方面也會給主庫帶來壓力。

所以基於上述原因，如果你的Redis集群需要主從複製，那麼最好事先配置好所有的從庫，避免中途再去增加從庫。

在我們分析過了Redis的複製與持久化功能後，我們不難得出一個結論，實際上Redis目前發佈的版本還都是一個單機版的思路，主要的問題集中在，持久化方式不夠成熟，複製機制存在比較大的缺陷，這時我們又開始重新思考Redis的定位：Cache還是Storage？

如果作為Cache的話，似乎除了有些非常特殊的業務場景，必須要使用Redis的某種數據結構之外，我們使用Memcached可能更合適，畢竟Memcached無論客戶端包和伺服器本身更久經考驗。

如果是作為存儲Storage的話，我們面臨的最大的問題是無論是持久化還是複製都沒有辦法解決Redis單點問題，即一臺Redis掛掉了，沒有太好的辦法能夠快速的恢復，通常幾十G的持久化數據，Redis重啟載入需要幾個小時的時間，而複製又有缺陷，如何解決呢？

1. 主動複製避開Redis複製缺陷。

既然Redis的複製功能有缺陷，那麼我們不妨放棄Redis本身提供的複製功能，我們可以採用主動複製的方式來搭建我們的集群環境。

所謂主動複製是指由業務端或者通過代理中間件對Redis存儲的數據進行雙寫或多寫，通過數據的多份存儲來達到與複製相同的目的，主動複製不僅限於用在Redis集群上，目前很多公司採用主動複製的技術來解決mysql主從之間複製的延遲問題，比如Twitter還專門開發了用於複製和分區的中間件gizzard(https://github.com/twitter/gizzard) 。

主動複製雖然解決了被動複製的延遲問題，但也帶來了新的問題，就是數據的一致性問題，數據寫2次或多次，如何保證多份數據的一致性呢？如果你的應用對數據一致性要求不高，允許最終一致性的話，那麼通常簡單的解決方案是可以通過時間戳或者vector clock等方式，讓客戶端同時取到多份數據併進行校驗，如果你的應用對數據一致性要求非常高，那麼就需要引入一些複雜的一致性演算法比如Paxos來保證數據的一致性，但是寫入性能也會相應下降很多。

通過主動複製，數據多份存儲我們也就不再擔心Redis單點故障的問題了，如果一組Redis集群掛掉，我們可以讓業務快速切換到另一組Redis上，降低業務風險。

通過主動複製我們解決了Redis單點故障問題，那麼還有一個重要的問題需要解決：容量規劃與線上擴容問題。

我們前面分析過Redis的適用場景是全部數據存儲在記憶體中，而記憶體容量有限，那麼首先需要根據業務數據量進行初步的容量規劃，比如你的業務數據需要100G存儲空間，假設伺服器記憶體是48G，那麼根據上一篇我們討論的Redis磁碟IO的問題，我們大約需要3~4台伺服器來存儲。這個實際是對現有業務情況所做的一個容量規劃，假如業務增長很快，很快就會發現當前的容量已經不夠了，Redis裡面存儲的數據很快就會超過物理記憶體大小，那麼如何進行Redis的線上擴容呢？

Redis的作者提出了一種叫做presharding的方案來解決動態擴容和數據分區的問題，實際就是在同一臺機器上部署多個Redis實例的方式，當容量不夠時將多個實例拆分到不同的機器上，這樣實際就達到了擴容的效果。

拆分過程如下：

在新機器上啟動好對應埠的Redis實例。
• 配置新埠為待遷移埠的從庫。
• 待複製完成，與主庫完成同步後，切換所有客戶端配置到新的從庫的埠。
• 配置從庫為新的主庫。
• 移除老的埠實例。
• 重覆上述過程遷移好所有的埠到指定伺服器上。
  

以上拆分流程是Redis作者提出的一個平滑遷移的過程，不過該拆分方法還是很依賴Redis本身的複製功能的，如果主庫快照數據文件過大，這個複製的過程也會很久，同時會給主庫帶來壓力。所以做這個拆分的過程最好選擇為業務訪問低峰時段進行。

我們線上的系統使用了我們自己改進版的Redis,主要解決了Redis沒有增量複製的缺陷，能夠完成類似Mysql Binlog那樣可以通過從庫請求日誌位置進行增量複製。

我們的持久化方案是首先寫Redis的AOF文件，並對這個AOF文件按文件大小進行自動分割滾動，同時關閉Redis的Rewrite命令，然後會在業務低峰時間進行記憶體快照存儲，並把當前的AOF文件位置一起寫入到快照文件中，這樣我們可以使快照文件與AOF文件的位置保持一致性，這樣我們得到了系統某一時刻的記憶體快照，並且同時也能知道這一時刻對應的AOF文件的位置，那麼當從庫發送同步命令時，我們首先會把快照文件發送給從庫，然後從庫會取出該快照文件中存儲的AOF文件位置，並將該位置發給主庫，主庫會隨後發送該位置之後的所有命令，以後的複製就都是這個位置之後的增量信息了。

目前大部分互聯網公司使用MySQL作為數據的主要持久化存儲，那麼如何讓Redis與MySQL很好的結合在一起呢？我們主要使用了一種基於MySQL作為主庫，Redis作為高速數據查詢從庫的異構讀寫分離的方案。

為此我們專門開發了自己的MySQL複製工具，可以方便的實時同步MySQL中的數據到Redis上。

（MySQL-Redis 異構讀寫分離）

總結：

Redis的複製功能沒有增量複製，每次重連都會把主庫整個記憶體快照發給從庫，所以需要避免向線上服務的壓力較大的主庫上增加從庫。
• Redis的複製由於會使用快照持久化方式，所以如果你的Redis持久化方式選擇的是日誌追加方式(aof),那麼系統有可能在同一時刻既做aof日誌文件的同步刷寫磁碟，又做快照寫磁碟操作，這個時候Redis的響應能力會受到影響。所以如果選用aof持久化，則加從庫需要更加謹慎。
• 可以使用主動複製和presharding方法進行Redis集群搭建與線上擴容。
  

http://www.infoq.com/cn/articles/tq-redis-copy-build-scalable-cluster

[置頂] 基於redis分散式緩存實現

簡單說明下，寫此文章算是對自己近一段工作的總結，希望能對你有點幫助，同時也是自己的一點小積累。

一.為什麼選擇redis

在項目中使用redis做為緩存，還沒有使用memcache,考慮因素主要有兩點：

1.redis豐富的數據結構,其hash,list,set以及功能豐富的String的支持，對於實際項目中的使用有很大的幫忙。（可參考官網redis.io）

2.redis單點的性能也非常高效（利用項目中的數據測試優於memcache）.

基於以上考慮，因此選用了redis來做為緩存應用。

二.分散式緩存的架構設計

1.架構設計

由於redis是單點，項目中需要使用，必須自己實現分散式。基本架構圖如下所示：

2.分散式實現

通過key做一致性哈希，實現key對應redis結點的分佈。

一致性哈希的實現：

l        hash值計算：通過支持MD5與MurmurHash兩種計算方式，預設是採用MurmurHash，高效的hash計算。

l        一致性的實現：通過Java的TreeMap來模擬環狀結構，實現均勻分佈

3.client的選擇

對於jedis修改的主要是分區模塊的修改，使其支持了跟據BufferKey進行分區，跟據不同的redis結點信息，可以初始化不同的ShardInfo，同時也修改了JedisPool的底層實現，使其連接pool池支持跟據key,value的構造方法，跟據不同ShardInfos，創建不同的jedis連接客戶端，達到分區的效果，供應用層調用

4.模塊的說明

l        臟數據處理模塊，處理失敗執行的緩存操作。

l        屏蔽監控模塊，對於jedis操作的異常監控，當某結點出現異常可控制redis結點的切除等操作。

整個分散式模塊通過hornetq，來切除異常redis結點。對於新結點的增加，也可以通過reload方法實現增加。（此模塊對於新增結點也可以很方便實現）

對於以上分散式架構的實現滿足了項目的需求。另外使用中對於一些比較重要用途的緩存數據可以單獨設置一些redis結點，設定特定的優先順序。另外對於緩存介面的設計，也可以跟據需求，實現基本介面與一些特殊邏輯介面。對於cas相關操作，以及一些事物操作可以通過其watch機制來實現。（參考我以前寫的redis事物介紹）

以上是基於redis分散式架構的介紹！但是應用中讀寫都是在一起的。相關寫是在應用操作後flush或者update的，有一定的耦合。為了使讀寫分離，以及緩存模塊跟應用的耦合更小，考慮使用mysql binlog來刷新緩存。以下是基於binlog刷新可性行分析以及實現過程中需要註意的地方。

三.採用binlog架構刷新緩存可行性分析

1.Mysql日誌格式介紹可參考我以前的的介紹。

2.對於使用MIXED日誌格式，此日誌格式，記錄的是對應資料庫操作的SQL語句，採用此日誌方式存在的問題：

l        對於一些未任何更新操作的SQl語句，像條件不滿足，對應的sql也會記錄到binlog日誌中。

l        SQL語句記錄的未必包括所有的更新操作。

l        對於一些分散式資料庫，對於SQL中的where條件指定的是非均衡欄位，也許會存在多條SQL,跟設計有關！

基於以上考慮，採用MIXED的日誌格式進行binlog解析是行不通的。（官網給出的指示是failed statementsare not logged ，但不包括語法沒錯誤，更新條件不符合對應的SQL）

3.採用ROW日誌格式

對於此日誌格式，每行變化都有對應的記錄，此日誌格式，對於解析及採集數據都是非常方便的，也只有採用此日誌格式，才能基於binlog修改，做刷新緩存相關方案的設計。但是基於此日誌格式也存在一些問題：

l        需要考慮項目中是否有大量的批量的update操作，如果採用此日誌格式，批量操作每一行修改都會記錄一條日誌，大量的批量操作所產生的日誌量，以及所帶來的IO開銷是否可以接受。

通過以上分析，最終項目中還是考慮基於ROW日誌格式進行緩存刷新，還有一個問題需要考慮，在應用層DB進行了相應的update操作後，所產生的Binlog是會帶來一定的延遲，如果Binlog處理模塊正常運行，數據是的延遲會非常少，MS級別以內，對用戶體驗是沒有感知的，但是Binlog模塊是多點，異常，以及相應的延遲肯定會是存在的，這樣，緩存數據肯定會存在臟數據。

不過通過以上方案，數據能達到最終一致性，因此how to權衡，需要考慮。

 通過以上分析，是否採用Binlog來做緩存數據刷新相信大家有一個基本概念了

四.基於binlog刷新緩存的實現時註意的地方

1.如果是採用java做相關開發，可以使用開源的tungstenAPI

2.Binlog日誌解析是按照mysql 的master/slave同步流程來實現，即一個線程同步，一個線程解析。

3.設計是可分Binlog處理模塊以及緩存處理SqlEvent兩部分，其中Binlog處理解析好對應的SqlEvent，然後對應的緩存刷新處理SqlEvent,一個簡單的生產者-消費者模式。

4.對於多個Binlog處理模塊可以是單點，也可以是通過一些協同工具來管理，看需求。可以使用ZooKeeper等。

5.對於分散式緩存中的數據，對於Binlog來刷新的緩存數據會存在load數據的問題，為了減輕DB的額外壓力，flush操作可在get緩存數據處完成。看需求，如果讀寫完全分享的話此DB的額外壓力可以接收的話也可行。

6.對於緩存數據性一致性要求比較高的，可以通過版本號來控制，即在應用層引入一定的耦合，在DB操作時帶mark ，緩存刷新是也mark，另外get操作時比較雙版本號來達到數據的一致性。（此跟5談論的一定的聯繫，讀寫是否完全分離，以及相應一致性實現的一些方法）

五.一點心得

前前後後，對redis完成調研，以及相關的一些使用，分散式緩存的實現，基於binlog方式的修改等，接觸有一年多了，這段時間下來，學了很多，以上算是一點小記，這部分工作的一點小記。實現過程中存在更多的問題。

對於調研相關的一些工作，一定要做的仔細，相應的細節一定要瞭解透徹，否則也許一此小問題會導致整個方案的不可行，甚至更大的的問題。連鎖反應！

接下來有時間會寫一篇關於BloomFilter的的文章 ，以及D-Left_BloomFilter，在此說明，只為自己有更大的動力去完成它。項目中實現了D-Left_BloomFilter，但在網上沒有相關實現，在對其優化後，會在博文上做一些小小的記錄。

以上如果有什麼不對的地方請指正，有什麼相關問題也可以跟我聯繫，可以一起交流學習！