文章
时间轴
标签
音乐室
友人帐
一刻时光
清单
留言板
相册
算法海洋
关于
Slcpの童话镇 🏰
写文章
Redis高级
原创
Redis
缓存
数据库
发布日期:
2020年07月31日
文章字数:
5.1k
阅读次数:
7238
阅读时长:
0小时0分0秒
## 1.数据删除与淘汰策略 ### 1.1 过期数据 #### **1.1.1 Redis中的数据特征** Redis是一种内存级数据库，所广播好久没拿v有数据均存放在内存中，内存中的数据可以通过TTL指令获取其状态 TTL返回的值有三种情况：正数，-1，-2 - **正数**：代表该数据在内存中还能存活的时间 - **-1**：永久有效的数据 - **2** ：已经过期的数据 或被删除的数据 或 未定义的数据 **删除策略就是针对已过期数据的处理策略**，已过期的数据是真的就立即删除了吗？其实也不是，我们会有多种删除策略，是分情况的，在不同的场景下使用不同的删除方式会有不同效果，这也正是我们要将的数据的删除策略的问题 #### 1.1.2 时效性数据的存储结构 在Redis中，如何给数据设置它的失效周期呢？数据的时效在redis中如何存储呢？看下图：  过期数据是一块独立的存储空间，Hash结构，field是内存地址，value是过期时间，保存了所有key的过期描述，在最终进行过期处理的时候，对该空间的数据进行检测， 当时间到期之后通过field找到内存该地址处的数据，然后进行相关操作。 ### 1.2 数据删除策略 #### 1.2.1 数据删除策略的目标 在内存占用与CPU占用之间寻找一种平衡，顾此失彼都会造成整体redis性能的下降，甚至引发服务器宕机或 内存泄露 针对过期数据要进行删除的时候都有哪些删除策略呢？ - 1.定时删除 - 2.惰性删除 - 3.定期删除 #### 1.2.2 定时删除 创建一个定时器，当key设置有过期时间，且过期时间到达时，由定时器任务立即执行对键的删除操作 - **优点**：节约内存，到时就删除，快速释放掉不必要的内存占用 - **缺点**：CPU压力很大，无论CPU此时负载量多高，均占用CPU，会影响redis服务器响应时间和指令吞吐量 - **总结**：用处理器性能换取存储空间（拿时间换空间）  #### 1.2.3 惰性删除 数据到达过期时间，不做处理。等下次访问该数据时，我们需要判断 1. 如果未过期，返回数据 2. 发现已过期，删除，返回不存在 - **优点**：节约CPU性能，发现必须删除的时候才删除 - **缺点**：内存压力很大，出现长期占用内存的数据 - **总结**：用存储空间换取处理器性能（拿时间换空间）  #### 1.2.4 定期删除 定时删除和惰性删除这两种方案都是走的极端，那有没有折中方案？ 我们来讲redis的定期删除方案： - Redis启动服务器初始化时，读取配置server.hz的值，默认为10 - 每秒钟执行server.hz次**serverCron()**-------->**databasesCron()**--------->**activeExpireCycle()** - **activeExpireCycle()**对每个expires[*]逐一进行检测，每次执行耗时：250ms/server.hz - 对某个expires[*]检测时，随机挑选W个key检测 ```markdown 如果key超时，删除key 如果一轮中删除的key的数量>W*25%，循环该过程 如果一轮中删除的key的数量≤W*25%，检查下一个expires[*]，0-15循环 W取值=ACTIVE_EXPIRE_CYCLE_LOOKUPS_PER_LOOP属性值 ``` - 参数current_db用于记录**activeExpireCycle()** 进入哪个expires[*] 执行 - 如果activeExpireCycle()执行时间到期，下次从current_db继续向下执行  总的来说：定期删除就是周期性轮询redis库中的时效性数据，采用随机抽取的策略，利用过期数据占比的方式控制删除频度 - **特点1**：CPU性能占用设置有峰值，检测频度可自定义设置 - **特点2**：内存压力不是很大，长期占用内存的冷数据会被持续清理 - **总结**：周期性抽查存储空间（随机抽查，重点抽查） #### 1.2.5 删除策略对比 1：定时删除： ```markdown 节约内存，无占用, 不分时段占用CPU资源，频度高, 拿时间换空间 ``` 2：惰性删除： ```markdown 内存占用严重 延时执行，CPU利用率高 拿空间换时间 ``` 3：定期删除： ```markdown 内存定期随机清理 每秒花费固定的CPU资源维护内存 随机抽查，重点抽查 ``` ### 1.3 数据淘汰策略（逐出算法） #### 1.3.1 淘汰策略概述 什么叫数据淘汰策略？什么样的应用场景需要用到数据淘汰策略？ 当新数据进入redis时，如果内存不足怎么办？在执行每一个命令前，会调用**freeMemoryIfNeeded()**检测内存是否充足。如果内存不满足新 加入数据的最低存储要求，redis要临时删除一些数据为当前指令清理存储空间。清理数据的策略称为逐出算法。 注意：逐出数据的过程不是100%能够清理出足够的可使用的内存空间，如果不成功则反复执行。当对所有数据尝试完毕， 如不能达到内存清理的要求，将出现错误信息如下 ```shell (error) OOM command not allowed when used memory >'maxmemory' ``` #### 1.3.2 策略配置 影响数据淘汰的相关配置如下： 1：最大可使用内存，即占用物理内存的比例，默认值为0，表示不限制。生产环境中根据需求设定，通常设置在50%以上 ```properties maxmemory ?mb ``` 2：每次选取待删除数据的个数，采用随机获取数据的方式作为待检测删除数据 ```properties maxmemory-samples count ``` 3：对数据进行删除的选择策略 ```properties maxmemory-policy policy ``` 那数据删除的策略policy到底有几种呢？一共是**3类8种** **第一类**：检测易失数据（可能会过期的数据集server.db[i].expires ） ```properties volatile-lru：挑选最近最少使用的数据淘汰 volatile-lfu：挑选最近使用次数最少的数据淘汰 volatile-ttl：挑选将要过期的数据淘汰 volatile-random：任意选择数据淘汰 ```  **第二类**：检测全库数据（所有数据集server.db[i].dict ） ```properties allkeys-lru：挑选最近最少使用的数据淘汰 allkeLyRs-lfu：：挑选最近使用次数最少的数据淘汰 allkeys-random：任意选择数据淘汰，相当于随机 ``` **第三类**：放弃数据驱逐 ```properties no-enviction（驱逐）：禁止驱逐数据(redis4.0中默认策略)，会引发OOM(Out Of Memory) ``` 注意：这些策略是配置到哪个属性上？怎么配置？如下所示 ```properties maxmemory-policy volatile-lru ``` **数据淘汰策略配置依据** 使用INFO命令输出监控信息，查询缓存 hit 和 miss 的次数，根据业务需求调优Redis配置 ## 2.主从复制 ### 2.1 主从复制简介 #### 2.1.1 高可用 首先我们要理解互联网应用因为其独有的特性我们演化出的**三高**架构 - 高并发 > 应用要提供某一业务要能支持很多客户端同时访问的能力，我们称为并发，高并发意思就很明确了 - 高性能 >性能带给我们最直观的感受就是：速度快，时间短 - 高可用 **可用性**：一年中应用服务正常运行的时间占全年时间的百分比，如下图：表示了应用服务在全年宕机的时间  我们把这些时间加在一起就是全年应用服务不可用的时间，然后我们可以得到应用服务全年可用的时间 >4小时27分15秒+11分36秒+2分16秒=4小时41分7秒=16867秒 > >1年=365*24*60*60=31536000秒 > >可用性=（31536000-16867）/31536000*100%=99.9465151% 业界可用性目标**5个9，即99.999%**，即服务器年宕机时长低于315秒，约5.25分钟 #### 2.1.2 主从复制概念 知道了三高的概念之后，我们想：你的“Redis”是否高可用？那我们要来分析单机redis的风险与问题 问题1.机器故障 - 现象：硬盘故障、系统崩溃 - 本质：数据丢失，很可能对业务造成灾难性打击 - 结论：基本上会放弃使用redis. 问题2.容量瓶颈 - 现象：内存不足，从16G升级到64G，从64G升级到128G，无限升级内存 - 本质：穷，硬件条件跟不上 - 结论：放弃使用redis 结论： 为了避免单点Redis服务器故障，准备多台服务器，互相连通。将数据复制多个副本保存在不同的服务器上，连接在一起，并保证数据是同步的。即使有其中一台服务器宕机，其他服务器依然可以继续提供服务，实现Redis的高可用，同时实现数据冗余备份。 多台服务器连接方案：  - 提供数据方：**master** 主服务器，主节点，主库主客户端 - 接收数据方：**slave** 从服务器，从节点，从库 从客户端 - 需要解决的问题： 数据同步（master的数据复制到slave中） 这里我们可以来解释主从复制的概念： **概念：主从复制即将master中的数据即时、有效的复制到slave中** **特征**：一个master可以拥有多个slave，一个slave只对应一个master **职责**：master和slave各自的职责不一样 master: ```markdown 写数据 执行写操作时，将出现变化的数据自动同步到slave 读数据（可忽略） ``` slave: ```markdown 读数据 写数据（禁止） ``` #### 2.1.3 主从复制的作用 - 读写分离：master写、slave读，提高服务器的读写负载能力 - 负载均衡：基于主从结构，配合读写分离，由slave分担master负载，并根据需求的变化，改变slave的数 量，通过多个从节点分担数据读取负载，大大提高Redis服务器并发量与数据吞吐量 - 故障恢复：当master出现问题时，由slave提供服务，实现快速的故障恢复 - 数据冗余：实现数据热备份，是持久化之外的一种数据冗余方式 - 高可用基石：基于主从复制，构建哨兵模式与集群，实现Redis的高可用方案 ### 2.2 主从复制工作流程 主从复制过程大体可以分为3个阶段 - 建立连接阶段（即准备阶段） - 数据同步阶段 - 命令传播阶段（反复同步）  而命令的传播其实有4种，分别如下：  #### 2.2.1 主从复制的工作流程（三个阶段） ##### 2.2.1.1 阶段一：建立连接 建立slave到master的连接，使master能够识别slave，并保存slave端口号 流程如下： 1. 步骤1：设置master的地址和端口，保存master信息 2. 步骤2：建立socket连接 3. 步骤3：发送ping命令（定时器任务） 4. 步骤4：身份验证 5. 步骤5：发送slave端口信息 至此，主从连接成功！ 当前状态： slave：保存master的地址与端口 master：保存slave的端口 总体：之间创建了连接的socket  **master和slave互联** ```properties sed "s//g" 来源 > 目标 sed "s/6501/6502/g" redis-6501.conf > redis-6502.conf ``` 接下来就要通过某种方式将master和slave连接到一起 方式一：客户端发送命令 ```properties slaveof masterip masterport ``` 方式二：启动服务器参数 ```properties redis-server --slaveof masterip masterport ``` 方式三：服务器配置（**主流方式**） ```properties slaveof masterip masterport ``` slave系统信息 ```properties master_link_down_since_seconds masterhost & masterport ``` master系统信息 ```properties uslave_listening_port(多个) ``` **主从断开连接** 断开slave与master的连接，slave断开连接后，不会删除已有数据，只是不再接受master发送的数据 ```properties slaveof no one ``` **授权访问** master客户端发送命令设置密码 ```properties requirepass password ``` master配置文件设置密码 ```properties config set requirepass password config get requirepass ``` slave客户端发送命令设置密码 ```properties auth password ``` slave配置文件设置密码 ```properties masterauth password ``` slave启动服务器设置密码 ```properties redis-server –a password ``` ##### 2.2.1.2 阶段二：数据同步 - 在slave初次连接master后，复制master中的所有数据到slave - 将slave的数据库状态更新成master当前的数据库状态 同步过程如下： 1. 步骤1：请求同步数据 2. 步骤2：创建RDB同步数据 3. 步骤3：恢复RDB同步数据 4. 步骤4：请求部分同步数据 5. 步骤5：恢复部分同步数据 至此，数据同步工作完成！ 当前状态： slave：具有master端全部数据，包含RDB过程接收的数据 master：保存slave当前数据同步的位置 总体：之间完成了数据克隆  **数据同步阶段master说明** 1：如果master数据量巨大，数据同步阶段应避开流量高峰期，避免造成master阻塞，影响业务正常执行 2：复制缓冲区大小设定不合理，会导致数据溢出。如进行全量复制周期太长，进行部分复制时发现数据已经存在丢失的情况，必须进行第二次全量复制，致使slave陷入死循环状态。 ```properties repl-backlog-size ?mb ``` 3. master单机内存占用主机内存的比例不应过大，建议使用50%-70%的内存，留下30%-50%的内存用于执 行bgsave命令和创建复制缓冲区  **数据同步阶段slave说明** 1. 为避免slave进行全量复制、部分复制时服务器响应阻塞或数据不同步，建议关闭此期间的对外服务 ```properties slave-serve-stale-data yes|no ``` 2. 数据同步阶段，master发送给slave信息可以理解master是slave的一个客户端，主动向slave发送命令 3. 多个slave同时对master请求数据同步，master发送的RDB文件增多，会对带宽造成巨大冲击，如果master带宽不足，因此数据同步需要根据业务需求，适量错峰 4. slave过多时，建议调整拓扑结构，由一主多从结构变为树状结构，中间的节点既是master，也是 slave。注意使用树状结构时，由于层级深度，导致深度越高的slave与最顶层master间数据同步延迟 较大，数据一致性变差，应谨慎选择 ##### 2.2.1.3 阶段三：命令传播 - 当master数据库状态被修改后，导致主从服务器数据库状态不一致，此时需要让主从数据同步到一致的状态，同步的动作称为命令传播 - master将接收到的数据变更命令发送给slave，slave接收命令后执行命令 **命令传播阶段的部分复制** 命令传播阶段出现了断网现象： 网络闪断闪连：忽略 短时间网络中断：部分复制 长时间网络中断：全量复制 这里我们主要来看部分复制，部分复制的三个核心要素 1. 服务器的运行 id（run id） 2. 主服务器的复制积压缓冲区 3. 主从服务器的复制偏移量 - 服务器运行ID（runid） 启动一次改一次。 ```markdown 概念：服务器运行ID是每一台服务器每次运行的身份识别码，一台服务器多次运行可以生成多个运行id 组成：运行id由40位字符组成，是一个随机的十六进制字符 例如：fdc9ff13b9bbaab28db42b3d50f852bb5e3fcdce 作用：运行id被用于在服务器间进行传输，识别身份 如果想两次操作均对同一台服务器进行，必须每次操作携带对应的运行id，用于对方识别 实现方式：运行id在每台服务器启动时自动生成的，master在首次连接slave时，会将自己的运行ID发送给slave， slave保存此ID，通过info Server命令，可以查看节点的runid ``` - 复制缓冲区 ```markdown 概念：复制缓冲区，又名复制积压缓冲区，是一个先进先出（FIFO）的队列，用于存储服务器执行过的命令，每次传播命令，master都会将传播的命令记录下来，并存储在复制缓冲区 复制缓冲区默认数据存储空间大小是1M 当入队元素的数量大于队列长度时，最先入队的元素会被弹出，而新元素会被放入队列 作用：用于保存master收到的所有指令（仅影响数据变更的指令，例如set，select） 数据来源：当master接收到主客户端的指令时，除了将指令执行，会将该指令存储到缓冲区中 ```  复制缓冲区内部工作原理： 组成 - 偏移量 >概念：一个数字，描述复制缓冲区中的指令字节位置 > >分类： > >- master复制偏移量：记录发送给所有slave的指令字节对应的位置（多个） >- slave复制偏移量：记录slave接收master发送过来的指令字节对应的位置（一个） > >作用：同步信息，比对master与slave的差异，当slave断线后，恢复数据使用 > >数据来源： > >- master端：发送一次记录一次 >- slave端：接收一次记录一次 - 字节值 工作原理 - 通过offset区分不同的slave当前数据传播的差异 - master记录已发送的信息对应的offset - slave记录已接收的信息对应的offset  #### 2.2.2 流程更新(全量复制/部分复制) 我们再次的总结一下主从复制的三个阶段的工作流程：  #### 2.2.3 心跳机制 什么是心跳机制？ 进入命令传播阶段候，master与slave间需要进行信息交换，使用心跳机制进行维护，实现双方连接保持在线 master心跳： - 内部指令：PING - 周期：由repl-ping-slave-period决定，默认10秒 - 作用：判断slave是否在线 - 查询：INFO replication 获取slave最后一次连接时间间隔，lag项维持在0或1视为正常 slave心跳任务 - 内部指令：REPLCONF ACK {offset} - 周期：1秒 - 作用1：汇报slave自己的复制偏移量，获取最新的数据变更指令 - 作用2：判断master是否在线 心跳阶段注意事项： - 当slave多数掉线，或延迟过高时，master为保障数据稳定性，将拒绝所有信息同步 ```properties min-slaves-to-write 2 min-slaves-max-lag 8 ``` slave数量少于2个，或者所有slave的延迟都大于等于8秒时，强制关闭master写功能，停止数据同步 - slave数量由slave发送REPLCONF ACK命令做确认 - slave延迟由slave发送REPLCONF ACK命令做确认 至此：我们可以总结出完整的主从复制流程：  ### 2.3 主从复制常见问题 #### 2.3.1 频繁的全量复制 - 伴随着系统的运行，master的数据量会越来越大，一旦master重启，runid将发生变化，会导致全部slave的全量复制操作 内部优化调整方案： 1：master内部创建master_replid变量，使用runid相同的策略生成，长度41位，并发送给所有slave 2：在master关闭时执行命令shutdown save，进行RDB持久化,将runid与offset保存到RDB文件中 ```markdown repl-id repl-offset 通过redis-check-rdb命令可以查看该信息 ``` 3：master重启后加载RDB文件，恢复数据，重启后，将RDB文件中保存的repl-id与repl-offset加载到内存中 ```markdown master_repl_id=repl master_repl_offset =repl-offset 通过info命令可以查看该信息 ``` 作用：本机保存上次runid，重启后恢复该值，使所有slave认为还是之前的master - 第二种出现频繁全量复制的问题现象：网络环境不佳，出现网络中断，slave不提供服务 问题原因：复制缓冲区过小，断网后slave的offset越界，触发全量复制 最终结果：slave反复进行全量复制 解决方案：修改复制缓冲区大小 ```properties repl-backlog-size ?mb ``` 建议设置如下： 1.测算从master到slave的重连平均时长second 2.获取master平均每秒产生写命令数据总量write_size_per_second 3.最优复制缓冲区空间 = 2 * second * write_size_per_second #### 2.3.2 频繁的网络中断 - 问题现象：master的CPU占用过高 或 slave频繁断开连接 问题原因 ```markdown slave每1秒发送REPLCONFACK命令到master 当slave接到了慢查询时（keys * ，hgetall等），会大量占用CPU性能 master每1秒调用复制定时函数replicationCron()，比对slave发现长时间没有进行响应 ``` 最终结果：master各种资源（输出缓冲区、带宽、连接等）被严重占用 解决方案：通过设置合理的超时时间，确认是否释放slave ```properties repl-timeout seconds ``` 该参数定义了超时时间的阈值（默认60秒），超过该值，释放slave - 问题现象：slave与master连接断开 问题原因 ```markdown master发送ping指令频度较低 master设定超时时间较短 ping指令在网络中存在丢包 ``` 解决方案：提高ping指令发送的频度 ```properties repl-ping-slave-period seconds ``` 超时时间repl-time的时间至少是ping指令频度的5到10倍，否则slave很容易判定超时 #### 2.3.3 数据不一致 问题现象：多个slave获取相同数据不同步 问题原因：网络信息不同步，数据发送有延迟 解决方案 ```markdown 优化主从间的网络环境，通常放置在同一个机房部署，如使用阿里云等云服务器时要注意此现象 监控主从节点延迟（通过offset）判断，如果slave延迟过大，暂时屏蔽程序对该slave的数据访问 ``` ```properties slave-serve-stale-data yes|no ``` 开启后仅响应info、slaveof等少数命令（慎用，除非对数据一致性要求很高） ## 3.哨兵模式 ### 3.1 哨兵简介 #### 3.1.1 哨兵概念 首先我们来看一个业务场景：如果redis的master宕机了，此时应该怎么办？  那此时我们可能需要从一堆的slave中重新选举出一个新的master，那这个操作过程是什么样的呢？这里面会有什么问题出现呢？  要实现这些功能，我们就需要redis的哨兵，那哨兵是什么呢？ **哨兵** 哨兵(sentinel) 是一个分布式系统，用于对主从结构中的每台服务器进行**监控**，当出现故障时通过**投票**机制**选择**新的master并将所有slave连接到新的master。  #### 3.1.2 哨兵作用 哨兵的作用： - 监控：监控master和slave 不断的检查master和slave是否正常运行 master存活检测、master与slave运行情况检测 - 通知（提醒）：当被监控的服务器出现问题时，向其他（哨兵间，客户端）发送通知 - 自动故障转移：断开master与slave连接，选取一个slave作为master，将其他slave连接新的master，并告知客户端新的服务器地址 注意：哨兵也是一台redis服务器，只是不提供数据相关服务，通常哨兵的数量配置为单数 ### 3.2 启用哨兵 配置哨兵 - 配置一拖二的主从结构（利用之前的方式启动即可） - 配置三个哨兵（配置相同，端口不同），参看sentinel.conf 1：设置哨兵监听的主服务器信息， sentinel_number表示参与投票的哨兵数量 ```properties sentinel monitor master_name master_host master_port sentinel_number ``` 2：设置判定服务器宕机时长，该设置控制是否进行主从切换 ```properties sentinel down-after-milliseconds master_name million_seconds ``` 3：设置故障切换的最大超时时 ```properties sentinel failover-timeout master_name million_seconds ``` 4：设置主从切换后，同时进行数据同步的slave数量，数值越大，要求网络资源越高，数值越小，同步时间越长 ```properties sentinel parallel-syncs master_name sync_slave_number ``` - 启动哨兵 ```properties redis-sentinel filename ``` ### 3.3 哨兵工作原理 哨兵在进行主从切换过程中经历三个阶段 - 监控 - 通知 - 故障转移 #### 3.3.1 监控 用于同步各个节点的状态信息  - 获取各个sentinel的状态（是否在线） - 获取master的状态 ```markdown master属性 prunid prole：master 各个slave的详细信息 ``` - 获取所有slave的状态（根据master中的slave信息） ```markdown slave属性 prunid prole：slave pmaster_host、master_port poffset ``` 其内部的工作原理具体如下：  #### 3.3.2 通知 sentinel在通知阶段要不断的去获取master/slave的信息，然后在各个sentinel之间进行共享，具体的流程如下：  #### 3.3.3 故障转移 当master宕机后sentinel是如何知晓并判断出master是真的宕机了呢？我们来看具体的操作流程  当sentinel认定master下线之后，此时需要决定更换master，那这件事由哪个sentinel来做呢？这时候sentinel之间要进行选举，如下图所示：  在选举的时候每一个人手里都有一票，而每一个人的又都想当这个处理事故的人，那怎么办？大家就开始抢，于是每个人都会发出一个指令，在内网里边告诉大家我要当选举人，比如说现在的sentinel1和sentinel4发出这个选举指令了，那么sentinel2既能接到sentinel1的也能接到sentinel4的，接到了他们的申请以后呢，sentinel2他就会把他的一票投给其中一方，投给谁呢？谁先过来我投给谁，假设sentinel1先过来，所以这个票就给到了sentinel1。那么给过去以后呢，现在sentinel1就拿到了一票，按照这样的一种形式，最终会有一个选举结果。对应的选举最终得票多的，那自然就成为了处理事故的人。需要注意在这个过程中有可能会存在失败的现象，就是一轮选举完没有选取，那就会接着进行第二轮第三轮直到完成选举。 接下来就是由选举胜出的sentinel去从slave中选一个新的master出来的工作，这个流程是什么样的呢？ 首先它有一个在服务器列表中挑选备选master的原则 - 不在线的OUT - 响应慢的OUT - 与原master断开时间久的OUT - 优先原则 优先级 offset runid 选出新的master之后，发送指令（ sentinel ）给其他的slave： - 向新的master发送slaveof no one - 向其他slave发送slaveof 新masterIP端口 **总结**：故障转移阶段 1. 发现问题，主观下线与客观下线 2. 竞选负责人 3. 优选新master 4. 新master上任，其他slave切换master，原master作为slave故障恢复后连接 ## 4.集群cluster 现状问题：业务发展过程中遇到的峰值瓶颈 - redis提供的服务OPS可以达到10万/秒，当前业务OPS已经达到10万/秒 - 内存单机容量达到256G，当前业务需求内存容量1T - 使用集群的方式可以快速解决上述问题 ### 4.1 集群简介 集群就是使用网络将若干台计算机联通起来，并提供统一的管理方式，使其对外呈现单机的服务效果  **集群作用：** - 分散单台服务器的访问压力，实现负载均衡 - 分散单台服务器的存储压力，实现可扩展性 - 降低单台服务器宕机带来的业务灾难  ### 4.2 Cluster集群结构设计 **数据存储设计：** 1. 通过算法设计，计算出key应该保存的位置 2. 将所有的存储空间计划切割成16384份，每台主机保存一部分 注意：每份代表的是一个存储空间，不是一个key的保存空间 3. 将key按照计算出的结果放到对应的存储空间  那redis的集群是如何增强可扩展性的呢？譬如我们要增加一个集群节点  当我们查找数据时，集群是如何操作的呢？ - 各个数据库相互通信，保存各个库中槽的编号数据 - 一次命中，直接返回 - 一次未命中，告知具体位置  ### 4.3 Cluster集群结构搭建 首先要明确的几个要点： - 配置服务器（3主3从） - 建立通信（Meet） - 分槽（Slot） - 搭建主从（master-slave） **Cluster配置** - 是否启用cluster，加入cluster节点 ```properties cluster-enabled yes|no ``` - cluster配置文件名，该文件属于自动生成，仅用于快速查找文件并查询文件内容 ```properties cluster-config-file filename ``` - 节点服务响应超时时间，用于判定该节点是否下线或切换为从节点 ```properties cluster-node-timeout milliseconds ``` - master连接的slave最小数量 ```properties cluster-migration-barrier min_slave_number ``` **Cluster节点操作命令** - 查看集群节点信息 ```properties cluster nodes ``` - 更改slave指向新的master ```properties cluster replicate master-id ``` - 发现一个新节点，新增master ```properties cluster meet ip:port ``` - 忽略一个没有solt的节点 ```properties cluster forget server_id ``` - 手动故障转移 ```properties cluster failover ``` **集群操作命令：** - 创建集群 ```properties redis-cli –-cluster create masterhost1:masterport1 masterhost2:masterport2 masterhost3:masterport3 [masterhostn:masterportn …] slavehost1:slaveport1 slavehost2:slaveport2 slavehost3:slaveport3 -–cluster-replicas n ``` 注意：master与slave的数量要匹配，一个master对应n个slave，由最后的参数n决定 master与slave的匹配顺序为第一个master与前n个slave分为一组，形成主从结构 - 添加master到当前集群中，连接时可以指定任意现有节点地址与端口 ```properties redis-cli --cluster add-node new-master-host:new-master-port now-host:now-port ``` - 添加slave ```properties redis-cli --cluster add-node new-slave-host:new-slave-port master-host:master-port --cluster-slave --cluster-master-id masterid ``` - 删除节点，如果删除的节点是master，必须保障其中没有槽slot ```properties redis-cli --cluster del-node del-slave-host:del-slave-port del-slave-id ``` - 重新分槽，分槽是从具有槽的master中划分一部分给其他master，过程中不创建新的槽 ```properties redis-cli --cluster reshard new-master-host:new-master:port --cluster-from src- master-id1, src-master-id2, src-master-idn --cluster-to target-master-id -- cluster-slots slots ``` 注意：将需要参与分槽的所有masterid不分先后顺序添加到参数中，使用，分隔 指定目标得到的槽的数量，所有的槽将平均从每个来源的master处获取 - 重新分配槽，从具有槽的master中分配指定数量的槽到另一个master中，常用于清空指定master中的槽 ```properties redis-cli --cluster reshard src-master-host:src-master-port --cluster-from src- master-id --cluster-to target-master-id --cluster-slots slots --cluster-yes ``` ## 5.企业级解决方案 ### 5.1 缓存预热 **场景**：“宕机” 服务器启动后迅速宕机 **问题排查**： 1.请求数量较高，大量的请求过来之后都需要去从缓存中获取数据，但是缓存中又没有，此时从数据库中查找数据然后将数据再存入缓存，造成了短期内对redis的高强度操作从而导致问题 2.主从之间数据吞吐量较大，数据同步操作频度较高 **解决方案：** - 前置准备工作： 1.日常例行统计数据访问记录，统计访问频度较高的热点数据 2.利用LRU数据删除策略，构建数据留存队列例如：storm与kafka配合 - 准备工作： 1.将统计结果中的数据分类，根据级别，redis优先加载级别较高的热点数据 2.利用分布式多服务器同时进行数据读取，提速数据加载过程 3.热点数据主从同时预热 - 实施： 4.使用脚本程序固定触发数据预热过程 5.如果条件允许，使用了CDN（内容分发网络），效果会更好 **总的来说**：缓存预热就是系统启动前，提前将相关的缓存数据直接加载到缓存系统。避免在用户请求的时候，先查询数据库，然后再将数据缓存的问题！用户直接查询事先被预热的缓存数据！ ### 5.2 缓存雪崩 **场景**：数据库服务器崩溃，一连串的场景会随之儿来 1.系统平稳运行过程中，忽然数据库连接量激增 2.应用服务器无法及时处理请求 3.大量408，500错误页面出现 4.客户反复刷新页面获取数据 5.数据库崩溃 6.应用服务器崩溃 7.重启应用服务器无效 8.Redis服务器崩溃 9.Redis集群崩溃 10.重启数据库后再次被瞬间流量放倒 **问题排查**： 1.在一个较短的时间内，缓存中较多的key集中过期 2.此周期内请求访问过期的数据，redis未命中，redis向数据库获取数据 3.数据库同时接收到大量的请求无法及时处理 4.Redis大量请求被积压，开始出现超时现象 5.数据库流量激增，数据库崩溃 6.重启后仍然面对缓存中无数据可用 7.Redis服务器资源被严重占用，Redis服务器崩溃 8.Redis集群呈现崩塌，集群瓦解 9.应用服务器无法及时得到数据响应请求，来自客户端的请求数量越来越多，应用服务器崩溃 10.应用服务器，redis，数据库全部重启，效果不理想 总而言之就两点：短时间范围内，大量key集中过期 **解决方案** - 思路： 1.更多的页面静态化处理 2.构建多级缓存架构 Nginx缓存+redis缓存+ehcache缓存 3.检测Mysql严重耗时业务进行优化 对数据库的瓶颈排查：例如超时查询、耗时较高事务等 4.灾难预警机制 监控redis服务器性能指标 CPU占用、CPU使用率 内存容量 查询平均响应时间 线程数 5.限流、降级 短时间范围内牺牲一些客户体验，限制一部分请求访问，降低应用服务器压力，待业务低速运转后再逐步放开访问 - 落地实践： 1.LRU与LFU切换 2.数据有效期策略调整 根据业务数据有效期进行分类错峰，A类90分钟，B类80分钟，C类70分钟 过期时间使用固定时间+随机值的形式，稀释集中到期的key的数量 3.超热数据使用永久key 4.定期维护（自动+人工） 对即将过期数据做访问量分析，确认是否延时，配合访问量统计，做热点数据的延时 5.加锁：慎用！ **总的来说**：缓存雪崩就是瞬间过期数据量太大，导致对数据库服务器造成压力。如能够有效避免过期时间集中，可以有效解决雪崩现象的 出现（约40%），配合其他策略一起使用，并监控服务器的运行数据，根据运行记录做快速调整。 ### 5.3 缓存击穿 **场景**：还是数据库服务器崩溃，但是跟之前的场景有点不太一样 1.系统平稳运行过程中 2.数据库连接量瞬间激增 3.Redis服务器无大量key过期 4.Redis内存平稳，无波动 5.Redis服务器CPU正常 6.数据库崩溃 **问题排查：** 1.Redis中某个key过期，该key访问量巨大 2.多个数据请求从服务器直接压到Redis后，均未命中 3.Redis在短时间内发起了大量对数据库中同一数据的访问 总而言之就两点：单个key高热数据，key过期 **解决方案**： 1.预先设定 以电商为例，每个商家根据店铺等级，指定若干款主打商品，在购物节期间，加大此类信息key的过期时长 注意：购物节不仅仅指当天，以及后续若干天，访问峰值呈现逐渐降低的趋势 2.现场调整 监控访问量，对自然流量激增的数据延长过期时间或设置为永久性key 3.后台刷新数据 启动定时任务，高峰期来临之前，刷新数据有效期，确保不丢失 4.二级缓存 设置不同的失效时间，保障不会被同时淘汰就行 5.加锁 分布式锁，防止被击穿，但是要注意也是性能瓶颈，慎重！ **总的来说**：缓存击穿就是单个高热数据过期的瞬间，数据访问量较大，未命中redis后，发起了大量对同一数据的数据库访问，导致对数 据库服务器造成压力。应对策略应该在业务数据分析与预防方面进行，配合运行监控测试与即时调整策略，毕竟单个key的过 期监控难度较高，配合雪崩处理策略即可。 ### 5.4 缓存穿透 **场景**：数据库服务器又崩溃了，跟之前的一样吗？ 1.系统平稳运行过程中 2.应用服务器流量随时间增量较大 3.Redis服务器命中率随时间逐步降低 4.Redis内存平稳，内存无压力 5.Redis服务器CPU占用激增 6.数据库服务器压力激增 7.数据库崩溃 **问题排查：** 1.Redis中大面积出现未命中 2.出现非正常URL访问 **问题分析**： - 获取的数据在数据库中也不存在，数据库查询未得到对应数据 - Redis获取到null数据未进行持久化，直接返回 - 下次此类数据到达重复上述过程 - 出现黑客攻击服务器 **解决方案**： 1.缓存null 对查询结果为null的数据进行缓存（长期使用，定期清理），设定短时限，例如30-60秒，最高5分钟 2.白名单策略 提前预热各种分类数据id对应的bitmaps，id作为bitmaps的offset，相当于设置了数据白名单。当加载正常数据时放行，加载异常数据时直接拦截（效率偏低） 使用布隆过滤器（有关布隆过滤器的命中问题对当前状况可以忽略） 2.实施监控 实时监控redis命中率（业务正常范围时，通常会有一个波动值）与null数据的占比 非活动时段波动：通常检测3-5倍，超过5倍纳入重点排查对象 活动时段波动：通常检测10-50倍，超过50倍纳入重点排查对象 根据倍数不同，启动不同的排查流程。然后使用黑名单进行防控（运营） 4.key加密 问题出现后，临时启动防灾业务key，对key进行业务层传输加密服务，设定校验程序，过来的key校验 例如每天随机分配60个加密串，挑选2到3个，混淆到页面数据id中，发现访问key不满足规则，驳回数据访问 **总的来说**：缓存击穿是指访问了不存在的数据，跳过了合法数据的redis数据缓存阶段，每次访问数据库，导致对数据库服务器造成压力。通常此类数据的出现量是一个较低的值，当出现此类情况以毒攻毒，并及时报警。应对策略应该在临时预案防范方面多做文章。 无论是黑名单还是白名单，都是对整体系统的压力，警报解除后尽快移除。 ### 5.5 性能指标监控 redis中的监控指标如下： - 性能指标：Performance >响应请求的平均时间: > >```properties >latency >``` > >平均每秒处理请求总数 > >```properties >instantaneous_ops_per_sec >``` > >缓存查询命中率（通过查询总次数与查询得到非nil数据总次数计算而来） > >```properties >hit_rate(calculated) > >``` - 内存指标：Memory >当前内存使用量 > >```properties >used_memory >``` > >内存碎片率（关系到是否进行碎片整理） > >```properties >mem_fragmentation_ratio >``` > >为避免内存溢出删除的key的总数量 > >```properties >evicted_keys >``` > >基于阻塞操作（BLPOP等）影响的客户端数量 > >```properties >blocked_clients >``` - 基本活动指标：Basic_activity >当前客户端连接总数 > >```properties >connected_clients >``` > >当前连接slave总数 > >```properties >connected_slaves >``` > >最后一次主从信息交换距现在的秒 > >```properties >master_last_io_seconds_ago >``` > >key的总数 > >```properties >keyspace >``` - 持久性指标：Persistence >当前服务器最后一次RDB持久化的时间 > >```properties >rdb_last_save_time >``` > >当前服务器最后一次RDB持久化后数据变化总量 > >```properties >rdb_changes_since_last_save >``` - 错误指标：Error >被拒绝连接的客户端总数（基于达到最大连接值的因素） > >```properties >rejected_connections >``` > >key未命中的总次数 > >```properties >keyspace_misses >``` > >主从断开的秒数 > >```properties >master_link_down_since_seconds >``` 要对redis的相关指标进行监控，我们可以采用一些用具： - CloudInsight Redis - Prometheus - Redis-stat - Redis-faina - RedisLive - zabbix 也有一些命令工具： - benchmark >测试当前服务器的并发性能 > >```properties >redis-benchmark [-h ] [-p ] [-c ] [-n <requests]> [-k ] >``` > >范例1：50个连接，10000次请求对应的性能 > >```properties >redis-benchmark >``` > >范例2：100个连接，5000次请求对应的性能 > >```properties >redis-benchmark -c 100 -n 5000 >``` > > - redis-cli monitor：启动服务器调试信息 >```properties >monitor >``` slowlog：慢日志 >获取慢查询日志 > >```properties >slowlog [operator] >``` > > get ：获取慢查询日志信息 > > len ：获取慢查询日志条目数 > > reset ：重置慢查询日志 > >相关配置 > >```properties >slowlog-log-slower-than 1000 #设置慢查询的时间下线，单位：微妙 >slowlog-max-len 100 #设置慢查询命令对应的日志显示长度，单位：命令数 >```
您阅读这篇文章共耗时:
0小时16分34秒
文章链接:
https://www.slcp.top/article/read/37
版权声明:
本博客所有文章除特別声明外，均采用
CC BY 4.0
许可协议。转载请注明来源
Slcp
!
转载文章以及部分引用均为自己整理记录学习而用，若有侵权，请联系删除。
Redis
缓存
评论
Valine
Gitalk
目录
搜索
首页
前进
后退
刷新
申请友链
在线联系