如何解決 Redis 資料傾斜、熱點等問題

Redis 作為一門主流技術，應用場景非常多，很多大中小廠面試都列為重點考察內容

前幾天有星球小夥伴學習時，遇到下面幾個問題，來諮詢 Tom哥

考慮到這些問題比較高頻，工作中經常會遇到，這裡寫篇文章系統講解下

問題描述：

Tom哥 回覆：

分散式快取作為效能加速器，在系統最佳化中承擔著非常重要的角色。相比本地快取，雖然增加了一次網路傳輸，大約佔用不到 1 毫秒外，但是卻有集中化管理的優勢，並支援非常大的儲存容量。

分散式快取領域，目前應用比較廣泛的要數 Redis 了，該框架是純記憶體儲存，單執行緒執行命令，擁有豐富的底層資料結構，支援多種維度的資料儲存和查詢。

當然，資料量一大，各種問題就出現了，比如：資料傾斜、資料熱點等

什麼是資料傾斜？

單臺機器的硬體配置有上限制約，一般我們會採用分散式架構將多臺機器組成一個叢集，下圖的叢集就是由三臺Redis單機組成。客戶端透過一定的路由策略，將讀寫請求轉發到具體的例項上。

由於業務資料特殊性，按照指定的分片規則，可能導致不同的例項上資料分佈不均勻，大量的資料集中到了一臺或者幾臺機器節點上計算，從而導致這些節點負載多大，而其他節點處於空閒等待中，導致最終整體效率低下。

資料傾斜有哪些原因呢？

1、存在大key

比如儲存一個或多個 String 型別的 bigKey 資料，記憶體佔用很大。

Tom哥之前排查過這種問題，有同事開發時為了省事，採用JSON格式，將多個業務資料合併到一個 value，只關聯一個key，導致了這個鍵值對容量達到了幾百M。

頻繁的大key讀寫，記憶體資源消耗比較重，同時給網路傳輸帶了極大的壓力，進而導致請求響應變慢，引發雪崩效應，最後系統各種超時報警。

解決方案：

辦法非常簡單，採用化整為零的策略，將一個bigKey拆分為多個小key，獨立維護，成本會降低很多。當然這個拆也講究些原則，既要考慮業務場景也要考慮訪問場景，將關聯緊密的放到一起。

比如：有個RPC介面內部對 Redis 有依賴，之前訪問一次就可以拿到全部資料，拆分將要控制單值的大小，也要控制訪問的次數，畢竟呼叫次數增多了，會拉大整體的介面響應時間。

浙江的政府機構都在提倡最佳化流程，最多跑一次，都是一個道理。

2、HashTag 使用不當

Redis 採用單執行緒執行命令，從而保證了原子性。當採用叢集部署後，為了解決mset、lua 指令碼等對多key 批次操作，為了保證不同的 key 能路由到同一個 Redis 例項上，引入了 HashTag 機制。

用法也很簡單，使用{}大括號，指定key只計算大括號內字串的雜湊，從而將不同key的健值對插入到同一個雜湊槽。

舉個例子：

192.168.0.1:6380> CLUSTER KEYSLOT testtag
(integer) 764
192.168.0.1:6380> CLUSTER KEYSLOT {testtag}
(integer) 764
192.168.0.1:6380> CLUSTER KEYSLOT mykey1{testtag}
(integer) 764
192.168.0.1:6380> CLUSTER KEYSLOT mykey2{testtag}
(integer) 764

check 下業務程式碼，有沒有引入HashTag，將太多的key路由到了一個例項。結合具體場景，考慮如何做下拆分。

就像 RocketMQ 一樣，很多時候只要能保證分割槽有序，就可以滿足我們的業務需求。具體實戰中，要找到這個平衡點，而不是為了解決問題而解決問題。

3、slot 槽位分配不均

如果採用 Redis Cluster 的部署方式，叢集中的資料庫被分為16384個槽（slot），資料庫中的每個健都屬於這16384個槽的其中一個，叢集中的每個節點可以處理的0個或最多16384個槽。

你可以手動做遷移，將一個比較大的 slot 遷移到稍微空閒的機器上，保證儲存和訪問的均勻性。

什麼是快取熱點？

快取熱點是指大部分甚至所有的業務請求都命中同一份快取資料，給快取伺服器帶來了巨大壓力，甚至超過了單機的承載上限，導致伺服器當機。

解決方案：

1、複製多份副本

我們可以在key的後面拼上有序編號，比如key#01、key#02。。。key#10多個副本，這些加工後的key位於多個快取節點上。

客戶端每次訪問時，只需要在原key的基礎上拼接一個分片數上限的隨機數，將請求路由不到的例項節點。

注意：快取一般都會設定過期時間，為了避免快取的集中失效，我們對快取的過期時間儘量不要一樣，可以在預設的基礎上增加一個隨機數。

至於資料路由的均勻性，這個由 Hash 演算法來保證。

2、本地記憶體快取

把熱點資料快取在客戶端的本地記憶體中，並且設定一個失效時間。對於每次讀請求，將首先檢查該資料是否存在於本地快取中，如果存在則直接返回，如果不存在再去訪問分散式快取的伺服器。

本地記憶體快取徹底“解放”了快取伺服器，不會對快取伺服器有任何壓力。

缺點：實時感知最新的快取資料有點麻煩，會產生資料不一致的情況。我們可以設定一個比較短的過期時間，採用被動更新。當然，也可以用監控機制，如果感知到資料已經發生了變化，及時更新本地快取。

Redis Cluster 為什麼不用一致性Hash?

Redis Cluster 叢集有16384個雜湊槽，每個key透過CRC16校驗後對16384取模來決定放置哪個槽。叢集的每個節點負責一部分hash槽，舉個例子，比如當前叢集有3個節點，那麼 node-1 包含 0 到 5460 號雜湊槽，node-2 包含 5461 到 10922 號雜湊槽，node-3包含 10922  到 16383 號雜湊槽。

一致性雜湊演算法是 1997年麻省理工學院的 Karger 等人提出了，為的就是解決分散式快取的問題。

一致性雜湊演算法本質上也是一種取模演算法，不同於按伺服器數量取模，一致性雜湊是對固定值 2^32 取模。

其取模的結果必然是在 [0, 2^32-1] 這個區間中的整數，從圓上對映的位置開始順時針方向找到的第一個節點即為儲存key的節點

一致性雜湊演算法大大緩解了擴容或者縮容導致的快取失效問題，隻影響本節點負責的那一小段key。如果叢集的機器不多，且平時單機的負載水位很高，某個節點當機帶來的壓力很容易引發雪崩效應。

舉個例子：

Redis 叢集 總共有4臺機器，假設資料分佈均衡，每臺機器承擔 四分之一的流量，如果某一臺機器突然掛了，順時針方向下一臺機器將要承擔這多出來的 四分之一 流量，最終要承擔 二分之一 的流量，還是有點恐怖。

但是如果採用 CRC16計算後，並結合槽位與例項的繫結關係，無論是擴容還是縮容，只需將相應節點的key做下資料平滑遷移，廣播儲存新的槽位對映關係，不會產生快取失效，靈活性很高。

另外，如果伺服器節點配置存在差異化，我們可以自定義分配不同節點負責的 slot 編號，調整不同節點的負載能力，非常方便。

當然可能有些小夥伴會好奇，Redis Cluster 為什麼是  16384 個槽位？可以看下 Tom哥 之前寫的一篇文章

https://mp.weixin.qq.com/s/gQ7Ibg9y3PlJUFM6z6McjA