by shihang.mai
1. redis单节点问题
1. 单点故障
2. 容量有限
3. 压力大(多连接)
2. AKF分析,解决redis单节点问题
主备:client只能访问主，master挂了，备机能接上
主从:client同时能访问主和从
akf分析
- 沿x轴，做redis实例全量镜像，1主多备,主做读写,备做读，实现读写分离。解决单点问题。
- 沿y轴，业务功能拆分。解决容量问题。
- 沿z轴，同一业务数据分散。解决压力问题。
通过AKF,一个redis变多个，会引入新的问题:数据一致性
2.1 X轴推导最终一致性
akf分析-x轴
如上图的"情况1"
强一致性，破坏可用性
当客户端set值时,set完主，所有节点阻塞直到数据同步一致，这样是强一致性。但当有一个从10分钟后才返回，客户端响应慢，破坏了可用性。引入1变多，就是因为解决单点，即解决可用性问题，而现在强一致性破坏可用性，方案不可取
如上图的"情况2"
丢失数据
既然情况1中强一致性会破坏可用性，那么我们就容忍丢失一部分数据。同步数据改为异步。当数据还没同步完成，主down了，那么从备为主后，数据就丢失了。
如上图的"情况3"
最终一致性
相对于情况2，可以保证数据不丢失。kafka不是唯一的实现方式，只要是可靠的，集群的，响应速度足够快。这样做数据不会丢失，也可以及时向客户端返回。
"情况3"看似很好，但是主还是单点。所以一般对主做HA(高可用)
高可用：主从切换
2.2 Sentinel推导
redis集群数奇数
- 当3个监控节点时，3个说没down，redis才没down.强一致性
- 因为会网络波动，可能会有些监控程序无法连接，我们让一步，一部分(n/2+1)给出结果即可。
- 当3个节点时，需要2个说redis没down，redis才没down.
- 当4个节点时，需要3个说redis没down，redis才没down.
3个和4个节点对比，都同样容许一个down,但是4台发生的风险比3台高.所以我们一般使用奇数台(n/2+1说没down，才没down).
- 可用性
3. 主从复制
“情况2”就是redis的主从复制模式
可以设置同步方式:
- 主redis，下一个rdb到磁盘,然后通过网络给从redis
- 主redis,直接不下rdb，直接通过网络发出rdb给从redis
3.1 Sentinel哨兵
看上面图的"监控"，哨兵是监控Master的。
每个哨兵只需配置监控那个master，但是每个哨兵最终是知道有其他的哨兵的。这是通过redis发布订阅功能,哨兵监听master中sentinel通道得知的。
以上利用Sentinel哨兵+主从复制，解决主单点问题,并且主挂掉后，也有从补上，但是容量问题未解决
4. 解决容量问题-在client端集成分发逻辑
解决容量问题，利用akf的y和z轴
akf-y轴-解决容量问题
4.1 方案1
逻辑:业务拆分，根据不同的业务分到不同的redis
用在数据可拆分的场景。
4.2 方案2
模式:modula模式
逻辑:hash+取模
它的弊端取模的数是固定的，影响分布式下的扩展性。
4.3 方案
模式: random
用在消息队列
4.4 方案
模式: ketama
逻辑:一致性哈希环,映射算法不仅限于hash,crc16,crc32,fnv,md5。环上一共有0-2^32点
一致性是指，当我新加入redis节点时，不需要做全量redis节点的重哈希，只会一部分数据缓存失效，对于大多数(数据-服务器)这个对应关系前后一致
- node1和node2通过映射算法，将redis映射到哈希环上作为物理点
- 现在来一个data放入redis，data也通过映射算法，映射到哈希环上
- 可以利用treeMap等等一个具有排序的数据结构，将redis映射的物理点放进去，然后用data映射出来的点去treeMap找，找出比自身大的点,可能处在多个这样的点，找离自己点最近的物理点，将data存进去就可以了
- 此时放入一个node3,会导致(key->node3)段中的数据找不到，而(node3->node2)段的没影响，原因如下:
before：另外一个key映射到(key->node3)段,此时并没有node3,所以把数据放入到了node2
after: 此时加入node3，还是这个key,它还是映射到(key->node3)段，那么它就会在node3查找，发现数
据找不到
4.4.1 优点
可以分担压力，不会造成全局洗牌（取模的方式会全部洗牌）
4.4.2 缺点
新增节点，会导致一小部分数据不能命中。正因如此，会有缓存击穿的问题，将压力压到mysql。可以用这样的方案解决:查的时候，查离自己最近的两个点，没得话再去mysql查
4.5 虚拟节点
如果只有两个node，为避免数据倾斜到某一个node上，可以将两个node的值分别加上1-10的数字,再hash，形成20个点
5. 解决容量问题-client不需要集成分发代码
但是上述方案2 3 4在实际上会有多个客户端，同时连接多个redis，redis的连接成本好高。发展为下面的lvs+proxy。将modula、random、ketama转移到proxy层（无状态的），这样不用和业务代码耦合。
akf-y轴-解决容量问题-多客户端
方案234与lvs+proxy区别，只是将3中模式分在了业务和proxy端，他们的弊端都是不能做数据库用。
此方案倾向于将redis作为缓存，而不是数据库用。数据库用cluster模式
6. redis-cluster模式
redis官方就是使用redis-cluster模式去解决容量问题的。每个实例均有一些虚拟槽，redis虚拟槽位有16384个。当增加或者删除实例节点时，槽位会进行迁移
6.1 cluster原理例子
redis-cluster模式
- 预分区,先取模为10，现在有redis1和redis2，然后通过mapping，redis1获得了01234槽,redis2获得56789槽
- 当新增redis3时，将redis1的(3,4),redis2的(8,9)给到redis3,redis3获得3489,并形成上图。这样做的话，不用重新rehash,只需迁移数据.
寻找槽的过程并不是一次就命中的,集群保证了最多两次就能命中对应槽所在的节点。因为每个实例中均有hash函数和其他节点负责的槽信息。
假设要获取的key在redis3,4号槽位.但客户端实际连接的是redis2
- 客户端将key发向实际的redis2，然后在redis2做hash取模运算,得到值为4。
- 4与自己的槽位(5,6,7)比较，发现不在自己槽位上，而是在redis3上。将这个信息告诉客户端。
- 客户端连接redis3，发出key，查找结果。
6.2 集群通讯
为什么某一个节点拥有其他节点的信息呢，这就涉及到集群是如何通讯的了。gossip协议
redis集群节点通讯.png
节点之间通过ping/pong交互信息
- 节点A对节点B发送一个meet操作，B返回后表示A和B之间能够进行沟通。
2.节点A对节点C发送meet操作，C返回后，A和C之间也能进行沟通。 - 然后B根据对A的了解，就能找到C，B和C之间也建立了联系。
直到所有节点都能建立联系。
这样每个节点都能互相直到对方负责哪些槽
6.3 集群伸缩
6.3.1 集群扩容
当有新的节点准备好加入集群时，这个新的节点还是孤立节点，并且它不是主节点就是从节点。
- 主节点就要分担槽位数据（原理例子中写得很清楚了）
- 从节点作为故障转移备份
这里详细说说具体怎么做
redis槽迁移步骤.png
6.3.2 集群缩容
- 当是从节点下线，是不影响集群的，
各个主节点只是记录这个从节点下线了。 - 当是主节点下线，如果该主节点没槽位，那么直接下线，其他主节点直接记录这个主节点下线。
- 当下线的主节点具有槽位，那么就需要触发故障转移
故障转移是主观下线+客户下线实现的
redis故障转移-主观下线.png
上图为主观下线
- NodeA定时ping NodeB
- 如果ping通，那么NodeA会记录和NodeB最后通讯时间
- 如果没ping通，那么就要判断上一次的最后通讯时间有没超过配置的时间了,如果超了，那么NodeA就标记NodeB为主观下线了
- NodeA会拥有其他NodeB、NodeC....的信息。即NodeA有其他Node对NodeB是否主观下线的信息，当半数以上的持有槽的主节点都标记某个节点主观下线，就会尝试客观下线。
客观下线
redis故障转移-客观下线.png
那么从节点如何成为master节点呢。
- 首先是进行资格检查，只有具备资格的从节点才能参加选举：
- 故障节点的所有从节点检查和故障主节点之间的断线时间。超过cluster-node-timeout * cluster-slave-validati-factor(默认10)则取消选举资格
- 不同的从节点，会有不同的偏移量。offset最大的slave节点，优先参与选举，其他的从解节点按顺序延迟选举。所以说offset最大的slave节点最有机会当选master节点。
- 当发出选举后，其他的主节点就开始投票了，过半当选。当选出了master节点后，该master向集群中其他节点广播Pong消息，表明已完成故障转移
6.4 数据分治弊端
-
聚合操作和事务很难实现。
-
cluster支持用hash tag将key分布到同一个节点上，这样就可以实现类似单机的事务
7. 题外话
twitter/twemproxy和predixy可以做redis的代理，可以像单机一样使用集群
网友评论