Redis Cluster 集群
我曾遇到过这么一个需求：要用Redis保存5000万个键值对，每个键值对大约是512B，为了能快速部署并对外提供服务，我们采用云主机来运行Redis实例，那么，该如何选择云主机的内存容量呢？
我粗略地计算了一下，这些键值对所占的内存空间大约是25GB（5000万*512B）。
所以，当时，我想到的第一个方案就是选择一台32GB内存的云主机来部署Redis。因为32GB的内存能保存所有数据，而且还留有7GB，可以保证系统的正常运行。
同时，我还采用RDB对数据做持久化，以确保Redis实例故障后，还能从RDB恢复数据。但是，在使用的过程中，发现Redis的响应有时会非常慢。后来，我们使用 INFO 命令查看Redis的 latest_fork_usec 指标值（表示最近一次fork的耗时），结果显示这个指标值特别高，快到秒级别了。
这跟Redis的持久化机制有关系。
在使用RDB进行持久化时，Redis会使用 fork 子进程来完成，fork 操作的用时和Redis的数据量是正相关的，而fork 在执行时会阻塞主线程。数据量越大，fork 操作造成的主线程阻塞的时间越长。
所以，在使用RDB对25GB的数据进行持久化时，数据量较大，后台运行的子进程，在fork创建时阻塞了主线程，于是就导致Redis响应变慢了。
看来，这个方案显然是不可行的，我们必须要寻找其他的方案。
这个时候，注意到了Redis的切片集群。虽然组建切片集群比较麻烦，但是它可以保存大量数据，而且对Redis主线程的阻塞影响较小。
切片集群，也叫分片集群，就是指启动多个Redis实例组成一个集群，然后按照一定的规则，把收到的数据划分成多份，每一份用一个实例来保存。回到我们刚刚的场景中，如果把25GB的数据平均分成5份（当然，也可以不做均分），使用5个实例来保存，每个实例只需要保存5GB数据，如下图所示
那么，在切片集群中，实例在为5GB数据生成RDB时，数据量就小了很多，fork 子进程一般不会给主线程，带来较长时间的阻塞。采用多个实例保存数据切片后，我们既能保存25GB数据，又避免了fork 子进程阻塞主线程，而导致的响应突然变慢。
在实际应用Redis时，随着用户或业务规模的扩展，保存大量数据的情况，通常是无法避免的。而切片集群，就是一个非常好的解决方案。
如何保存更多数据？
在刚刚的案例里，为了保存大量数据，我们使用了大内存云主机和切片集群两种方法。
实际上，这两种方法分别对应着Redis应对数据量增多的两种方案：纵向扩展（scale up）和横向扩展（scale out）。
- 纵向扩展：升级单个Redis实例的资源配置，包括增加内存容量、增加磁盘容量、使用更高配置的CPU。就像下图中，原来的实例内存是8GB，硬盘是50GB，纵向扩展后，内存增加到24GB，磁盘增加到150GB。
- 横向扩展：横向增加当前Redis实例的个数，就像下图中，原来使用1个8GB内存、50GB磁盘的实例，现在使用三个相同配置的实例。
那么，这两种方式的优缺点分别是什么呢？
首先，纵向扩展的好处是，实施起来简单、直接。不过，这个方案也面临两个潜在的问题。
第一个问题是，当使用RDB对数据进行持久化时，如果数据量增加，需要的内存也会增加，主线程 fork 子进程时就可能会阻塞。不过，如果你不要求持久化保存Redis数据，那么，纵向扩展会是一个不错的选择。
不过，这时，你还要面对第二个问题：纵向扩展会受到硬件和成本的限制。这很容易理解，毕竟，把内存从32GB扩展到64GB还算容易，但是，要想扩充到1TB，就会面临硬件容量和成本上的限制了。
与纵向扩展相比，横向扩展是一个扩展性更好的方案。这是因为，要想保存更多的数据，采用这种方案的话，只用增加Redis的实例个数就行了，不用担心单个实例的硬件和成本限制。在面向百万、千万级别的用户规模时，横向扩展的Redis切片集群会是一个非常好的选择。不过，在只使用单个实例的时候，数据存在哪儿，客户端访问哪儿，都是非常明确的
但是，切片集群不可避免地涉及到多个实例的分布式管理问题。要想把切片集群用起来，我们就需要解决两大问题
- 数据切片后，在多个实例之间如何分布？
- 客户端怎么确定想要访问的数据在哪个实例上？
接下来，我们就一个个地解决。
数据切片和实例的对应分布关系
在切片集群中，数据需要分布在不同实例上，那么，数据和实例之间如何对应呢？这和接下来要说的Redis Cluster方案有关了。不过，我们要先弄明白切片集群和Redis Cluster的联系与区别。
实际上，切片集群是一种保存大量数据的通用机制，这个机制可以有不同的实现方案。
在Redis 3.0之前，官方并没有针对切片集群提供具体的方案。
从3.0开始，官方提供了一个名为Redis Cluster的方案，用于实现切片集群。Redis Cluster方案中就规定了数据和实例的对应规则。具体来说，Redis Cluster方案采用哈希槽，来处理数据和实例之间的映射关系。
在Redis Cluster方案中，一个切片集群共有16384个哈希槽，这些哈希槽类似于数据分区，每个键值对都会根据它的key，被映射到一个哈希槽中。
具体的映射过程分为两大步
首先根据键值对的key，按照 CRC16 算法计算一个16 bit的值，然后，再用这个16bit值对16384取模，得到0~16383范围内的模数，每个模数代表一个相应编号的哈希槽。
我们在部署Redis Cluster方案时，可以使用 cluster create 命令创建集群，此时，Redis会自动把这些槽平均分布在集群实例上。例如，如果集群中有N个实例，那么，每个实例上的槽个数为16384/N个。
当然， 我们也可以使用 cluster meet 命令手动建立实例间的连接，形成集群，再使用 cluster addslots 命令，指定每个实例上的哈希槽个数。
举个例子，假设集群中不同Redis实例的内存大小配置不一，如果把哈希槽均分在各个实例上，在保存相同数量的键值对时，和内存大的实例相比，内存小的实例就会有更大的容量压力。
遇到这种情况时，你可以根据不同实例的资源配置情况，使用 cluster addslots 命令手动分配哈希槽。
在上图中的切片集群一共有3个实例，同时假设有5个哈希槽，我们首先可以通过cluster addslots 命令手动分配哈希槽。实例1保存哈希槽0和1，实例2保存哈希槽2和3，实例3保存哈希槽4。
redis-cli -h 172.16.19.3 –p 6379 cluster addslots 0,1
redis-cli -h 172.16.19.4 –p 6379 cluster addslots 2,3
redis-cli -h 172.16.19.5 –p 6379 cluster addslots 4
在集群运行的过程中，key1和key2计算完CRC16值后，对哈希槽总个数5取模，再根据各自的模数结果，就可以被映射到对应的实例1和实例3上了。另外，有一点同学们一定要注意，在手动分配哈希槽时，需要把16384个槽都分配完，否则Redis集群无法正常工作。好了，通过哈希槽，切片集群就实现了数据到哈希槽、哈希槽再到实例的分配。
了解更多可扫码关注公众号
