Redis 大数据量（百亿级）Key存储需求及解决方案
點擊下方公眾號「關注」和「星標」
回復“1024”獲取獨家整理的學習資料！
最近我在思考實時數倉問題的時候，想到了巨量的redis的存儲的問題，然后翻閱到這篇文章，與各位分享。
需求背景
該應用場景為DMP緩存存儲需求，DMP需要管理非常多的第三方id數據，其中包括各媒體cookie與自身cookie（以下統稱supperid）的mapping關系，還包括了supperid的人口標簽、移動端id（主要是idfa和imei）的人口標簽，以及一些黑名單id、ip等數據。
在hdfs的幫助下離線存儲千億記錄并不困難，然而DMP還需要提供毫秒級的實時查詢。由于cookie這種id本身具有不穩定性，所以很多的真實用戶的瀏覽行為會導致大量的新cookie生成，只有及時同步mapping的數據才能命中DMP的人口標簽，無法通過預熱來獲取較高的命中，這就跟緩存存儲帶來了極大的挑戰。
經過實際測試，對于上述數據，常規存儲超過五十億的kv記錄就需要1T多的內存，如果需要做高可用多副本那帶來的消耗是巨大的，另外kv的長短不齊也會帶來很多內存碎片，這就需要超大規模的存儲方案來解決上述問題。
存儲何種數據
人?標簽主要是cookie、imei、idfa以及其對應的gender（性別）、age（年齡段）、geo（地域）等；mapping關系主要是媒體cookie對supperid的映射。以下是數據存儲?示例：
PC端的ID：媒體編號-媒體cookie=>supperid
Device端的ID：
顯然PC數據需要存儲兩種key=>value還有key=>hashmap，?而Device數據需要存儲?一種key=>hashmap即可。
數據特點
短key短value：
媒體自身的cookie長短不一；
需要為全量數據提供服務，supperid是百億級、媒體映射是千億級、移動id是幾十億級；
每天有十億級別的mapping關系產生；
對于較大時間窗口內可以預判熱數據（有一些存留的穩定cookie）；
對于當前mapping數據無法預判熱數據，有很多是新生成的cookie；
存在的技術挑戰
1）長短不一容易造成內存碎片；
2）由于指針大量存在，內存膨脹率比較高，一般在7倍，純內存存儲通病；
3）雖然可以通過cookie的行為預判其熱度，但每天新生成的id依然很多（百分比比較敏感，暫不透露）；
4）由于服務要求在公網環境（國內公網延遲60ms以下）下100ms以內，所以原則上當天新更新的mapping和人口標簽需要全部in memory，而不會讓請求落到后端的冷數據；
5）業務方面，所有數據原則上至少保留35天甚至更久；
6）內存至今也比較昂貴，百億級Key乃至千億級存儲方案勢在必行！
解決方案
5.1 淘汰策略
存儲吃緊的一個重要原因在于每天會有很多新數據入庫，所以及時清理數據尤為重要。主要方法就是發現和保留熱數據淘汰冷數據。網民的量級遠遠達不到幾十億的規模，id有一定的生命周期，會不斷的變化。所以很大程度上我們存儲的id實際上是無效的。而查詢其實前端的邏輯就是廣告曝光，跟人的行為有關，所以一個id在某個時間窗口的（可能是一個campaign，半個月、幾個月）訪問行為上會有一定的重復性。數據初始化之前，我們先利用hbase將日志的id聚合去重，劃定TTL的范圍，一般是35天，這樣可以砍掉近35天未出現的id。另外在Redis中設置過期時間是35天，當有訪問并命中時，對key進行續命，延長過期時間，未在35天出現的自然淘汰。這樣可以針對穩定cookie或id有效，實際證明，續命的方法對idfa和imei比較實用，長期積累可達到非常理想的命中。
5.2 減少膨脹
Hash表空間大小和Key的個數決定了沖突率（或者用負載因子衡量），再合理的范圍內，key越多自然hash表空間越大，消耗的內存自然也會很大。再加上大量指針本身是長整型，所以內存存儲的膨脹十分可觀。先來談談如何把key的個數減少。
大家先來了解一種存儲結構。我們期望將key1=>value1存儲在redis中，那么可以按照如下過程去存儲。先用固定長度的隨機散列md5(key)值作為redis的key，我們稱之為BucketId，而將key1=>value1存儲在hashmap結構中，這樣在查詢的時候就可以讓client按照上面的過程計算出散列，從而查詢到value1。
過程變化簡單描述為：get(key1) -> hget(md5(key1), key1) 從而得到value1。如果我們通過預先計算，讓很多key可以在BucketId空間里碰撞，那么可以認為一個BucketId下面掛了多個key。比如平均每個BucketId下面掛10個key，那么理論上我們將會減少超過90%的redis key的個數。
具體實現起來有一些麻煩，而且用這個方法之前你要想好容量規模。我們通常使用的md5是32位的hexString（16進制字符），它的空間是128bit，這個量級太大了，我們需要存儲的是百億級，大約是33bit（2的33次方），所以我們需要有一種機制計算出合適位數的散列，而且為了節約內存，我們需要利用全部字符類型（ASCII碼在0~127之間）來填充，而不用HexString，這樣Key的長度可以縮短到一半。
下面是具體的實現方式
public?static?byte?[]?getBucketId(byte?[]?key,?Integer?bit)?{MessageDigest?mdInst?=?MessageDigest.getInstance("MD5");mdInst.update(key);byte?[]?md?=?mdInst.digest();byte?[]?r?=?new?byte[(bit-1)/7?+?1];//?因為一個字節中只有7位能夠表示成單字符，ascii碼是7位int?a?=?(int)?Math.pow(2,?bit%7)-2;md[r.length-1]?=?(byte)?(md[r.length-1]?&?a);System.arraycopy(md,?0,?r,?0,?r.length);for(int?i=0;i<r.length;i++)?{if(r[i]<0)?r[i]?&=?127;}return?r; }參數bit決定了最終BucketId空間的大小，空間大小集合是2的整數冪次的離散值。這里解釋一下為何一個字節中只有7位可用，是因為redis存儲key時需要是ASCII（0~127），而不是byte array。如果規劃百億級存儲，計劃每個桶分擔10個kv，那么我們只需2^30=1073741824的桶個數即可，也就是最終key的個數。
5.3 減少碎片
碎片主要原因在于內存無法對齊、過期刪除后，內存無法重新分配。通過上文描述的方式，我們可以將人口標簽和mapping數據按照上面的方式去存儲，這樣的好處就是redis key是等長的。
另外對于hashmap中的key我們也做了相關優化，截取cookie或者deviceid的后六位作為key，這樣也可以保證內存對齊，理論上會有沖突的可能性，但在同一個桶內后綴相同的概率極低(試想id幾乎是隨機的字符串，隨意10個由較長字符組成的id后綴相同的概率*桶樣本數=發生沖突的期望值<<0.05,也就是說出現一個沖突樣本則是極小概率事件，而且這個概率可以通過調整后綴保留長度控制期望值)。而value只存儲age、gender、geo的編碼，用三個字節去存儲。
另外提一下，減少碎片還有個很low但是有效的方法，將slave重啟，然后強制的failover切換主從，這樣相當于給master整理的內存的碎片。
推薦Google-tcmalloc， facebook-jemalloc內存分配，可以在value不大時減少內存碎片和內存消耗。有人測過大value情況下反而libc更節約。
作者：小熱愛?
來源：juejin.cn/post/6956147115286822948
推薦閱讀?點擊標題可跳轉
這篇 ElasticSearch 詳細使用教程，內部分享時被老大表揚了
放棄 Maven 之后，我用它！！！速度賊快
最牛逼的故障診斷工具！秒級定位線上問題
我賣掉北京 500 萬的房子，在老家生活的這兩年…
最牛逼的性能監控系統！集強大功能于一身
挺帶勁！通過 Nginx 來實現封殺惡意訪問
Zabbix 通過 API 監控 Kubernetes
面試官：為什么 delete 表數據，磁盤空間卻還是被占用
如何快速定位當前數據庫消耗 CPU 最高的 sql 語句？
總結
以上是生活随笔為你收集整理的Redis 大数据量（百亿级）Key存储需求及解决方案的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： verilog设计简易正弦波信号发生器_
- 下一篇： linux cmake编译源码,linu