Redis 在新浪微博中的应用
本文内容纲要：
-Redis简介
-1.支持5种数据结构
-2.K-V存储vsK-V缓存
-3.社区活跃
-Redis基本原理
-1.单实例单进程
-2.Replication
-3.数据一致性
-新浪Redis使用历程
-1.面临的问题
-2.寻找开源软件的方式及评判标准
-Redis应用场景
-1.业务使用方式
-2.对大数据表的存储
-3.一些技巧
-遇到的问题及解决办法
-1.Problem:Replication中断后,重发-->网络突发流量
-2.Problem:容量问题
-3.Problem:bgsaveorbgwriteaof的冰晶问题
-4.Problem:运维问题
-5.Problem:分布式问题
-经验总结
Redis在新浪微博中的应用
Redis简介
1.支持5种数据结构
支持strings,hashes,lists,sets,sortedsets
string是很好的存储方式，用来做计数存储。sets用于建立索引库非常棒；
2.K-V存储vsK-V缓存
新浪微博目前使用的98%都是持久化的应用，2%的是缓存，用到了600+服务器
Redis中持久化的应用和非持久化的方式不会差别很大：
非持久化的为8-9万tps，那么持久化在7-8万tps左右；
当使用持久化时，需要考虑到持久化和写性能的配比，也就是要考虑redis使用的内存大小和硬盘写的速率的比例计算；
3.社区活跃
Redis目前有3万多行代码,代码写的精简，有很多巧妙的实现，作者有技术洁癖
Redis的社区活跃度很高，这是衡量开源软件质量的重要指标，开源软件的初期一般都没有商业技术服务支持，如果没有活跃社区做支撑，一旦发生问题都无处求救；
Redis基本原理
redis持久化(aof)appendonlinefile：
写log(aof),到一定程度再和内存合并.追加再追加,顺序写磁盘,对性能影响非常小
1.单实例单进程
Redis使用的是单进程，所以在配置时，一个实例只会用到一个CPU；
在配置时，如果需要让CPU使用率最大化，可以配置Redis实例数对应CPU数,Redis实例数对应端口数(8核Cpu,8个实例,8个端口),以提高并发:
单机测试时,单条数据在200字节,测试的结果为8~9万tps；
2.Replication
过程:数据写到master-->master存储到slave的rdb中-->slave加载rdb到内存。
存储点(savepoint):当网络中断了,连上之后,继续传.
Master-slave下第一次同步是全传，后面是增量同步；、
3.数据一致性
长期运行后多个结点之间存在不一致的可能性；
开发两个工具程序：
1.对于数据量大的数据，会周期性的全量检查；
2.实时的检查增量数据，是否具有一致性；
对于主库未及时同步从库导致的不一致，称之为延时问题；
对于一致性要求不是那么严格的场景，我们只需要要保证最终一致性即可；
对于延时问题，需要根据业务场景特点分析，从应用层面增加策略来解决这个问题；
例如：
1.新注册的用户，必须先查询主库；
2.注册成功之后，需要等待3s之后跳转，后台此时就是在做数据同步。
新浪Redis使用历程
2009年,使用memcache(用于非持久化内容),memcacheDB(用于持久化+计数),
memcacheDB是新浪在memcache的基础上，使用BerkeleyDB作为数据持久化的存储实现；
1.面临的问题
- 数据结构(DataStructure)需求越来越多,但memcache中没有,影响开发效率
- 性能需求,随着读操作的量的上升需要解决，经历的过程有:
数据库读写分离(M/S)-->数据库使用多个Slave-->增加Cache(memcache)-->转到Redis - 解决写的问题：
水平拆分，对表的拆分，将有的用户放在这个表，有的用户放在另外一个表； - 可靠性需求
Cache的"雪崩"问题让人纠结
Cache面临着快速恢复的挑战 - 开发成本需求
Cache和DB的一致性维护成本越来越高(先清理DB,再清理缓存,不行啊,太慢了!)
开发需要跟上不断涌入的产品需求
硬件成本最贵的就是数据库层面的机器，基本上比前端的机器要贵几倍，主要是IO密集型，很耗硬件； - 维护性复杂
一致性维护成本越来越高；
BerkeleyDB使用B树，会一直写新的，内部不会有文件重新组织；这样会导致文件越来越大；大的时候需要进行文件归档，归档的操作要定期做；
这样，就需要有一定的downtime；
基于以上考虑，选择了Redis
2.寻找开源软件的方式及评判标准
- 对于开源软件，首先看其能做什么，但更多的需要关注它不能做什么，它会有什么问题？
- 上升到一定规模后，可能会出现什么问题，是否能接受？
- googlecode上,国外论坛找材料(国内比国外技术水平滞后5年）
- 观察作者个人的代码水平
Redis应用场景
1.业务使用方式
- hashsets:关注列表,粉丝列表,双向关注列表(key-value(field),排序)
- string(counter):微博数,粉丝数,...(避免了selectcount(*)from...)
- sortsets(自动排序):TopN,热门微博等,自动排序
- lists(queue):push/sub提醒,...
上述四种,从精细化控制方面，hashsets和string(counter)推荐使用,sortsets和lists(queue)不推荐使用
还可通过二次开发，进行精简。比如:存储字符改为存储整形,16亿数据,只需要16G内存
存储类型保存在3种以内，建议不要超过3种；
将memcache+myaql替换为Redis：
Redis作为存储并提供查询，后台不再使用mysql，解决数据多份之间的一致性问题；
2.对大数据表的存储
（eg：140字微博的存储）
一个库就存唯一性id和140个字；
另一个库存id和用户名，发布日期、点击数等信息，用来计算、排序等，等计算出最后需要展示的数据时再到第一个库中提取微博内容；
改进的3个步骤:
1）发现现有系统存在问题;
2）发现了新东西,怎么看怎么好,全面转向新东西;
3）理性回归,判断哪些适合新东西,哪些不适合,不合适的回迁到老系统
3.一些技巧
- 很多应用,可以承受数据库连接失败,但不能承受处理慢
- 一份数据,多份索引(针对不同的查询场景)
- 解决IO瓶颈的唯一途径:用内存
- 在数据量变化不大的情况下，优先选用Redis
遇到的问题及解决办法
(注意:都是量特别大时候会出现的,量小了怎么都好说)
1.Problem:Replication中断后,重发-->网络突发流量
Solution:重写Replication代码,rdb+aof(滚动)
2.Problem:容量问题
Solution:容量规划和M/S的sharding功能(sharenothing,抽象出来的数据对象之间的关联数据很小)
增加一些配置,分流,比如:1,2,3,4,机器1处理%2=1的,机器2处理%2=0的.
低于内存的1/2使用量,否则就扩容（建议Redis实例使用的数据，最大不要超过内存的80%）
我们线上96G/128G内存服务器不建议单实例容量大于20/30G。
微博应用中单表数据最高的有2T的数据，不过应用起来已经有些力不从心；
每个的端口不要超过20G；测试磁盘做save所需要的时间，需要多长时间能够全部写入；内存越大，写的时间也就越长；
单实例内存容量较大后，直接带来的问题就是故障恢复或者Rebuild从库的时候时间较长，对于普通硬盘的加载速度而言，我们的经验一般是redis加载1G需要1分钟；（加载的速度依赖于数据量的大小和数据的复杂度）
Redisrewriteaof和saverdb时，将会带来非常大且长的系统压力，并占用额外内存，很可能导致系统内存不足等严重影响性能的线上故障。
reblance:现有数据按照上述配置重新分发。
后面使用中间层，路由HA；
注：目前官方也正在做这个事，RedisCluster，解决HA问题；
3.Problem:bgsaveorbgwriteaof的冰晶问题
Solution:磁盘性能规划和限制写入的速度,比如:规定磁盘以200M/s的速度写入,细水长流,即使到来大量数据.但是要注意写入速度要满足两个客观限制:
符合磁盘速度
符合时间限制(保证在高峰到来之前,就得写完)
4.Problem:运维问题
1）InnerCrontab:把Crontab迁移到Redis内部,减少迁移时候的压力
本机多端口避免同时做-能做到
同一业务多端口(分布在多机上),避免同时做-做不到
2）动态升级:先加载.so文件,再管理配置,切换到新代码上(Configset命令)
把对redis改进的东西都打包成lib.so文件，这样能够支持动态升级
自己改的时候要考虑社区的升级。当社区有新的版本，有很好用的新功能时，要能很容易的与我们改进后的版本很好的merge；
升级的前提条件:模块化,以模块为单位升级
加载时间取决于两个方面:数据大小,数据结构复杂度.一般,40G数据耗时40分钟
分布式系统的两个核心问题:A.路由问题B.HA问题
3）危险命令的处理:比如:freshall删除全部数据,得进行控制
运维不能只讲数据备份，还得考虑数据恢复所需要的时间；
增加权限认证(管理员才有权限)eg：flashall权限认证，得有密码才能做；
当然，高速数据交互一般都不会在每次都进行权限认证，通用的处理策略是第一次认证，后期都不用再认证；
控制hash策略(没有key,就找不到value;不知道hash策略,就无法得到key)
4）ConfigDump:
内存中的配置项动态修改过,按照一定策略写入到磁盘中(Redis已支持)
5）bgsave带来aof写入很慢:
fdatasync在做bgsave时,不做syncaof(会有数据出入)
6）成本问题:(22T内存,有10T用来计数)
Redisscounter(16亿数据占用16G内存)-全部变为整型存储,其余(字符串等)全不要
Redis+SSD(counterService计数服务)
顺序自增,table按照顺序写,写满10个table就自动落地(到SSD)
存储分级:内存分配问题,10K和100K写到一块,会有碎片.Sina已经优化到浪费只占5%以内(已经很好了!)
5.Problem:分布式问题
1.ConfigServer:命名空间,特别大的告诉访问,都不适合用代理,因为代理降低速度,但是,Sina用了(单机多端口,RedisCluster,sentinel)
ConfigServer放到Zookeeper上
最前面是命名服务，后面跟的是无状态的twmemproxy（twitter的改进的，用C写的）,后面才是redis；
2.twmemproxy
应用不必关心连接失败,由代理负责重连
把Hash算法放到代理商
代理后边的升级,前端不关心,解决了HA的问题
无状态,多台代理无所谓
3.AS-->Proxy-->Redis
4.Sina的Redis都是单机版,而Redis-Cluster交互过于复杂，没有使用
做HA的话，一定要配合监控来做，如果挂了之后，后续该如何做；
并不是追求单机性能，而是集群的吞吐量，从而可以支持无线扩展；
经验总结
- 提前做好数据量的规划,减少sharding(互联网公司一般以年为单位)
- 只存精细化数据(内存很金贵!)
- 存储用户维度的数据
对象维度的数据要有生命周期
特别是数据量特别大的时候，就很有必要来进行划分了； - 暴露服务的常见过程:IP-->负载均衡-->域名-->命名服务(一张表:名字+资源(IP+端口))
- 对于硬件消耗，IO、网络和CPU相比，Redis最消耗的是CPU，复杂的数据类型必定带来CPU消耗；
- 新浪微博响应时间超时目前设置为5s；（返回很慢的记录key，需记录下来分析，慢日志）；
- 备份的数据要定期要跑一下生产的数据；用来检查备份数据的有效性；
- slave挂多了肯定会对master造成比较的影响；新浪微博目前使用的M/S是一拖一，主要用来做容灾；
同步时，是fork出一个单独进程来和slave进行同步；不会占用查询的进程； - 升级到2.6.30以后的linux内核；
在2.6.30以上对软中断的问题处理的很好，性能提升效果明显，差不多有15%到30%的差距； - redis不用读写分离，每个请求都是单线程，为什么要进行读写分离。
Postedby:大CC|19DEC,2013
博客：blog.me115.com
微博：新浪微博
本文内容总结：Redis简介，1.支持5种数据结构，2.K-V存储vsK-V缓存，3.社区活跃，Redis基本原理，1.单实例单进程，2.Replication，3.数据一致性，新浪Redis使用历程，1.面临的问题，2.寻找开源软件的方式及评判标准，Redis应用场景，1.业务使用方式，2.对大数据表的存储，3.一些技巧，遇到的问题及解决办法，1.Problem:Replication中断后,重发-->网络突发流量，2.Problem:容量问题，3.Problem:bgsaveorbgwriteaof的冰晶问题，4.Problem:运维问题，5.Problem:分布式问题，经验总结，
原文链接：https://www.cnblogs.com/me115/p/3482783.html