Redis 在新浪微博中的應用

標籤：

Redis 在新浪微博中的應用

Redis簡介 1. 支援5種資料結構

支援strings, hashes, lists, sets, sorted sets
string是很好的儲存方式，用來做計數儲存。sets用於建立索引庫非常棒；

2. K-V 儲存 vs K-V 緩衝

新浪微博目前使用的98%都是持久化的應用，2%的是緩衝，用到了600+伺服器
Redis中持久化的應用和非持久化的方式不會差別很大：
非持久化的為8-9萬tps，那麼持久化在7-8萬tps左右；
當使用持久化時，需要考慮到持久化和寫效能的配比，也就是要考慮redis使用的記憶體大小和硬碟寫的速率的比例計算；

3. 社區活躍

Redis目前有3萬多行代碼, 代碼寫的精簡，有很多巧妙的實現，作者有技術潔癖
Redis的社區活躍度很高，這是衡量開源軟體品質的重要指標，開源軟體的初期一般都沒有商業技術服務支援，如果沒有活躍社區做支撐，一旦發生問題都無處求救；

Redis基本原理

redis持久化(aof) append online file：
寫log(aof), 到一定程度再和記憶體合并. 追加再追加, 順序寫磁碟, 對效能影響非常小

1. 單一實例單進程

Redis使用的是單進程，所以在配置時，一個執行個體只會用到一個CPU；
在配置時，如果需要讓CPU使用率最大化，可以配置Redis執行個體數對應CPU數, Redis執行個體數對應連接埠數(8核Cpu, 8個執行個體, 8個連接埠), 以提高並發:
單機測試時, 單條資料在200位元組, 測試的結果為8~9萬tps；

2. Replication

過程: 資料寫到master-->master儲存到slave的rdb中-->slave載入rdb到記憶體。
儲存點(save point): 當網路中斷了, 連上之後, 繼續傳.
Master-slave下第一次同步是全傳，後面是增量同步處理；、

3. 資料一致性

長期運行後多個結點之間存在不一致的可能性；
開發兩個工具程式：
1.對於資料量大的資料，會周期性的全量檢查；
2.即時的檢查增量資料，是否具有一致性；

對於主庫未及時同步從庫導致的不一致，稱之為延時問題；
對於一致性要求不是那麼嚴格的情境，我們只需要要保證最終一致性即可；
對於延時問題，需要根據業務情境特點分析，從應用程式層面增加策略來解決這個問題；
例如：
1.新註冊的使用者，必須先查詢主庫；
2.註冊成功之後，需要等待3s之後跳轉，後台此時就是在做資料同步。

新浪Redis使用曆程

2009年, 使用memcache(用於非持久化內容), memcacheDB(用於持久化+計數),
memcacheDB是新浪在memcache的基礎上，使用BerkeleyDB作為資料持久化的儲存實現；

1. 面臨的問題

• 資料結構(Data Structure)需求越來越多, 但memcache中沒有, 影響開發效率
• 效能需求, 隨著讀操作的量的上升需要解決，經曆的過程有:
  資料庫讀寫分離(M/S)-->資料庫使用多個Slave-->增加Cache (memcache)-->轉到Redis
• 解決寫的問題：
  水平分割，對錶的拆分，將有的使用者放在這個表，有的使用者放在另外一個表；

• 可靠性需求
  Cache的"雪崩"問題讓人糾結
  Cache面臨著快速恢複的挑戰

• 開發成本需求
  Cache和DB的一致性維護成本越來越高(先清理DB, 再清理緩衝, 不行啊, 太慢了!)
  開發需要跟上不斷湧入的產品需求
  硬體成本最貴的就是資料庫層面的機器，基本上比前端的機器要貴幾倍，主要是IO密集型，很耗硬體；

• 維護性複雜
  一致性維護成本越來越高；
  BerkeleyDB使用B樹，會一直寫新的，內部不會有檔案重新組織；這樣會導致檔案越來越大；大的時候需要進行檔案歸檔，歸檔的操作要定期做；
  這樣，就需要有一定的down time；

基於以上考慮， 選擇了Redis

2. 尋找開源軟體的方式及評判標準

• 對於開源軟體，首先看其能做什麼，但更多的需要關注它不能做什麼，它會有什麼問題？
• 上升到一定規模後，可能會出現什麼問題，是否能接受？
• google code上, 國外論壇找材料(國內比國外技術水平滯後5年）
• 觀察作者個人的代碼水平

Redis應用情境 1. 業務使用方式

• hash sets: 關注列表, 粉絲列表, 雙向關注列表(key-value(field), 排序)
• string(counter): 微博數, 粉絲數, ...(避免了select count(*) from ...)
• sort sets(自動排序): TopN, 熱門微博等, 自動排序
• lists(queue): push/sub提醒,...

上述四種, 從精細化控制方面，hash sets和string(counter)推薦使用, sort sets和lists(queue)不推薦使用
還可通過二次開發，進行精簡。比如: 儲存字元改為儲存整形, 16億資料, 只需要16G記憶體
儲存類型儲存在3種以內，建議不要超過3種；

將memcache +myaql 替換為Redis：
Redis作為儲存並提供查詢，後台不再使用mysql，解決資料多份之間的一致性問題；

2. 對大資料表的儲存

（eg：140字微博的儲存）
一個庫就存唯一性id和140個字；
另一個庫存id和使用者名稱，發布日期、點擊數等資訊，用來計算、排序等，等計算出最後需要展示的資料時再到第一個庫中提取微博內容；

改進的3個步驟:
1）發現現有系統存在問題;
2）發現了新東西, 怎麼看怎麼好, 全面轉向新東西;
3）理性迴歸, 判斷哪些適合新東西, 哪些不適合, 不合適的回遷到老系統

3. 一些技巧

• 很多應用, 可以承受資料庫連接失敗, 但不能承受處理慢
• 一份資料, 多份索引(針對不同的查詢情境)
• 解決IO瓶頸的唯一途徑: 用記憶體
• 在資料量變化不大的情況下，優先選用Redis

遇到的問題及解決辦法

(注意: 都是量特別大時候會出現的, 量小了怎麼都好說)

1.Problem: Replication中斷後, 重發-->網路突發流量

Solution: 重寫Replication代碼, rdb+aof(滾動)

2.Problem: 容量問題

Solution: 容量規劃和M/S的sharding功能(share nothing, 抽象出來的資料對象之間的關聯資料很小)
增加一些配置, 分流, 比如: 1,2,3,4, 機器1處理%2=1的, 機器2處理%2=0的.
低於記憶體的1/2使用量, 否則就擴容（建議Redis執行個體使用的資料，最大不要超過記憶體的80%）
我們線上96G/128G記憶體伺服器不建議單一實例容量大於20/30G。
微博應用中單表資料最高的有2T的資料，不過應用起來已經有些力不從心；
每個的連接埠不要超過20G；測試磁碟做save所需要的時間，需要多長時間能夠全部寫入；記憶體越大，寫的時間也就越長；
單一實例記憶體容量較大後，直接帶來的問題就是故障恢複或者Rebuild從庫的時候時間較長，對於普通硬碟的載入速度而言，我們的經驗一般是redis載入1G需要1分鐘；（載入的速度依賴於資料量的大小和資料的複雜度）
Redis rewrite aof和save rdb時，將會帶來非常大且長的系統壓力，並佔用額外記憶體，很可能導致系統記憶體不足等嚴重影響效能的線上故障。

reblance: 現有資料按照上述配置重新分發。
後面使用中介層，路由HA；
註：目前官方也正在做這個事，Redis Cluster，解決HA問題；

3. Problem: bgsave or bgwriteaof的冰晶問題

Solution: 磁碟效能規劃和限制寫入的速度, 比如: 規定磁碟以200M/s的速度寫入, 細水長流, 即使到來大量資料. 但是要注意寫入速度要滿足兩個客觀限制:
符合磁碟速度
符合時間限制(保證在高峰到來之前, 就得寫完)

4.Problem: 營運問題

1）Inner Crontab: 把Crontab遷移到Redis內部, 減少遷移時候的壓力
本機多連接埠避免同時做 - 能做到
同一業務多連接埠(分布在多機上), 避免同時做 - 做不到
2）動態升級: 先載入.so檔案, 再管理配置, 切換到新代碼上(Config set命令)
把對redis改進的東西都打包成lib.so檔案，這樣能夠支援動態升級
自己改的時候要考慮社區的升級。當社區有新的版本，有很好用的新功能時，要能很容易的與我們改進後的版本很好的merge；
升級的前提條件: 模組化, 以模組為單位升級
載入時間取決於兩個方面: 資料大小, 資料結構複雜度. 一般, 40G資料耗時40分鐘
分布式系統的兩個核心問題: A.路由問題 B.HA問題

3）危險命令的處理: 比如: fresh all刪除全部資料, 得進行控制
營運不能只講資料備份，還得考慮資料恢複所需要的時間；
增加許可權認證(管理員才有許可權)eg：flashall 許可權認證，得有密碼才能做；
當然，高速資料互動一般都不會在每次都進行許可權認證，通用的處理策略是第一次認證，後期都不用再認證；
控制hash策略(沒有key, 就找不到value; 不知道hash策略, 就無法得到key)

4）Config Dump:
記憶體中的配置項動態修改過, 按照一定策略寫入到磁碟中(Redis已支援)
5）bgsave帶來aof寫入很慢:
fdatasync在做bgsave時, 不做sync aof(會有資料出入)
6）成本問題: (22T記憶體, 有10T用來計數)
Redisscounter(16億資料佔用16G記憶體) - 全部變為整型儲存, 其餘(字串等)全不要
Redis+SSD(counterService計數服務)
順序自增, table按照順序寫, 寫滿10個table就自動落地(到SSD)
儲存分級: 記憶體配置問題, 10K和100K寫到一塊, 會有片段. Sina已經最佳化到浪費只佔5%以內(已經很好了!)

5.Problem: 分布式問題

1.Config Server: 命名空間, 特別大的告訴訪問, 都不適合用代理, 因為代理降低速度, 但是, Sina用了(單機多連接埠, Redis Cluster, sentinel)
Config Server放到Zookeeper上
最前面是命名服務，後面跟的是無狀態的twmemproxy（twitter的改進的，用C寫的） ,後面才是redis；
2.twmemproxy
應用不必關心串連失敗, 由代理負責重連
把Hash演算法放到代理商
代理後邊的升級, 前端不關心, 解決了HA的問題
無狀態, 多台代理無所謂
3.AS --> Proxy -->Redis
4.Sina的Redis都是單機版, 而Redis-Cluster互動過於複雜，沒有使用
做HA的話，一定要配合監控來做，如果掛了之後，後續該如何做；
並不是追求單機效能，而是叢集的輸送量，從而可以支援無線擴充；

經驗總結

• 提前做好資料量的規劃, 減少sharding(互連網公司一般以年為單位)
• 只存精細化資料(記憶體很金貴!)
• 儲存使用者維度資料
  對象維度資料要有生命週期
  特別是資料量特別大的時候，就很有必要來進行劃分了；
• 暴露服務的常見過程: IP-->負載平衡-->網域名稱-->命名服務(一張表: 名字+資源(IP+連接埠))
• 對於硬體消耗，IO、網路和CPU相比，Redis最消耗的是CPU，複雜的資料類型必定帶來CPU消耗；
• 新浪微博回應時間逾時目前設定為5s；（返回很慢的記錄key，需記錄下來分析，慢日誌）；
• 備份的資料要定期要跑一下生產的資料；用來檢查備份資料的有效性；
• slave掛多了肯定會對master造成比較的影響；新浪微博目前使用的M/S是一拖一，主要用來做容災；
  同步時，是fork出一個單獨進程來和slave進行同步；不會佔用查詢的進程；
• 升級到2.6.30以後的linux核心；
  在2.6.30以上對非強制中斷的問題處理的很好，效能提升效果明顯，差不多有15%到30%的差距；
• redis不用讀寫分離，每個請求都是單線程，為什麼要進行讀寫分離。

Redis 在新浪微博中的應用