一、定義

引用百度百科的定義：

對于集群系統(tǒng)，一般緩存是分布式的，即不同節(jié)點負責一定范圍的緩存數(shù)據(jù)。我們把緩存數(shù)據(jù)分散度不夠，導(dǎo)致大量的緩存數(shù)據(jù)集中到了一臺或者幾臺服務(wù)節(jié)點上，稱為數(shù)據(jù)傾斜。一般來說數(shù)據(jù)傾斜是由于負載均衡實施的效果不好引起的。

二、危害

如果發(fā)生了數(shù)據(jù)傾斜，那么就會有某一臺機器或幾臺保存了大量數(shù)據(jù)。輕則造成性能下降，處理請求速度驟降。重則造成Redis服務(wù)器崩潰，緩存服務(wù)不可用，將性能影響范圍擴散到DB層，對后端服務(wù)造成不可估量的后果。

三、數(shù)據(jù)傾斜的分類及應(yīng)對方案

1、寫入傾斜

示例

如圖，在某些情況下，實例上的數(shù)據(jù)分布不均衡，某個實例上的數(shù)據(jù)特別多。

分析及應(yīng)對方案

1、bigkey導(dǎo)致傾斜

bigkey指的是某個 Redis 實例上保存了一個很大的 value （String 類型）或者是大量的集合元素（集合類型）的 key ，這個 key 就被稱之為 bigkey ，而bigkey這種情況會導(dǎo)致集群中的某個實例的數(shù)據(jù)量很大，內(nèi)存資源消耗也相應(yīng)增加。

應(yīng)對方案

在業(yè)務(wù)層生成數(shù)據(jù)時，要盡量避免把過多的數(shù)據(jù)保存在同一個鍵值對中。如果 bigkey 正好是集合類型，還有一個方法，就是把 bigkey 拆分成很多個小的集合類型數(shù)據(jù)，分散保存在不同的實例上。

2、Slot分配不均導(dǎo)致傾斜

介紹一下slot，slot全稱HashSlot(哈希槽)，類似于數(shù)據(jù)分區(qū)，每個key都會根據(jù)Hash算法計算出它應(yīng)該屬于哪個哈希槽，最終落到那個哈希槽中。而 Redis Cluster 就是采用哈希槽的方式來處理數(shù)據(jù)和實例間的映射關(guān)系。事實上，在 Redis Cluster 分片集群中一共有16384 個 Slot。 這里的Hash算法市面上的方式一般是先計算hash值，然后將計算結(jié)果對slot個數(shù)取模，最終確定落到哪個slot上。而計算hash值的算法有很多，常用的像CRC16、CRC64、sha1等等 運維在構(gòu)建切片集群時候，需要手動分配哈希槽，并且把16384 個槽都分配完，否則 Redis 集群無法正常工作。由于是手動分配，則可能會導(dǎo)致部分實例所分配的slot過多，導(dǎo)致數(shù)據(jù)傾斜。

應(yīng)對方案

使用CLUSTER SLOTS 命令來查看slot分配情況，使用CLUSTER SETSLOT，CLUSTER GETKEYSINSLOT，MIGRATE這三個命令來進行slot數(shù)據(jù)的遷移，具體內(nèi)容不再這里細說，感興趣的同學可以自行學習一下。

3.Hash Tag導(dǎo)致傾斜

Hash Tag 定義 :指當一個key包含 {} 的時候，就不對整個key做hash，而僅對 {} 包括的字符串做hash。假設(shè)hash算法為sha1。

對user:{user1}:ids和user:{user1}:tweets，其hash值都等同于sha1(user1)。

也就是說，如果不同 key 的 Hash Tag 內(nèi)容都是一樣的，那么，這些 key 對應(yīng)的數(shù)據(jù)會被映射到同一個 Slot 中，同時會被分配到同一個實例上。

所以，如果不合理使用Hash Tag，會導(dǎo)致大量的數(shù)據(jù)可能被集中到一個實例上發(fā)生數(shù)據(jù)傾斜，集群中的負載不均衡。

應(yīng)對方案

按照需求合理使用Hash Tag，甚至可以考量是否需要用到Hash Tag。

2、讀取傾斜（熱key）

示例

一般來說，讀取傾斜大多數(shù)都是熱key問題導(dǎo)致的。如圖所示，雖然每個集群實例上的數(shù)據(jù)量相差并沒有很大，但是如果其中某個實例上的數(shù)據(jù)是熱點數(shù)據(jù)，那臺實例就會被訪問得非常頻繁。

產(chǎn)生熱key的原因及危害

原因：用戶消費的數(shù)據(jù)遠大于生產(chǎn)的數(shù)據(jù)（熱賣商品、熱點新聞、熱點評論、明星直播）。

在日常工作中一些突發(fā)的事件，例如：雙十一期間某些熱門商品在進行降價促銷或秒殺時，這時某一件商品會被數(shù)萬次點擊瀏覽或者購買，會形成一個較大的需求量，這種情況下就很容易造成熱點問題。

同理，被大量瀏覽的熱點數(shù)據(jù)、明星直播等，這些典型的讀多寫少的場景也會產(chǎn)生熱點問題。

危害：請求分片集中，超過單 Server 的性能極限。

在服務(wù)端讀數(shù)據(jù)訪問Redis時，往往會對請求key進行分片計算，此時中會將請求打到某一臺 Server 上，如果熱點過于集中，熱點 Key 的緩存過多，訪問量超過 Server 極限時，就會出現(xiàn)緩存分片服務(wù)被打垮現(xiàn)象的產(chǎn)生。當緩存服務(wù)崩潰后，此時再有請求產(chǎn)生，就會打到DB 上，這也就是我們常說的緩存穿透，如果沒有合理的解決，數(shù)據(jù)庫又沒有扛住大量的穿透請求，則會進一步導(dǎo)致數(shù)據(jù)庫雪崩現(xiàn)象。造成所有連接此數(shù)據(jù)庫的系統(tǒng)服務(wù)不可用，上下游調(diào)用鏈中斷，產(chǎn)生不可估量的后果。

分析及應(yīng)對方案:

① 拆分熱key

拆分熱key，指的是把熱點數(shù)據(jù)拆分成多份，在每份數(shù)據(jù)副本的 key 中增加一個隨機后綴，讓它和其它副本數(shù)據(jù)不會被映射到同一個 Slot 中。這里相當于把一份數(shù)據(jù)復(fù)制到多個實例上，通過Hash算法實現(xiàn)一個簡陋的負載均衡。同樣的，在讀取的時候也要增加隨機后綴，將對一個實例的讀取壓力，均攤到多個實例上。 例如：我們在放入緩存時就將對應(yīng)業(yè)務(wù)的緩存key拆分成多個不同的key。如下圖所示，在寫入緩存的過程中，我們首先將key拆成N份，比如某個請求進來的key名字叫做"hot_key"，那我們就可以把它拆成“hot_key_001”、“hot_key_002”、“hot_key_003”、“hot_key_004”…，當然了，每次更新和新增時都要記得去改動這N個key，這就是拆key。

對于Service端來講，我們要盡可能的將訪問流量分流的足夠的均勻。 如何給即將訪問的熱key上合理的加入后綴？說一下市面上常用的方案，根據(jù)本機的ip或mac地址做hash，之后的值與拆key的數(shù)量做取余，最終決定拼接成什么樣的key后綴，從而打到哪臺機器上。當然也有其他的解決方案，比如在服務(wù)啟動時的一個隨機數(shù)對拆key的數(shù)量做取余。 偽代碼如下:

public boolean getRandomHotKey(String hotKey,int count) {
        int random = new Random().nextInt(count);
        randomKey = hotKey + "_" + random;
        Object data = redis.get(randomKey);
        if (data == null){
            data = getFromDB(); 
            redis.set(randomKey,expireTime + random);
        }
    }

② 多級緩存+動態(tài)計算自動發(fā)現(xiàn)熱點緩存

基本流程圖

該方案主要是通過主動發(fā)現(xiàn)熱點并對其進行本地緩存來解決熱點 Key 的問題。對，你沒有聽錯，就是在緩存上再架設(shè)一層緩存。具體來說，就是在 Proxy上增加本地緩存，本地緩存采用LRU算法來緩存熱點數(shù)據(jù)，后端節(jié)點增加熱點數(shù)據(jù)計算模塊來返回熱點數(shù)據(jù)。當然了，Client會訪問SLB，并且通過SLB將各種請求分發(fā)至Proxy中，Proxy會按照基于路由的方式將請求轉(zhuǎn)發(fā)至Redis中。

Proxy 架構(gòu)的主要有以下優(yōu)點：

• Proxy 本地緩存熱點，讀能力可水平擴展
• DB 節(jié)點定時計算熱點數(shù)據(jù)集合
• DB 反饋 Proxy 熱點數(shù)據(jù)
• 對客戶端完全透明，不需做任何兼容

熱點數(shù)據(jù)的發(fā)現(xiàn)與存儲

對于熱點數(shù)據(jù)的發(fā)現(xiàn)，首先會在一個周期內(nèi)對 Key 進行請求統(tǒng)計，在達到請求量級后會對熱點 Key 進行熱點定位，并將所有的熱點 Key 放入一個小的 LRU 鏈表內(nèi)，在通過 Proxy 請求進行訪問時，若 Redis 發(fā)現(xiàn)待訪點是一個熱點，就會進入一個反饋階段，同時對該數(shù)據(jù)進行標記。

可以使用一個etcd或者zk集群來存儲反饋的熱點數(shù)據(jù)，然后本地所有節(jié)點監(jiān)聽該熱點數(shù)據(jù)，進而加載到本地JVM緩存中。

熱點數(shù)據(jù)的獲取

在熱點 Key 的處理上主要分為寫入跟讀取兩種形式，在數(shù)據(jù)寫入過程當 SLB 收到數(shù)據(jù) Key1 并將其通過某一個 Proxy 寫入一個 Redis，完成數(shù)據(jù)的寫入。

假若經(jīng)過后端熱點模塊計算發(fā)現(xiàn) Key1 成為熱點 key 后， Proxy 會將該熱點進行本地緩存，當下次客戶端再進行訪問 Key1 時，則可以不讀取 Redis，直接從 Proxy 返回數(shù)據(jù)。

注意：由于 Proxy 是可以水平擴充的，因此可以任意增強熱點數(shù)據(jù)的訪問能力。

成熟方案: JD開源hotKey

上述的緩存傾斜解決思路，目前較為成熟解決方案是京東開源的項目HotKey，它擁有自動探測熱Key、分布式一致性緩存的設(shè)計。原理就是在Client端做洞察，然后上報對應(yīng)Hotkey，Server端檢測到后，將對應(yīng)Hotkey下發(fā)到對應(yīng)服務(wù)端做本地緩存，并且能保證本地緩存和遠程緩存的一致性。

到此這篇關(guān)于Redis數(shù)據(jù)庫的數(shù)據(jù)傾斜詳解的文章就介紹到這了,更多相關(guān)Redis數(shù)據(jù)傾斜內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論