1.分布式存储

1.1 问题

1~2亿条数据需要缓存，如何设计存储案例。

1.2 解决

单机单台100%不可能，肯定是分布式存储，用redis如何落地？

并且在分布式缓存服务中，经常需要对服务进行节点添加和删除操作，我们希望的是节点添加和删除操作尽量减少数据-节点之间的映射关系更新（节点数的增加与减少对数据命中节点影响不大）。

1.2.1 哈希取余分区

2亿条记录就是2亿个k,v，单机不行必须要分布式多机，假设有3台机器构成一个集群，用户每次读写操作都是根据公式：hash(key) % N个机器数，计算出哈希值，用来决定数据映射到哪一个节点上。

优点

简单粗暴，直接有效，只需要预估好数据规划好节点，例如3台，8台，10台，就能保证一段时间的数据支撑。使用Hash算法让固定的一部分请求落到同一台服务器上，这样每台服务器固定处理一部分请求（并维护这些请求的信息），起到负载均衡+分而治之的作用。

缺点

原来规划好的节点，进行扩容或者缩容就比较麻烦了，不管扩缩，每次数据变动导致节点有变动，映射关系需要重新进行计算，在服务器个数固定不变时没有问题，如果需要弹性扩容或故障停机的情况下，原来的取模公式就会发生变化：hash(key) % 3会变成hash(key) % ?。此时地址经过取余运算的结果将发生很大变化，根据公式获取的服务器也会变得不可控。

某个redis机器宕机了，由于台数数量的变化，会导致hash取余全部数据重新洗牌。

1.2.2 一致性哈希算法分区

一致性哈希算法在1997年由麻省理工学院提出，设计目标是解决分布式缓存数据变动和映射问题，某个机器宕机了，分母数量改变了，自然取余数就不OK了。

步骤一：构建一致性哈希环

一致性哈希算法必然有个hash函数并按照算法产生hash值，这个算法的所有可能哈希值会构成一个全量集，这个集合可以成为一个hash空间[0, 2³²-1]，这是一个线性空间，但是在算法中，我们通过适当的逻辑控制将它收尾相连（0 = 2³²），这样让它逻辑上形成了一个环形空间。

它也是使用取模的方法，哈希取余分区法是对节点（服务器数据进行取模）。而一致性哈希算法是对2³²取模。简单来说，一致性哈希算法将整个哈希值空间组织成一个虚拟的圆环。假设某哈希函数H的值空间为0 - 2³²-1（即哈希值是一个32位无符号整形），整个哈希环如下图：整个空间按顺时针方向组织，圆环的正上方的点代表0,0点右侧的第一个点代表1,，以此类推，2,3,4，……知道2³²-1，也就是说0点左侧的第一个点代表2³²-1，0和2³²-1在零点中方向重合，我们把这个由2³²个点组成的圆环成为哈希环。

步骤二：服务器IP节点映射

节点映射：将集群中各个IP节点映射到环上的某一个位置。

将各个服务器使用Hash函数进行哈希，具体可以选择服务器的IP或主机名作为关键字进行哈希，这样每台机器就能确定其在哈希环上的位置。假如4个节点NodeA，B，C，D使用IP地址的哈希函数计算（hash(ip)）后在环空间的位置如下：

步骤三：key落到服务器上的落键规则

当我们需要存储一个kv键值对时，首先计算key的hash值，hash(key)，确定此数据在环上的位置，从此位置沿环顺时针“行走”，第一台遇到的服务器就是其应该定位到的服务器，并将该键值对存储在该节点上。

如果我们有ObjectA，ObjectB，ObjectC，ObjectD四个数据对象，经过哈希计算后，在环空间上的位置如下。根据一致性哈希算法，数据A会被定位到Node A上，B被定义到Node B上，C被定义到Node C上，D被定义到Node D上。

优点

优点一：一致性哈希算法的容错性

假设Node C宕机，可以看到此时A，B，D不会受到影响，只有C对象被重定位到Node D。一般的，在一致性哈希算法中，如果一台服务器不可用，则受影响的数据仅仅是此服务器到其环空间中前一台服务器（沿着逆时针方向行走遇到的第一台服务器）之间的数据，其他不会受到影响。简单来说，就是C宕机，受到影响的只是B，C之间的数据，并且这些数据会转移到D存储。

优点二：一致性哈希算法的扩展性

数据量增加了，需要增加一台节点NodeX，NodeX的位置在A和B之间，那么受到影响的也就是A到X之间的数据，重新把A到X的数据录入到X上即可，不会导致哈希取余全部数据重新洗牌。

缺点

缺点一：一致性哈希算法的数据倾斜问题

一致性哈希算法在服务节点太少时，容易因为节点分布不均匀而造成数据倾斜（被缓存的对象大部分集中缓存在某一台服务器上）问题，例如系统中只有两台服务器时：

缺点二：一致性哈希算法的雪崩问题

删除节点NodeB后，原本在NodeB节点上的数据就会被重新定位到NodeC上。这样就产生一个影响：原来NodeB的数据转移到NodeC上，这样NodeC的内存使用率会骤增。如果NodeB上存在热点数据，NodeC会扛不住甚至挂掉。挂掉之后数据又转移给NodeD。如此循环会导致所有节点崩溃，也就是所说的雪崩的情况。

虚拟节点

为了解决数据倾斜现象和雪崩现象，提出了虚拟节点这个概念。就是将真实节点计算多个哈希形成多个虚拟节点并放置到哈希环上，定位算法不变，只是多了一步虚拟节点到真实节点映射的过程。

以雪崩现象来说明，如下图节点real1节点有两个虚拟节点v100和v101，real2有两个虚拟节点v200和v201，real3节点有v300和v301两个虚拟节点：

当real1节点挂掉后，v100和v101节点也会随即消失，这是k1数据就会被分配到v301上，k4就会被分配到v200上，这就解决了雪崩的问题。当某个节点宕机后，其数据并没有全部分配给某一个节点，而是被分到了多个节点上（理想情况下）。

注意：

• 真实节点不放置到哈希环上，只有虚拟节点才会放上去
• 为什么要使用闭合的哈希环？举个例子，如果在2²³-3处有一个key，而2²³-3 ~ 2²³处并没有节点，那么这个key该存在哪个节点呢？
• 一致性哈希使用的32个bits，4个bytes，肯定也会有哈希碰撞的问题存在

1.2.3 哈希槽分区

哈希槽实质就是一个数组，数组[0, 2¹⁴-1]形成hash slot空间。

解决均匀分配的问题，在数据和节点之间又加入了一层，把这层称为哈希槽（slot），用于管理数据和节点之间的关系。现在就相当于节点上放的是槽，槽里面放的是数据。

槽解决的是粒度问题，相当于把粒度变大了，这样便于数据移动。

哈希解决的是映射问题，使用key的哈希值来计算所在的槽，便于数据分配。

一个集群只能有16384个槽，编号0 - 16383（0 - 2¹⁴-1）。这些槽会分配给集群中的所有主节点，分配策略没有要求。可以指定哪些编号的槽分配给哪个主节点。集群会记录节点和槽的对应关系。解决了节点和槽的关系后，接下来就需要对key求哈希值，然后对16384取余，余数是几key就落入对应的槽里。slot = CRC16(key) % 16384。以槽为单位移动数据，因为槽的数目是固定的，处理起来比较容易，这样数据移动问题就解决了。

哈希槽计算

Redis集群中内置了16384个哈希槽，redis会根据节点数量大致均等的将哈希槽映射到不同的节点。当需要在Redis集群中放置一个key-value时，redis先对key使用CRC16算法算出一个结果，然后把结果对16384求余数，这样每个key都会对应一个编号在0 - 16383之间的哈希槽，也就是映射到某个节点上。如下代码，keyA,B落在Node2，keyC落在Node3上。

面试题

一致性hash算法是2¹⁶，为什么hash slot是2¹⁴？

在redis节点发送心跳包时需要把所有的槽放到这个心跳包里，以便让节点知道当前集群信息，16384 = 16K。在发送心跳包时使用char进行bitmap压缩后是2k(2 * 8 * 1024 = 16k)，也就是说使用2k的空间创建了16k的槽数。虽然使用CRC16算法最多可以分配65535(2¹⁶-1)个槽位，65535 = 65k，压缩后就是8k（8 * 8 * 1024 = 65k），也就是说需要8k的心跳包。作者认为这样做不太值得；并且一般情况下一个redis集群不会有超过1000个master节点，所以16k的槽位是个比较合适的选择。

注：本篇文章参考自多个博文。