Redis 集群演进探讨和总结 原 荐

Redis为什么需要集群？

首先Redis单实例主要有单点，容量有限，流量压力上限的问题。

Redis单点故障，可以通过主从复制 replication ，和自动故障转移 sentinel 哨兵机制。

但Redis单 Master 实例提供读写服务，仍然有容量和压力问题，因此需要数据分区，构建多个 Master 实例同时提供读写服务（不仅限于从 replica 节点提供读服务）。

那么就需要一定的机制保证数据分区。这样能充分把容量分摊到多台计算机，或能充分利用多核计算机的性能。

并且数据在各个主Master节点间不能混乱，当然最好还能支持在线数据热迁移的特性。

探讨数据分区方案

针对数据分区，一般来说，分为两个大类：

• 逻辑拆分： 逻辑上能拆分，比如 Redis 中的 M1 节点 存储 A服务需要的业务数据，而 Redis 中的 M2 节点存储 B服务需要的业务数据。
• 数据分区： 当逻辑上不能拆分，那么只能按数据来拆分，需要保证客户端读和写数据一致。 因此需要一个高效快速的数据结构来路由对应的 Master 节点。 最容易想到的就是类比 Java 中的 HashMap ， 采用 哈希算法，快速找到，快速设置。 这里有四种方式，分别是固定取模，随机，哈希一致性，哈希槽。

固定取模

假设有三个 Master，配置IP 和权重如下：

Real Server IP weight 10.0.2.21 1 10.0.2.22 2 10.0.2.23 3

那么会根据每一个real Server 及其权重虚拟出对应权重 weight 个的虚拟vritual server节点，映射关系会是：

Real Server IP virtual server 10.0.2.21 1 10.0.2.22 2,3 10.0.2.23 4,5,6

一个 key 存储在那个虚拟vritual server节点，通过哈希hash算法：

virtual_server_index = hash(key) % (total_virtual_weight)

假设某个key，它的 hash 值是 10，那么以上： 10%6=4，将落到 10.0.2.23 这个真实的 Master上。

• 缺点 因为取模的模数是固定的，当新增或删除 master节点时，所有的数据几乎要全部洗牌，几乎需要重新迁移数据（而且相当麻烦），无法做到在线数据热迁移。 意味着Redis在此种用法下，只能当缓存，不能当存储数据库！

随机

随机选取一个存储和访问。 一般结合 list ，用于非顺序性要求的消息队列场景。

• 缺点： 使用场景比较单一。 并且由于随机性问题，导致持久化存在不可靠性。Redis在此种用法下，也只能当缓存，不能当存储数据库！

一致性哈希

一致性哈希算法（ Consistent Hashing ）最早在论文《 Consistent Hashing and Random Trees: Distributed Caching Protocols for Relieving Hot Spots on the World Wide Web 》中被提出。 简单来说，一致性哈希将整个哈希值空间组织成一个虚拟的圆环，如假设某哈希函数H的值空间为0-2^32-1（即哈希值是一个32位无符号整形），整个哈希空间环如下：

• 1.有一个HASH环，环上每个节点都是一个自然数，从0开始顺时针递增，直到2^32-1，最后回到0

• 2.真实节点 M1 M2 M3 通过 hash（IP 或主机名）确定在哈希环上的位置

• 3.当客户端请求时，首先 hash(key) 确定在哈希环上的位置，然后顺时针往后找，找到的第一个真实节点，就是客户端需要请求访问的真实主机

• 优点： 哈希一致性其实是对固定取模的一种优化。 （1）扩展性：当增加节点时，只会影响顺时针的真实节点（此部分数据比较难迁移），而不是影响全部的节点。 （2）容错性：当节点宕机或删除节点时，只会影响逆时针的真实节点，而不是影响全部的节点。 （3）平衡性：当哈希算法的节点过少时，会可能造成某些服务器的数据存储较多，而另外一些存储较少，造成数据倾斜，当节点足够多时，这种现象得以缓解。 因此虚拟节点个数较大的时候，数据的平衡性得以保证。

• 缺点： 因为当增删节点时，需要重新计算受影响部分的节点中的key全部找出来，才能迁移，这个很麻烦！！！ Redis在此种用法下，也只能当缓存，不能当存储数据库！

哈希槽（PreSharding，预先分片）

这个跟哈希一致性很相似。 区别在于，它预先分配好真实节点管理的哈希槽（ slot ），并存储管理起来，我们可以预先知道哪个master主机拥有哪些哈希槽（ slot ）,这里总数是16384。

127.0.0.1:7001> cluster nodes
2aaf59558f1b9f493a946a695e51711eb03d15f9 127.0.0.1:7002@17002 master - 0 1590126183862 2 connected 5461-10922
6439c3e9468fd2c545a63b3b9bfe658c5fc14287 127.0.0.1:7003@17003 master - 0 1590126181856 3 connected 10923-16383
340d985880c23de9816226dff5fd903322e44313 127.0.0.1:7001@17001 myself,master - 0 1590126182000 1 connected 0-5460

我们可以清晰看到Redis Cluster中的每一个master节点管理的哈希槽。 比如 127.0.0.1:7001 拥有哈希槽 0-5460， 127.0.0.1:7002 拥有哈希槽 5461-10922， 127.0.0.1:7003 拥有哈希槽 10923-16383。

➜  redis-cli -p 7001         
127.0.0.1:7001> set a 1
(error) MOVED 15495 127.0.0.1:7003

➜  redis-cli -p 7001 -c
127.0.0.1:7001> set a 1
-> Redirected to slot [15495] located at 127.0.0.1:7003
OK

我们看到的是master节点在 Redis Cluster中的实现时，都存有所有的路由信息。 当客户端的key 经过hash运算，发送 slot 槽位不在本节点的时候。 （1）如果是非集群方式连接，则直接报告错误给client，告诉它应该访问集群中那个IP的master主机。 （2）如果是集群方式连接，则将客户端重定向到正确的节点上。 注意这里并不是127.0.0.1:7001 帮client去连接127.0.0.1:7003获取数据的，而是将客户端请求重定向了。

• 优点： 继承并增强一致性哈希的容错性，扩展性，以及平衡性。 Redis在此种用法下，可以当缓存，也能当存储数据库！

• 这里Redis给出更详细的说明： https://redis.io/topics/partitioning

具体方案

以下列表为按照出现的先后顺序排列：

| 方案 | 描述 | 数据分区支持策略 | 分布式 |在线数据热迁移 | |--|--|--| | twemproxy | twitter 开源的redis代理中间件，不修改redis源码 https://github.com/twitter/twemproxy | 存在modula（固定取模）、 random （随机）、ketama（哈希一致性）三种可选的配置 | 本身是单点的，可以通过keepalived等保证高可用 | 不支持，无法平滑地扩容/缩容 | |Redis Cluster | 官方提供的集群方案 | 采用预先分片（PreSharding），即哈希槽方式，存储在每一个master节点上 | 没有proxy代理层，客户端可以连接集群中的任意master节点 | 提供客户端命令 redis-cli --cluster reshard ip port 按哈希槽迁移指定节点的数据 | | codis | 豌豆荚开源的redis代理中间件，修改了redis源码 https://github.com/CodisLabs/codis | 采用预先分片（PreSharding），即哈希槽方式，存储在ZooKeeper上 | 集群部署，部署相对复杂 | 支持数据热迁移 |

• Redis Cluster ：一般生产环境量不大，且采用 Spring 提供的 RedisTemplate 之类封装好的 fat client ，可以采用
• redis6.0后，官方也推出Redis Cluster的proxy方案 （ https://github.com/RedisLabs/redis-cluster-proxy），只是尚为新，且处于beta阶段（2020.5处于1.0beta版本），不成熟。但未来可期，毕竟是官方支持的。
• 目前如果生产环境量大，但尚无研发能力，可以选用 codis