Redis 大數(shù)據(jù)量（百億級）Key存儲需求及解決方案
作者 | 小熱愛
最近我在思考實(shí)時(shí)數(shù)倉問題的時(shí)候，想到了巨量的redis的存儲的問題，然后翻閱到這篇文章，與各位分享
一 需求背景
該應(yīng)用場景為DMP緩存存儲需求，DMP需要管理非常多的第三方id數(shù)據(jù)，其中包括各媒體cookie與自身cookie（以下統(tǒng)稱supperid）的mapping關(guān)系，還包括了supperid的人口標(biāo)簽、移動(dòng)端id（主要是idfa和imei）的人口標(biāo)簽，以及一些黑名單id、ip等數(shù)據(jù)。
在hdfs的幫助下離線存儲千億記錄并不困難，然而DMP還需要提供毫秒級的實(shí)時(shí)查詢。由于cookie這種id本身具有不穩(wěn)定性，所以很多的真實(shí)用戶的瀏覽行為會導(dǎo)致大量的新cookie生成，只有及時(shí)同步mapping的數(shù)據(jù)才能命中DMP的人口標(biāo)簽，無法通過預(yù)熱來獲取較高的命中，這就跟緩存存儲帶來了極大的挑戰(zhàn)。
經(jīng)過實(shí)際測試，對于上述數(shù)據(jù)，常規(guī)存儲超過五十億的kv記錄就需要1T多的內(nèi)存，如果需要做高可用多副本那帶來的消耗是巨大的，另外kv的長短不齊也會帶來很多內(nèi)存碎片，這就需要超大規(guī)模的存儲方案來解決上述問題。
二 存儲何種數(shù)據(jù)
人?標(biāo)簽主要是cookie、imei、idfa以及其對應(yīng)的gender（性別）、age（年齡段）、geo（地域）等；mapping關(guān)系主要是媒體cookie對supperid的映射。以下是數(shù)據(jù)存儲?示例：
PC端的ID：
媒體編號-媒體cookie=>supperid
supperid => { age=>年齡段編碼，gender=>性別編碼，geo=>地理位置編碼 }
Device端的ID：
imei or idfa => { age=>年齡段編碼，gender=>性別編碼，geo=>地理位置編碼 }
顯然PC數(shù)據(jù)需要存儲兩種key=>value還有key=>hashmap，?而Device數(shù)據(jù)需要存儲?一種
key=>hashmap即可。
三 數(shù)據(jù)特點(diǎn)
短key短value：
其中superid為21位數(shù)字：比如1605242015141689522；
imei為小寫md5：比如2d131005dc0f37d362a5d97094103633；
idfa為大寫帶”-”md5：比如：51DFFC83-9541-4411-FA4F-356927E39D04；
媒體自身的cookie長短不一； 需要為全量數(shù)據(jù)提供服務(wù)，supperid是百億級、媒體映射是千億級、移動(dòng)id是幾十億級； 每天有十億級別的mapping關(guān)系產(chǎn)生； 對于較大時(shí)間窗口內(nèi)可以預(yù)判熱數(shù)據(jù)（有一些存留的穩(wěn)定cookie）； 對于當(dāng)前mapping數(shù)據(jù)無法預(yù)判熱數(shù)據(jù)，有很多是新生成的cookie；
4 存在的技術(shù)挑戰(zhàn)
1）長短不一容易造成內(nèi)存碎片；
2）由于指針大量存在，內(nèi)存膨脹率比較高，一般在7倍，純內(nèi)存存儲通病；
3）雖然可以通過cookie的行為預(yù)判其熱度，但每天新生成的id依然很多（百分比比較敏感，暫不透露）；
4）由于服務(wù)要求在公網(wǎng)環(huán)境（國內(nèi)公網(wǎng)延遲60ms以下）下100ms以內(nèi)，所以原則上當(dāng)天新更新的mapping和人口標(biāo)簽需要全部in memory，而不會讓請求落到后端的冷數(shù)據(jù)；
5）業(yè)務(wù)方面，所有數(shù)據(jù)原則上至少保留35天甚至更久；
6）內(nèi)存至今也比較昂貴，百億級Key乃至千億級存儲方案勢在必行！
5 解決方案
5.1 淘汰策略
存儲吃緊的一個(gè)重要原因在于每天會有很多新數(shù)據(jù)入庫，所以及時(shí)清理數(shù)據(jù)尤為重要。主要方法就是發(fā)現(xiàn)和保留熱數(shù)據(jù)淘汰冷數(shù)據(jù)。
網(wǎng)民的量級遠(yuǎn)遠(yuǎn)達(dá)不到幾十億的規(guī)模，id有一定的生命周期，會不斷的變化。所以很大程度上我們存儲的id實(shí)際上是無效的。而查詢其實(shí)前端的邏輯就是廣告曝光，跟人的行為有關(guān)，所以一個(gè)id在某個(gè)時(shí)間窗口的（可能是一個(gè)campaign，半個(gè)月、幾個(gè)月）訪問行為上會有一定的重復(fù)性。
數(shù)據(jù)初始化之前，我們先利用hbase將日志的id聚合去重，劃定TTL的范圍，一般是35天，這樣可以砍掉近35天未出現(xiàn)的id。另外在Redis中設(shè)置過期時(shí)間是35天，當(dāng)有訪問并命中時(shí)，對key進(jìn)行續(xù)命，延長過期時(shí)間，未在35天出現(xiàn)的自然淘汰。這樣可以針對穩(wěn)定cookie或id有效，實(shí)際證明，續(xù)命的方法對idfa和imei比較實(shí)用，長期積累可達(dá)到非常理想的命中。
5.2 減少膨脹
Hash表空間大小和Key的個(gè)數(shù)決定了沖突率（或者用負(fù)載因子衡量），再合理的范圍內(nèi)，key越多自然hash表空間越大，消耗的內(nèi)存自然也會很大。再加上大量指針本身是長整型，所以內(nèi)存存儲的膨脹十分可觀。先來談?wù)勅绾伟裬ey的個(gè)數(shù)減少。
大家先來了解一種存儲結(jié)構(gòu)。我們期望將key1=>value1存儲在redis中，那么可以按照如下過程去存儲。先用固定長度的隨機(jī)散列md5(key)值作為redis的key，我們稱之為BucketId，而將key1=>value1存儲在hashmap結(jié)構(gòu)中，這樣在查詢的時(shí)候就可以讓client按照上面的過程計(jì)算出散列，從而查詢到value1。
過程變化簡單描述為：get(key1) -> hget(md5(key1), key1) 從而得到value1。
如果我們通過預(yù)先計(jì)算，讓很多key可以在BucketId空間里碰撞，那么可以認(rèn)為一個(gè)BucketId下面掛了多個(gè)key。比如平均每個(gè)BucketId下面掛10個(gè)key，那么理論上我們將會減少超過90%的redis key的個(gè)數(shù)。
具體實(shí)現(xiàn)起來有一些麻煩，而且用這個(gè)方法之前你要想好容量規(guī)模。我們通常使用的md5是32位的hexString（16進(jìn)制字符），它的空間是128bit，這個(gè)量級太大了，我們需要存儲的是百億級，大約是33bit（2的33次方），所以我們需要有一種機(jī)制計(jì)算出合適位數(shù)的散列，而且為了節(jié)約內(nèi)存，我們需要利用全部字符類型（ASCII碼在0~127之間）來填充，而不用HexString，這樣Key的長度可以縮短到一半。
下面是具體的實(shí)現(xiàn)方式
public static byte [] getBucketId(byte [] key, Integer bit) {
MessageDigest mdInst = MessageDigest.getInstance("MD5");
mdInst.update(key);
byte [] md = mdInst.digest();
byte [] r = new byte[(bit-1)/7 + 1];// 因?yàn)橐粋€(gè)字節(jié)中只有7位能夠表示成單字符，ascii碼是7位
int a = (int) Math.pow(2, bit%7)-2;
md[r.length-1] = (byte) (md[r.length-1] & a);
System.arraycopy(md, 0, r, 0, r.length);
for(int i=0;i<r.length;i++) {
if(r[i]<0) r[i] &= 127;
}
return r;
}
參數(shù)bit決定了最終BucketId空間的大小，空間大小集合是2的整數(shù)冪次的離散值。這里解釋一下為何一個(gè)字節(jié)中只有7位可用，是因?yàn)閞edis存儲key時(shí)需要是ASCII（0~127），而不是byte array。如果規(guī)劃百億級存儲，計(jì)劃每個(gè)桶分擔(dān)10個(gè)kv，那么我們只需2^30=1073741824的桶個(gè)數(shù)即可，也就是最終key的個(gè)數(shù)。
5.3 減少碎片
碎片主要原因在于內(nèi)存無法對齊、過期刪除后，內(nèi)存無法重新分配。通過上文描述的方式，我們可以將人口標(biāo)簽和mapping數(shù)據(jù)按照上面的方式去存儲，這樣的好處就是redis key是等長的。另外對于hashmap中的key我們也做了相關(guān)優(yōu)化，截取cookie或者deviceid的后六位作為key，這樣也可以保證內(nèi)存對齊，理論上會有沖突的可能性，但在同一個(gè)桶內(nèi)后綴相同的概率極低(試想id幾乎是隨機(jī)的字符串，隨意10個(gè)由較長字符組成的id后綴相同的概率* 桶樣本數(shù)=發(fā)生沖突的期望值<<0.05,也就是說出現(xiàn)一個(gè)沖突樣本則是極小概率事件，而且這個(gè)概率可以通過調(diào)整后綴保留長度控制期望值)。而value只存儲age、gender、geo的編碼，用三個(gè)字節(jié)去存儲。
另外提一下，減少碎片還有個(gè)很low但是有效的方法，將slave重啟，然后強(qiáng)制的failover切換主從，這樣相當(dāng)于給master整理的內(nèi)存的碎片。
推薦Google-tcmalloc， facebook-jemalloc內(nèi)存分配，可以在value不大時(shí)減少內(nèi)存碎片和內(nèi)存消耗。有人測過大value情況下反而libc更節(jié)約。
往期推薦
關(guān)注我回復(fù)「加群」，加入Spring技術(shù)交流群