背景
Redis混合存储产品是阿里云自主研发的完全兼容Redis协议和特性的混合存储产品。
通过将部分冷数据存储到磁盘，在保证绝大部分访问性能不下降的基础上，大大降低了用户成本并突破了内存对Redis单实例数据量的限制。
其中，对冷热数据的识别和交换是混合存储产品性能的关键因素。
冷热数据定义
在Redis混合存储中，内存和磁盘的比例是用户可以自由选择的：
Redis混合存储实例将所有的Key都认为是热数据，以少量的内存为代价保证所有Key的访问请求的性能是高效且一致的。而对于Value部分，在内存不足的情况下，实例本身会根据最近访问时间，访问频度，Value大小等维度选取出部分value作为冷数据后台异步存储到磁盘上直到内存小于制定阈值为止。
在Redis混合存储实例中，我们将所有的Key都认为是热数据保存在内存中是出于以下两点考虑：
1、Key的访问频度比Value要高很多。
作为KV数据库，通常的访问请求都需要先查找Key确认Key是否存在，而要确认一个key不存在，就需要以某种形式检查所有Key的集合。在内存中保留所有Key，可以保证key的查找速度与纯内存版完全一致。
2、Key的大小占比很低。
即使是普通字符串类型，通常的业务模型里面Value比Key要大几倍。而对于Set，List，Hash等集合对象，所有成员加起来组成的Value更是比Key大了好几个数量级。
因此，Redis混合存储实例的适用场景主要有以下两种：
1、数据访问不均匀，存在热点数据；
2、内存不足以放下所有数据，且Value较大(相对于Key而言)
冷热数据识别
当内存不足时的情况下，实例会按照最近访问时间，访问频度，value大小等维度计算出value的权重，将权重最低的value存储到磁盘上并从内存中删除。
伪代码如下：
理想的情况下，我们当然希望能够准确的计算出当前最冷的value。然而，value的冷热程度根据访问情况动态变化的，每次都重新计算所有value的冷热权重的时间消耗是完全不可接受的。
Redis本身在内存满的情况下会根据用户设置的淘汰策略淘汰数据，而热数据从内存写到磁盘也可以认为是一种“淘汰”的过程。从性能，准确率以及用户理解程度考虑，我们在冷热数据识别时采用和Redis类似的近似计算方法,支持多种策略, 通过随机采样小部分数据来降低CPU和内存消耗，通过eviction pool利用采样历史信息来辅助提高准确率。
上图为不同版本和不同采样样本数目配置下，Redis近似淘汰算法的命中率示意图。浅灰色的点为被淘汰数据，灰色的点为未淘汰数据，绿色点为测试过程中新加入的数据。
冷热数据交换
Redis混合存储在冷热数据交换过程在后台IO线程中完成。
热数据->冷数据
异步方式：
1、主线程在内存接近最大值时，生成一系列数据换出任务；
2、后台线程执行这些数据换出任务，执行完毕之后通知主线程；
3、主线程更新释放内存中的value，更新内存中数据字典中的value为一个简单的元信息；
同步方式：
如果写入流量过大，异步方式来不及换出数据，导致内存超出最大规格内存。主线程将直接执行数据换出任务，达到变相限流的目的。
冷数据->热数据
异步方式：
1、主线程在执行命令前，先判断命令涉及的value是否都在内存中；
2、如果不是，生成数据加载任务，挂起该客户端，主线程继续处理其他客户端请求；
3、后台线程执行数据加载任务，执行完毕后通知主线程；
4、主线程在内存中更新数据字典中的value，唤醒之前挂起的客户端，处理其请求。
同步方式：
在Lua脚本，具体命令执行阶段，如果发现有value存储在磁盘上，主线程将直接执行数据加载任务，保证Lua脚本和命令的语义不变。
本文作者：怀听
本文为云栖社区原创内容，未经允许不得转载。