redis

安装

docker run -p 6379:6379 --name myredis1 --privileged=true -v "C:/Users/tang8/.docker/mydata/redis/redis.conf":"/etc/redis/redis.conf" -v "C:/Users/tang8/.docker/mydata/redis/data":"/data" -d redis:6.2.7 redis-server /etc/redis/redis.conf

集群

如果有上亿条记录（即上亿条k,v）需要存储在redis中，单机比如无法满足存储需求，必须要分布式多个redis分散存储，但是如何均匀分配数据就成了一个问题。

哈希

为了解决均匀分配数据问题，可以使用hash算法，即将key（因为redis中key不可以重复）的hash值，与ip绑定。
具体算法是：hash(key)%N个机器台数

优点

简单，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+分散存储的作用。

缺点

原来规划好的节点，进行扩容或者缩容时比较麻烦，不管扩容还是缩容，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，由于台数数量变化，会导致hash取余全部数据重新洗牌。

一致性哈希

为了在节点数目发生改变时尽可能少的迁移数据，将所有的存储节点排列在收尾相接的Hash环上，每个key在计算Hash后会顺时针找到临近的存储节点存放。而当有节点加入或退出时仅影响该节点在Hash环上顺时针相邻的后续节点。

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[0~2^432-1],这个是一个线性空间，但是在算法中，我们通过适当的逻辑控制将它首尾相连(0=2^32)，这样让它逻辑上形成了一个环形空间。
它也是按照使用取模的方法，前面笔记介绍的节点取模法是对节点（服务器）的数量进行取模。而一致性Has算法是对2^32取模。

简单来说，一致性Hash算法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、……直到2^32-1，也就是说0点左侧的第一个点代表2^32-1，0和2^32-1在零点中方向重合，我们把这个由2^32个点组成的圆环称为Hash环。

节点映射

将集群中各个P节点映射到环上的某一个位置。
将各个服务器使用Hash进行一个哈希，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,经过IP地址的哈希函数计算(hash(ip)),使用IP地址哈希后在环空间的位置如下：

key落到服务器的落键规则

当我们需要存储一个kv键值对时，首先计算key的hash值，hash(key),将这个key使用相同的函数Hash计算出哈希值并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。
如我们有 Object A、 Object B、 Object C、 Object D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Hash算法，数据A会被定
为到 Node A上，B被定为到 Node B上，C被定为到 Node C上，D被定为到 Node D上。

优点

加入和删除节点只影响哈希环中顺时针方向的相邻的节点，对其他节点无影响。

一致性哈希算法的容错性
假设 Node C宕机，可以看到此时对象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Hash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（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它不会受到影响。简单
说，就是C挂了，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进行存储。

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odeX,X的位置在A和B之间，那收到影响的也就是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hash取余全部数据重新洗牌。

缺点

数据的分布和节点的位置有关，因为这些节点不是均匀的分布在哈希环上的，所以数据在进行存储时达不到均匀分布
的效果。

一致性哈希算法的数据倾斜问题
一致性Has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：

哈希槽

Redis集群并没有使用一致性hash而是引入了哈希槽的概念，可以解决一致性哈希算法的数据倾斜问题。
Redis集群有16384个哈希槽，每个key通过CRC16校验后对16384取模来决定放置哪个槽，集群的每个节点负责一部分hash槽。

哈希槽实质就是一个数组，数组[0~2^14-1]形成 hash slot空间。

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(0-2^14-1)。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。

为什么 redis集群的最大槽数是16384个？

(1)如果槽位为65536，发送心跳信息的消息头达8k,发送的心跳包过于庞大。
在消息头中最占空间的是 myslots[ CLUSTER_ SLOTS/8]。当槽位为65536时，这块的大小是：65536÷8÷1024=8kb
因为每秒钟， redis节点需要发送一定数量的ping消息作为心跳包，如果槽位为65536，这个ping消息的消息头太大了，浪费带宽。
(2) redis的集群主节点数量基本不可能超过1000个。
集群节点越多，心跳包的消息体内携带的数据越多。如果节点过1O00个，也会导致网络拥堵。因此 redis作者不建议 redis cluster节点数量超过
1000个。那么，对于节点数在1000以内的 redis cluster集群，16384个槽位够用了。没有必要拓展到65536个。
(3)槽位越小，节点少的情况下，压缩比高，容易传输
Redis主节点的配置信息中它所负责的哈希槽是通过一张 bitmap的形式来保存的，在传输过程中会对 bitmap进行压缩，但是如果 bitmap的填充率 slots
/N很高的话(N表示节点数)， bitmap的压缩率就很低。如果节点数很少，而哈希槽数量很多的话， bitmapl的压缩率就很低。