架构设计内容分享(五十九)：Redis怎么做高可用、高并发架构？

目录

最简单的场景：Redis单机版

数据持久化：有备无患

主从复制：多副本

哨兵：故障自动切换

分布式系统领域中的「共识算法」

分片集群：横向扩展

总结

---

最简单的场景：Redis单机版

首先，我们从最简单的场景开始。

假设目前你正在开发一个业务应用，希望通过引入 Redis 来提升应用的性能。

在这种情况下，你可以选择部署一个单机版的 Redis 来使用，如下图所示：

这个架构非常简单：将 Redis 当做缓存来使用。

一般来讲，都是Cache Aside模式：从 MySQL 中查询数据，然后写入到 Redis 中，接着业务应用再从 Redis 中读取这些数据。

这个架构，也就是我们常用的缓存架构：由于 Redis 的数据都是存储在内存中的，因此这种数据读写速度非常快。

然而，在某一天，由于某些原因，你的 Redis 服务器突然宕机了。

这时你的所有业务流量，都会打到后端 MySQL 上，这会导致你的 MySQL 压力剧增，严重的话甚至会压垮 MySQL。

面对这种情况，你会如何应对呢？

首先应对措施是迅速重启 Redis，使其能够重新提供服务。

然而，由于先前 Redis 中的数据都存储在内存里，重新启动了 Redis，之前的数据也都丢失了。

尽管重启后的 Redis 能够正常运行，但由于其中没有任何数据，业务流量仍然会被导向后端 MySQL，导致 MySQL 的压力依然巨大。

面对这种困境，你该如何是好？你陷入了沉思。 有没有可行的方案来解决这个问题呢？

既然 Redis 只将数据保存在内存中，那么是否可以考虑将这些数据也写一份到磁盘上呢？

如果采用这种方式，当 Redis 重启时，我们把磁盘中的数据快速恢复到内存中，这样它就可以继续正常提供服务了。

是的，这是一个非常好的解决方案，将内存数据写入磁盘的过程，我们称之为「数据持久化」。

数据持久化：有备无患

现在，你设想的 Redis 数据持久化是这样的：

但是，数据持久化具体应该怎么做呢？

我猜你最容易想到的一个方案是，Redis 每一次执行写操作，除了写内存之外，同时也写一份到磁盘上，就像这样：

没错，这是最简单直接的方案。

注意，这里用的是写后日志。

从架构的方法论上，保证数据的高可靠方式，一般有写前日志（Write Ahead Log, WAL） 和 写后日志 两种架构方案。

写前日志 VS 写后日志

写前日志（Write Ahead Log, WAL）：先记录日志，再执行「写」指令请求，具体来说，在实际写数据之前，将修改的数据写到日志文件中，故障恢复得以保证。

写后日志：先执行「写」指令请求，将数据写入内存，再记录日志。

写前日志（Write Ahead Log, WAL）的案例：比如 MySQL Innodb 存储引擎 中的 redo log（重做日志）便是记录修改的数据日志，在实际修改数据前，先记录修改日志再执行修改数据。

与MySQL相反，Redis 用的是 写后日志 的架构方案。

写后日志(先写内存，后写日志)的好处与风险

(1) 好处

• 不阻塞当前写操作；Redis 是 ap型的 组件， 性能第一， 写操作不能阻塞， 日志记录可以异步进行。

• 无需进行日志检查，往AOF写日志不需要检查命令正确性。若先写日志再执行命令，使用日志恢复时可能报错；

(2) 写后风险

• 命令执行完成后，如果写日志前宕机，则会丢数据；

但是，仔细考虑一下，这个方案存在一个问题：客户端的每次写操作，既要写内存，又要写磁盘，而磁盘写入的时间显然要比内存写入长得多！这无疑会对 Redis 的性能产生影响。

如何规避这个问题？

我们可以这样优化：采用异步架构， Redis 写内存由主线程来做，写内存完成后就给客户端返回结果，然后 Redis 用另一个线程去写磁盘，这样就可以避免主线程写磁盘对性能的影响。

这确实是一个好方案。

除此之外，我们还可以从另一个角度思考：有哪些其他方法可以实现数据持久化呢？

我们可以减少写入磁盘的次数，减少磁盘IO的次数，来提升性能。策略是：采用定期全量写入磁盘，这种方式，也叫「数据快照」。

那么，什么是数据快照呢？

简单来说，你可以这样理解：

1. 将 Redis 看作是一个水杯，向 Redis 写入数据，就相当于往这个杯子里倒水。

2. 此时你用相机给这个水杯拍一张照片，拍照的瞬间，照片中记录的这个水杯中水的容量，就是这个水杯的数据快照。

也就是说，Redis 的数据快照，是记录某一时刻下 Redis 中的数据，然后只需要把这个数据快照写到磁盘上即可。

它的优势在于，只有在需要持久化时，才会将数据「一次性」写入磁盘，其他时间则无需对磁盘进行操作。

基于这个方案，我们可以定时给 Redis 做数据快照，把数据持久化到磁盘上。

其实，上面说的这些持久化方案，就是 Redis 的「RDB」和「AOF」：

• RDB：只将某一时刻的数据快照持久化到磁盘上（通过创建一个子进程来实现）， 这个就是 数据快照架构

• AOF：每次写操作都会持久化到磁盘上（主线程负责写内存，根据策略可以配置由主线程还是子线程来进行数据持久化）， 这个是 写后日志 架构

另外，它们还有以下特点：

1. RDB 使用二进制 + 数据压缩的方式写入磁盘，因此文件体积较小，数据恢复速度也较快。

2. AOF 记录每次写命令，数据最完整，但文件体积较大，数据恢复速度较慢。

如果你需要选择持久化方案，可以根据以下原则进行选择：

1. 如果你的业务对数据丢失不敏感，可以选择 RDB 方案来持久化数据。

2. 如果你的业务对数据完整性要求较高，可以选择 AOF 方案来持久化数据。

假设你的业务对 Redis 数据完整性要求较高，选择了 AOF 方案，那么你可能会遇到以下问题：

1. AOF 记录每一次写操作，随着时间的推移，AOF 文件体积会逐渐增大。

2. 这么大的 AOF 文件，在数据恢复时会变得非常缓慢。

这怎么办？

数据完整性要求变高了，恢复数据也变困难了？有没有什么方法，可以缩小文件体积？提升恢复速度呢？

我们继续来分析 AOF 的特点。

由于 AOF 文件中记录了每次写操作，但对于同一个 key 可能会发生多次修改，我们只保留最后一次修改的值是否可行呢？

是的，这就是我们常听到的「AOF rewrite」，你也可以将其理解为 AOF 的「瘦身」。

我们可以对 AOF 文件定时 rewrite，避免这个文件体积持续膨胀，这样在恢复时就可以缩短恢复时间了。

深入思考一下，能否找到方法进一步减小 AOF 文件？

回顾一下我们前面讲到的，RDB 和 AOF 各自的特点：

1. RDB 以二进制 + 数据压缩方式存储，文件体积小

2. AOF 记录每一次写命令，数据最全

我们能否充分利用它们各自的优势呢？

当然可以，这就是 Redis 的「混合持久化」。

具体来说，当 AOF rewrite 时，Redis 先以 RDB 格式在 AOF 文件中写入一个数据快照，再把在这期间产生的每一个写命令，追加到 AOF 文件中。

因为 RDB 是二进制压缩写入的，这样 AOF 文件体积就变得更小了。

此时，你在使用 AOF 文件恢复数据时，恢复时间将会缩短！

需要注意的是，Redis 4.0 以上版本才支持混合持久化。

经过这样的优化，你的 Redis 再也无需担心实例宕机了，当发生宕机时，你就可以用持久化文件快速恢复 Redis 中的数据。

然而，这样就没问题了吗？

仔细想想，虽然我们已经将持久化文件优化到最小，但在恢复数据时仍需要时间，在这段时间内你的业务应用仍会受到影响，那该怎么办呢？

我们来探讨一下是否有更好的解决方案。

一个实例宕机，只能用恢复数据来解决，那我们是否可以部署多个 Redis 实例，然后让这些实例数据保持实时同步，这样当一个实例宕机时，我们可以在剩下的实例中选择一个继续提供服务。

没错，这个方案就是接下来要讲的「主从复制：多副本」。

主从复制：多副本

此时，你可以部署多个 Redis 实例，架构模型就变成了这样：

我们这里把实时读写的节点叫做 master，另一个实时同步数据的节点叫做 slave。

采用多副本的方案，它的优势是：

1. 缩短不可用时间：master 发生宕机，我们可以手动把 slave 提升为 master 继续提供服务

2. 提升读性能：让 slave 分担一部分读请求，从而提高应用的整体性能。

这个方案看起来不错，既节省了数据恢复时间，又提高了性能。

那么它有什么问题吗？

它的问题在于：当 master 宕机时，我们需要「手动」把 slave 提升为 master，这个过程也是需要花费时间的。

虽然比恢复数据要快得多，但还是需要人工介入处理。一旦需要人工介入，就必须要算上人的反应时间、操作时间，所以，在这期间你的业务应用依旧会受到影响。

那么如何解决这个问题呢？

我们是否可以把这个切换的过程，变成自动化呢？

针对这种情况，我们需要一个「故障自动切换」机制，这正是我们经常听到的「哨兵」所具备的能力。

哨兵：故障自动切换

现在，我们可以引入一个「观察者」，让这个观察者去实时监测 master 的健康状态，这个观察者就是「哨兵」。

那么，具体如何实施呢？

1. 哨兵每间隔一段时间，询问 master 是否正常

2. master 正常回复，表示状态正常，回复超时表示异常

3. 哨兵发现异常，发起主从切换

有了这个方案，就无需人去介入处理了，一切就变得自动化了，是不是很棒？

然而，还存在一个问题：

如果 master 状态正常，但这个哨兵在询问 master 时，它们之间的网络发生了问题，那这个哨兵可能会误判。

那么，如何解决这个问题呢？

答案是，我们可以部署多个哨兵，让它们分布在不同的机器上，它们一起监测 master 的状态，流程就变成了这样：

1. 多个哨兵每间隔一段时间，询问 master 是否正常

2. master 若正常回复，则表示其状态良好，若回复超时，则表示存在异常

3. 一旦有一个哨兵判定 master 异常（不管是否是网络问题），就询问其它哨兵，如果多个哨兵（设置一个阈值）都认为 master 异常了，这才判定 master 确实发生了故障

4. 多个哨兵经过协商后，判定 master 故障，则发起主从切换

因此，我们用多个哨兵互相协商来判定 master 的状态，这样一来，就可以大大降低误判的概率。

在哨兵协商判定 master 异常后，这里还有一个问题：由哪个哨兵来发起主从切换呢？

答案是，选出一个哨兵「领导者」，由这个领导者进行主从切换。

问题又来了，这个领导者怎么选？

设想一下，在现实生活中，选举是怎么做的？是的，投票。

在选举哨兵领导者时，我们可以制定这样一个选举规则：

1. 每个哨兵都询问其它哨兵，请求对方为自己投票

2. 每个哨兵只投票给第一个请求投票的哨兵，且只能投票一次

3. 首先拿到超过半数投票的哨兵，当选为领导者，发起主从切换

其实，这个选举的过程就是我们经常听到的：分布式系统领域中的「共识算法」。

分布式系统领域中的「共识算法」

什么是共识算法？

我们在多个机器部署哨兵，它们需要共同协作完成一项任务，所以它们就组成了一个「分布式系统」。

在分布式系统领域，多个节点如何就一个问题达成共识的算法，就叫共识算法。

在这个场景下，多个哨兵共同协商，选举出一个都认可的领导者，就是使用共识算法完成的。

这个算法还规定节点的数量必须是奇数个，这样可以保证系统中即使有节点发生了故障，剩余超过「半数」的节点状态正常，依旧可以提供正确的结果，也就是说，这个算法还兼容了存在故障节点的情况。

共识算法在分布式系统领域有很多，例如 Paxos、Raft，哨兵选举领导者这个场景，使用的是 Raft 共识算法，因为它足够简单，且易于实现。

现在，我们用多个哨兵共同监测 Redis 的状态，这样一来，就可以避免误判的问题了，架构模型就变成了这样：

好了，到这里我们先小结一下。

你的 Redis 从最简单的单机版，经过数据持久化、主从多副本、哨兵集群这一系列优化，你的 Redis 不管是性能还是稳定性，都越来越高，即使节点出现故障，也无需担心。

你的 Redis 以这样的架构模式部署，基本上就可以稳定运行很长时间了。

…

然而，随着业务的发展，你的业务量开始迅速增长，此时你的架构模型，还能承受这么大的流量吗？

我们一起来分析一下：

1. 稳定性：Redis 故障宕机，我们有哨兵 + 副本，可以自动完成主从切换

2. 性能：读请求量增长，我们可以再部署多个 slave，实现读写分离，分担读压力

3. 性能：写请求量增长，但我们只有一个 master 实例，这个实例达到瓶颈怎么办？

当你的写请求量越来越大时，单个 master 实例可能无法承受这么大的写流量。

要解决这个问题，此时你需要考虑使用「分片集群」。

分片集群：横向扩展

什么是「分片集群」？

简而言之，如果一个实例扛不住写压力，那我们是否可以部署多个实例，然后把这些实例按照一定规则组织起来，把它们当成一个整体，对外提供服务，这样不就可以解决集中写一个实例的瓶颈问题吗？

所以，现在的架构模型就变成了这样：

现在问题又来了，那么多实例应该如何组织呢？

我们制定规则如下：

1. 每个节点各自存储一部分数据，所有节点数据之和才是全量数据

2. 制定一个路由规则，对于不同的 key，把它路由到固定一个实例上进行读写

而根据路由规则所在的位置，分片集群可以分为两大类：

1. 客户端分片

2. 服务端分片

客户端分片指的是，将 key 的路由规则放在客户端来做，就是下面这样：

这个方案的缺点是，客户端需要维护这个路由规则，也就是说，你需要将路由规则写到你的业务代码中。

如何在不将路由规则与业务代码耦合的情况下实现？

你可以这样优化，将这个路由规则封装成一个模块，当需要使用时，集成这个模块就可以了。

这正是 Redis Cluster 的采用的方案。

Redis Cluster 内置了哨兵逻辑，无需额外部署哨兵。

在使用 Redis Cluster 的过程中，你的业务应用需依赖相应的 Redis SDK，该 SDK 已内置路由规则，无需手动编写。

接下来，我们来看服务端分片的实现。

该方案是指将路由规则不放在客户端处理，而是在客户端与服务端之间添加一个「中间代理层」，这个代理就是我们常听说的 Proxy。

而数据的路由规则，就放在这个 Proxy 层来维护。

这样一来，你就无需关心服务端有多少个 Redis 节点了，只需要和这个 Proxy 进行交互即可。

Proxy 会根据路由规则将你的请求转发至相应的 Redis 节点。

并且，当集群实例无法承受更大的流量请求时，还可以横向扩展，通过添加新的 Redis 实例以提升性能。这一切对于你的客户端而言，都是透明且无感知的。

业界开源的 Redis 分片集群方案，例如 Twemproxy、Codis，就是采用了这种方案。

在进行数据扩容时，分片集群涉及许多细节，但这不是本文的重点，因此暂时不进行详细讨论。

如今，采用分片集群后，你可以从容应对更大的流量压力了！

总结

让我们回顾一下，我们是如何演进一个稳定且高性能的 Redis 集群的。

首先，在使用最简单的单机版 Redis 时，我们遇到了 Redis 故障宕机后数据无法恢复的问题，因此我们引入了「数据持久化」，将内存中的数据保存到磁盘上，以便 Redis 重启后能快速恢复数据。

在进行数据持久化时，我们面临如何更高效地将数据保存到磁盘的问题。后来我们发现 Redis 提供了 RDB 和 AOF 两种方案，分别对应数据快照和实时命令记录。当对数据完整性要求不高时，可以选择 RDB 持久化方案；如果对数据完整性要求较高，可以选择 AOF 持久化方案。

但是我们又发现，AOF 文件体积会随着时间增长变得越来越大，此时我们想到的优化方案是，使用 AOF rewrite 的方式对其进行瘦身，减小文件体积，再后来，我们发现可以结合 RDB 和 AOF 各自的优势，在 AOF rewrite 时使用两者结合的「混合持久化」方式，又进一步减小了 AOF 文件体积。

接着，我们发现虽然可以通过数据恢复的方式还原数据，但恢复数据仍需要花费时间，这意味着业务应用仍会受到影响。我们进一步优化，采用「多副本」的方案，让多个实例保持实时同步，当一个实例故障时，可以手动把其他实例提升上来继续提供服务。

但是这样也有问题，手动提升实例上来，需要人工介入，人工介入操作也需要时间，我们开始寻找方法使这个流程自动化，因此我们引入了「哨兵」集群。哨兵集群通过互相协商的方式，发现故障节点，并可以自动完成切换，从而大幅降低对业务应用的影响。

最后，我们将关注点放在如何支持更大的写流量上，因此引入了「分片集群」来解决这个问题，让多个 Redis 实例分担写压力。面对更大的流量，我们还可以添加新的实例进行横向扩展，进一步提高集群性能。

通过这些步骤，我们的 Redis 集群能够长期稳定、高性能地为我们的业务提供服务。

在架构演进的过程中， 围绕着「架构设计」的核心思想：

• 高性能：读写分离、分片集群

• 高可用：数据持久化、多副本、故障自动切换

• 易扩展：分片集群、横向扩展

• 高可靠：写后日志、数据快照

当我们提及哨兵群体、分片群体时，还涉及到了「分布式系统」相关的知识：

• 分布式共识：哨兵领导者选举

• 负载均衡：分片集群数据分片、数据路由

这里用一个思维导图，方便你更好地去理解它们之间的关系，以及演化的过程。

当然，除了 Redis 之外，对于构建任何一个数据集群，你都可以沿用这个思路去思考、去优化，看看它们到底是如何做的。

例如在使用 MySQL 时，你可以思考 MySQL 与 Redis 的差异，以及 MySQL 是如何实现高性能和高可用的。其实思路都是类似的。

如今我们随处可见分布式系统、数据群体，希望通过这篇文章，你可以理解这些软件是如何逐步演进而来的，在演化过程中，它们遇到了哪些问题，为了解决这些问题，这些软件的设计者提出了怎样的方案，做出了哪些取舍？

实际上，这个思考过程也是进行「架构设计」的思路。

在进行软件架构设计时，您面临的场景是发现问题、分析问题、解决问题，逐步优化和升级您的架构，最终在性能和可靠性方面达到平衡。尽管各种软件层出不穷，但架构设计的理念不会改变，希望您真正吸收的是这些思想，这样才能做到以不变应万变。