點選「 IT碼徒 」， 關註，置頂 公眾號

每日技術幹貨，第一時間送達！

最近我在思考即時數倉問題的時候，想到了巨量的redis的儲存的問題，然後翻閱到這篇文章，與各位分享。

1

需求背景

該套用場景為 DMP緩存 儲存需求，DMP需要管理非常多的第三方id數據，其中包括各媒體cookie與自身cookie（以下統稱supperid）的mapping關系，還包括了supperid的人口標簽、移動端id（主要是idfa和imei）的人口標簽，以及一些黑名單id、ip等數據。

在hdfs的幫助下離線儲存千億記錄並不困難，然而DMP還需要提供毫秒級的即時查詢。由於cookie這種id本身具有不穩定性，所以很多的真實使用者的瀏覽行為會導致大量的新cookie生成，只有及時同步mapping的數據才能命中DMP的人口標簽，無法透過預熱來獲取較高的命中，這就跟緩存儲存帶來了極大的挑戰。

經過實際測試，對於上述數據，常規儲存超過五十億的kv記錄就需要1T多的記憶體，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記憶體碎片，這就需要超大規模的儲存方案來解決上述問題。

2

儲存何種數據

人⼝標簽主要是cookie、imei、idfa以及其對應的gender（性別）、age（年齡段）、geo（地域）等；mapping關系主要是媒體cookie對supperid的對映。以下是數據儲存⽰範例：

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數據需要儲存兩種key=>value還有key=>hashmap，⽽而Device數據需要儲存⼀一種。

key=>hashmap即可。

3

數據特點

其中superid為21位數位：比如1605242015141689522；
imei為小寫md5：比如2d131005dc0f37d362a5d97094103633；
idfa為大寫帶」-」md5：比如：51DFFC83-9541-4411-FA4F-356927E39D04；

4

存在的技術挑戰

1）長短不一容易造成記憶體碎片；

2）由於指標大量存在，記憶體膨脹率比較高，一般在7倍，純記憶體儲存通病；

3）雖然可以透過cookie的行為預判其熱度，但每天新生成的id依然很多（百分比比較敏感，暫不透露）；

4）由於服務要求在公網環境（國內公網延遲60ms以下）下100ms以內，所以原則上當天新更新的mapping和人口標簽需要全部in memory，而不會讓請求落到後端的冷數據；

5）業務方面，所有數據原則上至少保留35天甚至更久；

6）記憶體至今也比較昂貴，百億級Key乃至千億級儲存方案勢在必行！

5

解決方案

5.1 淘汰策略

儲存吃緊的一個重要原因在於每天會有很多新數據入庫，所以及時清理數據尤為重要。主要方法就是發現和保留熱數據淘汰冷數據。

網民的量級遠遠達不到幾十億的規模，id有一定的生命周期，會不斷的變化。所以很大程度上我們儲存的id實際上是無效的。而查詢其實前端的邏輯就是廣告曝光，跟人的行為有關，所以一個id在某個時間視窗的（可能是一個campaign，半個月、幾個月）存取行為上會有一定的重復性。

數據初始化之前，我們先利用hbase將日誌的id聚合去重，劃定TTL的範圍，一般是35天，這樣可以砍掉近35天未出現的id。另外在Redis中設定過期時間是35天，當有存取並命中時，對key進行續命，延長過期時間，未在35天出現的自然淘汰。這樣可以針對穩定cookie或id有效，實際證明，續命的方法對idfa和imei比較實用，長期積累可達到非常理想的命中。

5.2 減少膨脹

Hash表空間大小和Key的個數決定了沖突率（或者用負載因子衡量），再合理的範圍內，key越多自然hash表空間越大，消耗的記憶體自然也會很大。再加上大量指標本身是長整型，所以記憶體儲存的膨脹十分可觀。先來談談如何把key的個數減少。

大家先來了解一種儲存結構。我們期望將key1=>value1儲存在redis中，那麽可以按照如下過程去儲存。先用固定長度的隨機雜湊md5(key)值作為redis的key，我們稱之為BucketId，而將key1=>value1儲存在hashmap結構中，這樣在查詢的時候就可以讓client按照上面的過程計算出雜湊，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。

如果我們透過預先計算，讓很多key可以在BucketId空間裏碰撞，那麽可以認為一個BucketId下面掛了多個key。比如平均每個BucketId下面掛10個key，那麽理論上我們將會減少超過90%的redis key的個數。

具體實作起來有一些麻煩，而且用這個方法之前你要想好容量規模。我們通常使用的md5是32位元的hexString（16進制字元），它的空間是128bit，這個量級太大了，我們需要儲存的是百億級，大約是33bit（2的33次方），所以我們需要有一種機制計算出合適位數的雜湊，而且為了節約記憶體，我們需要利用全部字元型別（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。

下面是具體的實作方式

publicstaticbyte [] getBucketId(byte [] key, Integer bit) {
MessageDigest mdInst = MessageDigest.getInstance("MD5");
mdInst.update(key);
byte [] md = mdInst.digest();
byte [] r = newbyte[(bit-1)/7 + 1];// 因為一個字節中只有7位能夠表示成單字元，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bit決定了最終BucketId空間的大小，空間大小集合是2的整數冪次的離散值。這裏解釋一下為何一個字節中只有7位可用，是因為redis儲存key時需要是ASCII（0~127），而不是byte array。如果規劃百億級儲存，計劃每個桶分擔10個kv，那麽我們只需2^30=1073741824的桶個數即可，也就是最終key的個數。

5.3 減少碎片

碎片主要原因在於記憶體無法對齊、過期刪除後，記憶體無法重新分配。透過上文描述的方式，我們可以將人口標簽和mapping數據按照上面的方式去儲存，這樣的好處就是redis key是等長的。另外對於hashmap中的key我們也做了相關最佳化，截取cookie或者deviceid的後六位作為key，這樣也可以保證記憶體對齊，理論上會有沖突的可能性，但在同一個桶內字尾相同的機率極低(試想id幾乎是隨機的字串，隨意10個由較長字元組成的id字尾相同的機率*桶樣本數=發生沖突的期望值<<0.05,也就是說出現一個沖突樣本則是極小機率事件，而且這個機率可以透過調整字尾保留長度控制期望值)。而value只儲存age、gender、geo的編碼，用三個字節去儲存。

另外提一下，減少碎片還有個很low但是有效的方法，將slave重新開機，然後強制的failover切換主從，這樣相當於給master整理的記憶體的碎片。

推薦Google-tcmalloc， facebook-jemalloc記憶體分配，可以在value不大時減少記憶體碎片和記憶體消耗。有人測過大value情況下反而libc更節約。

來源：https://juejin.cn/post/6956147115286822948

— END —

PS：防止找不到本篇文章，可以收藏點贊，方便翻閱尋找哦。

往期推薦