背景
由于公司Redis实例规模比较大45000+，使用服务器数量多2000+，而且使用内存存储成本相比磁盘要高很多，基于Redis集群进行现状分析，针对以下集群决定使用傲腾AEP存储进行成本优化。
- 请求量低的小集群非常多，部署比较分散，服务器资源成本高。
- 大容量集群每次申请200G到2T容量不等，使用服务器数量多。
傲腾AEP上线需要做什么
傲腾AEP性能如何
首先性能测试，整体来讲跟纯内存相比有10%左右的损耗，测试数据如下。目前我们在该机型仅支持小集群、大容量的业务，目前不存在性能问题。
说明：上图为当Redis单进程cpu负载80%左右的情况下，在内存和傲腾不同存储上分别运行在不同版本3.2.11、4.0.12、5.0.8、6.0.5，当set命令value为10、100、1000字节每秒处理请求个数压测结果对比。
说明：上图为当Redis单进程cpu负载80%左右的情况下，在内存和傲腾不同存储上分别运行在不同版本3.2.11、4.0.12、5.0.8、6.0.5，当get命令value为10、100、1000字节每秒处理请求个数压测结果对比。
说明：上图为当Redis单进程cpu负载80%左右的情况下，在内存和傲腾不同存储上分别运行在不同版本3.2.11、4.0.12、5.0.8、6.0.5，当set命令value为10、100、1000字节响应时间分别为1、2、3、4毫秒的百分比压测结果对比。
说明：上图为当Redis单进程cpu负载80%左右的情况下，在内存和傲腾不同存储上分别运行在不同版本3.2.11、4.0.12、5.0.8、6.0.5，当get命令value为10、100、1000字节响应时间分别为1、2、3、4毫秒的百分比压测结果对比。
密集部署调度是否能打散
- redis集群1个节点下主从不在同一个机柜组。
- redis内存利用率大于50%不再调度新实例
- 一个机柜组承载每个集群不超过25%的实例数。
- 扩容k8s集群中node后新增实例的打散依然符合以上规则。
密集部署宕机业务影响范围
- 业务恢复时间
从实例不可用到域名切换完成耗时20~40s之间。 - 拓扑恢复时间
完全自动化，DBA关注进度就好，宕机服务器500+G内存恢复需要30min左右。
管理方式变更
1).Redis资源申请
1)目前可以做到Redis资源分钟级别交付。
2).增加异常诊断
1)基于Redis、操作系统，中间件层快速聚合分析到历史时间段的异常指标。生成集群诊断报告。
2)通过获取Redis实时monitor日志，分析出热点数据，输出热点报表信息。
3).异常处理预案
1)增加了sentinel服务异常后宕机批量切换工具。
2)增加了主从同时宕机批量从异地备份机恢复数据的工具。
4).增加集群画像
1)集群列表页关联业务组，划分权限，只显示各自归属集群，方便业务方查看。
2)业务方更详细了解集群基础信息（架构、分片、机房等）和性能信息（访问量、容量等指标的实时统计和天级统计）。
3)基础数据完整和准确，有效实施后续自动化功能建设。
4)实时统计、天级统计信息可定时产出报表，分析低访问量、慢查询多等集群。
5)集群信息完整，出问题时可以快速定位业务方、访问源服务、关联申请原工单、操作类型统计等维度方便排查。
阶段工作成本对比
总结
1）非核心业务可以先上AEP，如果性能不够再迁移到纯内存服务器上。
2）目前存量小实例继续进行迁移。
密集部署遇到的问题
1).整点cpu高，慢日志数量增多，业务出现规律性超时。
原因：
1.每个docker容器整点执行收集Redis客户端连接，遇到客户端连接多的情况尤为严重。
2.每个docker容器整点执行收集Redis元信息的任务。
3.每个docker容器整点执行anacron任务。
解决方案：
1.降低定时任务收集客户端连接的频率。
2.随机打散定时任务的执行时间。
3.去掉不必要的定时任务。
2).sentinel高可用服务自动切换部分失败。
原因：
1.sentinel服务线程数不够，丢弃部分待处理任务。
2.sentinel元信息更新失败问题。
解决方案：
1.优化sentinel服务线程数。
2.优化更新sentinel元信息的版本控制。
3).sentinel高可用服务异常切换慢。
原因：
1.异常检测周期长。
2.域名切换耗时高。
解决方案：
1.异常检测周期由原来30s降低到10s。
2.优化域名切换接口索引缺失问题由原来平均30s降低到3s。
4).Redis负载高，操作系统卡顿。
原因：
1.docker容器管理Redis进程，sentinel-agent组件沿用物理机部署版本，线程数过高导致操作系统卡。
2.每个docker容器部署了repl-agent组件。
3.每个docker容器的cadvisor监控项过多。
解决方案：
1.优化sentinel-agent组件降低线程数。
2.下线repl-agent弃用组件。
3.优化cadvisor监控项数量。
5)./var目录容量满出现Redis所在容器被驱逐。
解决方案：
1.将coredump日志记录到较大分区。
2.优化各个分区容量的使用的报警等级。
6).Redis宿主机重启后二次调度，导致数据异常。
解决方案：
1.任务原因导致的宿主机宕机，自动进行调度隔离。