老司机带你玩转面试（5）：Redis 集群模式 Redis Cluster

前文回顾

建议前面文章没看过的同学先看下前面的文章：

「老司机带你玩转面试（1）：缓存中间件 Redis 基础知识以及数据持久化」

「老司机带你玩转面试（2）：Redis 过期策略以及缓存雪崩、击穿、穿透」

「老司机带你玩转面试（3）：Redis 高可用之主从模式」

「老司机带你玩转面试（4）：Redis 高可用之哨兵模式」

简介

之前介绍的 Redis 的高可用方案：主从模式或者说哨兵模式，都只是在解决高可用的问题，比如说主从模式解决了读高可用，哨兵模式解决了写高可用。

如果我们需要缓存的数据量比较少，几个 G 足够用了，那么这两种方案的高可用模式完全可以满足需求，一个 master 对多个 salve ，需要几个 salve 跟读的吞吐量相关，然后再搞一个 sentinel 集群去保证 Redis 主从模式的高可用。

但是如果我们有大量的数据需要进缓存，单机的存储容量无法满足的时候，怎么办？

这时，需要用到分布式缓存，就在几年前，想用分布式缓存还得借助中间件来实现，比如当时风靡一时的 codis ，或者说还有 twemproxy 。在使用上，我们对 Redis 中间件进行读写操作， Redis 中间件负责将我们的数据分布式的存储在多台机器上的 Redis 实例中。

而 Redis 也是不断在发展的，终于在 3.0 的版本中（其实对现在来讲也是比较早的版本了，现在的版本都 6.0 了），原生支持了集群模式。

可以做到在多台机器上，部署多个 Redis 实例，每个实例存储一部分的数据，同时每个 Redis 主实例可以挂载 Redis 从实例，实现了 Redis 主实例挂了，会自动切换到 Redis 从实例上来。

除了实现了分布式存储以外，还顺便实现了高可用。

分布式寻址算法

Redis Cluster 的数据是分布式存储的，这就必然会引发一个问题，假如我有 3 个节点，我如何知道一个 key 是存在这 3 个节点的哪一个节点上，取数的时候如何准确的找到对应的节点将数据取出来？这就要用到分布式寻址算法了。

常见的分布式寻址算法有两种：

• hash 算法
• 一致性 hash 算法

hash 算法

hash 算法是对 key 进行 hash 运算后取值，然后对节点的数量取模。

接着将 key 存入对应的节点，但是，一旦其中某个节点宕机，所有的请求过来，都会基于最新的存活的节点数量进行取模运算，这就会导致大多数的请求无法拿到缓存数据。

举个例子，一开始我有 3 个节点，这时大家正常的取模运算将数据基本均匀的存在了 3 个节点上，突然宕机了一台，现在只剩下 2 个有效的节点了，这时所有的运算都会基于最新的 2 个节点进行取模运算，原来的 key 对 2 进行取模运算后，显然和对 3 进行取模运算得到的结果是不一样的。

结果是大量的数据请求会直接打在 DB 上，这是不可容忍的。

一致性 hash 算法

一致性 hash 算法将整个 hash 值空间组织成一个虚拟的圆环，整个空间按顺时针方向组织，下一步将各个 master 节点（使用服务器的 ip 或主机名）进行 hash。这样就能确定每个节点在其哈希环上的位置。

来看一个经典的一致性 hash 算法的环状示意图：

来了一个 key，首先计算 hash 值，并确定此数据在环上的位置，从此位置沿环顺时针「行走」，遇到的第一个 master 节点就是 key 所在位置。

在一致性哈希算法中，如果一个节点挂了，受影响的数据仅仅是此节点到环空间前一个节点（沿着逆时针方向行走遇到的第一个节点）之间的数据，其它不受影响。增加一个节点也同理。

一致性哈希算法在节点太少时，容易因为节点分布不均匀而造成缓存热点的问题。为了解决这种热点问题，一致性 hash 算法引入了虚拟节点机制，即对每一个节点计算多个 hash，每个计算结果位置都放置一个虚拟节点。这样就实现了数据的均匀分布，负载均衡。

Redis Cluster 的 hash slot 算法

Redis Cluster 的实现方案十分的聪明，它的分区方式采用了虚拟槽分区。

Redis Cluster 首先会预设虚拟槽，每个槽就相当于一个数字，有一定范围，每个槽映射一个数据子集。

1. Redis Cluster 会把 16384 个槽按照节点数量进行平均分配，由节点进行管理。
2. 当一个 key 过来的时候，会对这个 key 按照 CRC16 规则进行 hash 运算。
3. 把 hash 结果对 16383 进行取余。
4. 把余数发送给 Redis 节点。
5. 节点接收到数据，验证是否在自己管理的槽编号的范围：
   1. 如果在自己管理的槽编号范围内，则把数据保存到数据槽中，然后返回执行结果。
   2. 如果在自己管理的槽编号范围外，则会把数据发送给正确的节点，由正确的节点来把数据保存在对应的槽中。

虚拟槽分布方式中，由于每个节点管理一部分数据槽，数据保存到数据槽中。当节点扩容或者缩容时，对数据槽进行重新分配迁移即可，数据不会丢失。

节点内部通信机制

在分布式的存储方式中，还有另外一个点需要我们关注，那就是集群之间的内部通信方式，毕竟整个集群是需要知道当前集群中有多少有效的节点，这些节点分配的 ip 以及一些其他的数据，这些数据我们可以称之为元数据。

集群元数据的维护有两种方式：集中式、 Gossip 协议。而 Redis Cluster 节点间采用 Gossip 协议进行通信。

集中式是将集群元数据（节点信息、故障等等）几种存储在某个节点上。集中式元数据集中存储的一个典型代表，就是大数据领域的 storm 。它是分布式的大数据实时计算引擎，是集中式的元数据存储的结构，底层基于 zookeeper （分布式协调的中间件）对所有元数据进行存储维护。

Redis 维护集群元数据采用另一个方式， Gossip 协议，所有节点都持有一份元数据，不同的节点如果出现了元数据的变更，就不断将元数据发送给其它的节点，让其它节点也进行元数据的变更。

Gossip 协议

Gossip 协议是一种非常有意思的协议，它的过程是由一个种子节点发起，它会随机的选择周围几个节点散播消息，收到消息的节点也会重复该过程，直至最终网络中所有的节点都收到了消息。

这个过程可能需要一定的时间，由于不能保证某个时刻所有节点都收到消息，但是理论上最终所有节点都会收到消息，因此它是一个最终一致性协议。

Gossip 协议的一些特性：

• 扩展性：网络可以允许节点的任意增加和减少，新增加的节点的状态最终会与其他节点一致。
• 容错：网络中任何节点的宕机和重启都不会影响 Gossip 消息的传播，Gossip 协议具有天然的分布式系统容错特性。
• 去中心化： Gossip 协议不要求任何中心节点，所有节点都可以是对等的，任何一个节点无需知道整个网络状况，只要网络是连通的，任意一个节点就可以把消息散播到全网。
• 一致性收敛： Gossip 协议中的消息会以一传十、十传百一样的指数级速度在网络中快速传播，因此系统状态的不一致可以在很快的时间内收敛到一致。消息传播速度达到了 logN。
• 消息的延迟：由于 Gossip 协议中，节点只会随机向少数几个节点发送消息，消息最终是通过多个轮次的散播而到达全网的，因此使用 Gossip 协议会造成不可避免的消息延迟。不适合用在对实时性要求较高的场景下。
• 消息冗余： Gossip 协议规定，节点会定期随机选择周围节点发送消息，而收到消息的节点也会重复该步骤，因此就不可避免的存在消息重复发送给同一节点的情况，造成了消息的冗余，同时也增加了收到消息的节点的处理压力。而且，由于是定期发送，因此，即使收到了消息的节点还会反复收到重复消息，加重了消息的冗余。

Gossip 协议包含多种消息，包含 ping , pong , meet , fail 等等。

• meet：某个节点发送 meet 给新加入的节点，让新节点加入集群中，然后新节点就会开始与其它节点进行通信。
• ping：每个节点都会频繁给其它节点发送 ping，其中包含自己的状态还有自己维护的集群元数据，互相通过 ping 交换元数据。
• pong：返回 ping 和 meeet，包含自己的状态和其它信息，也用于信息广播和更新。
• fail：某个节点判断另一个节点 fail 之后，就发送 fail 给其它节点，通知其它节点说，某个节点宕机啦。

由于 Redis Cluster 节点之间会定期交换 Gossip 消息，以及做一些心跳检测，对网络带宽的压力还有比较大的，包括官方都直接建议 Redis Cluster 节点数量不要超过 1000 个，当集群中节点数量过多的时候，会产生不容忽视的带宽消耗。

高可用和主备切换

一说到集群就不得不提高可用和主备切换，而Redis cluster 的高可用的原理，几乎跟哨兵是类似的。

判断宕机

首先第一步当然是判断宕机，这和哨兵模式非常的像，同样是分成两种类型，一种是主观宕机 pfail ，另一种的客观宕机 fail 。

• 主观宕机：一个节点认为另外一个节点宕机，这是一种「偏见」，并不代表整个集群的认知。

1. 节点 1 定期发送 ping 消息给节点 2 。
2. 如果发送成功，代表节点 2 正常运行，节点 2 会响应 PONG 消息给节点 1 ，节点 1 更新与节点 2 的最后通信时间
3. 如果发送失败，则节点 1 与节点 2 之间的通信异常判断连接，在下一个定时任务周期时，仍然会与节点 2 发送 ping 消息
4. 如果节点 1 发现与节点 2 最后通信时间超过 cluster-node-timeout ，则把节点 2 标识为 pfail 状态。

• 客观宕机：当半数以上持有槽的主节点都标记某节点主观下线。

1. 当节点 1 认为节点 2 宕机后，那么会在 Gossip ping 消息中， ping 给其他节点。
2. 当其他节点会重新尝试之前节点 1 主观宕机的过程。
3. 如果有超过半数的节点都认为 pfail 了，那么这个节点 2 就会变成真的 fail 。

从节点选举

1. 先检查资格，检查所有的 salve 与 master 断开连接的时间，如果超过了 cluster-node-timeout * cluster-slave-validity-factor ，那么久没有资格成为 master 。
2. 每个从节点，都根据自己对 master 复制数据的 offset，来设置一个选举时间，offset 越大（复制数据越多）的从节点，选举时间越靠前，优先进行选举。
3. 所有的 master 开始选举投票，如果大部分 master 节点 （N/2 + 1） 都投票给了某个从节点，那么选举通过，那个从节点可以切换成 master 。
4. 从节点执行主备切换，从节点切换为主节点。

参考

https://www.cnblogs.com/williamjie/p/11132211.html

https://github.com/doocs/advanced-java/blob/master/docs/high-concurrency/redis-cluster.md

https://zhuanlan.zhihu.com/p/41228196