面试题

问题： 1~2亿条数据需要缓存，请问如何设计这个存储案例？
回答： 单机单台不可能的，肯定是分布式存储（那如何用redis实现呢？)

解决1：哈希取余分区

哈希取余分区
优点： 简单粗暴，直接有效，只需要预估规划好节点，例如3台、8台、10台，就能保住一段时间的数据支撑。使用Hash算法让固定的一部分请求落在同一台服务器上，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），起到负载均衡和分而治之的作用
缺点： 原来规划好的节点，进行扩容或者缩容就比较麻烦了，不管扩缩，每次数据变动都会导致节点有变动，映射关系需要重新进行计算，在服务器个数固定不变的时候没有问题，如果需要弹性扩容或故障停机的情况下，原来的取余公式就会发生变化：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，由于台数数量发生变化，会导致hash取余全部数据重新洗牌。

解决2：一致性Hash算法背景

一致性哈希算法在1997年由MIT提出，设计目的是为了解决分布式缓存数据变动和映射问题，某个机器宕机了，分母数量改变了，自然取余数就不可靠了
目的： 当服务器个数发生变动时，尽量减少影响客户端服务器的映射关系

三大步骤：

算法构建一致性哈希环

一致性哈希算法必然有个hash函数并按照算法产生的hash值，这个算法的所有可能的哈希值会构成一个全量集，这个集合可以成为一个hash空间[0,2³²-1],这是一个线性空间，但是在算法中，我们通过适当的逻辑控制将它首位相连（即0 = 2³²）,这样让它在逻辑上形成了一个环形的空间

它也是按照使用取模的方法，前面笔记介绍的节点取模算法是对服务器的数量进行取模，而一致性Hash算法是对2³²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，如假设哈希函数的值空空间为[0,2³² -1]（即哈希值是一个32位的无符号整型），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点的右侧的第一个点代表1，以此类推2、3、4、…直到2³²-1，也就是说0点左侧的第一个点代表2³²-1，0和2³²-1在零点方向中重合，我们把这个由2³²组成的圆环称为Hash环
服务器IP节点映射
将集群中的各个IP节点映射到环的某一个位置
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在其哈希环上的位置。假如4个节点NodeA、B、C、D，能过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:

服务器IP节点映射

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)，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ObjectA、ObjectB、ObjectC、ObjectD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Has，A会被定位到Node A上算法，数据B会被定位到Node B上，C会被定位到Node C上，D会被定位到Node D上。
key落到服务器的落键规则
优点：

一致性哈希算法的容错性
假设NodeC宕机，可以看到此时对象A、B、D不会受到影响，只有C对象被重新定位到Node D，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环空间中前一台服务器（即沿着逆时针方法行走遇到的第一台服务器）之间的数据，其他不会受到影响。简单而言，就是C宕机了，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Node X，X的位置在A和B之间，那受到影响的也就是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：
一致性哈希算法的数据倾斜问题
一致性Hash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（被缓存的大部分集中缓存在某一台服务器上）的问题，例如系统中只有两台服务器

总结：

为了在节点数目发生改变时尽可能少的迁移
将所有的存储节点排列在首尾相接的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

优点:
加入和删除节点只影响哈希环中顺时针方向相邻的节点，对其他节点无影响
缺点：
数据的分布和节点位置有关，因为这些节点不是均匀分布在哈希环上的，所以在数据在进行存储时达不到均匀分布的效果

解决3：哈希槽分区

1. 为什么出现

为了解决一致性哈希算法的数据倾斜问题
哈希槽实际上就是一个数组，数组[0,2¹⁴-1]形成hash slot空间

2. 能干什么

解决均匀分配的问题，在数据和节点之间又加入了一层，把这层称为哈希槽(slot)，用于管理数据和节点之间的关系，现在就相当于节点上放的是槽，槽里放的是数据
哈希槽分区
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。
3. 多少个hash槽
一个集群只能有16384个槽，编号0 ~ 16383（0 ~ 2¹⁴-1）。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。

**问题：为什么redis集群最大的槽数是16384个？**
**原理：** Redis集群并没有使用一致性hash而是引入了哈希槽的概念，`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。但为什么哈希槽的数量是16384(2^14^)个呢？
**解答：** CRC16算法产生的hash值有16bit，该算法可以产生2^16^=65536个值。换句话说是分布在0~65535之间，那作者在做mod运算的时候为什么不mod65536，而选择mod16384？
**说明1：** 这意味着他们包含原始节点的插槽配置，该节点使用2K的空间和16K的插槽，但是会使用8K的空间（使用65K的插槽 ）。
同时，优于其他设计，Redis集群不太可能扩展到1000个以上的主节点。
因此16k处于正确的范围内，以确保每个主机具有足够的插槽，最多可容纳1000个矩阵，但数量足够少，可以轻松地将配置作为原始位图传播。请注意，在小型集群中，位图将难以压缩，因为当N较小时，位图将设置的slot/N位占设置位的很大百分比。
![说明1](https://img-blog.csdnimg.cn/324e5855dbda418fb4a264d13425e845.png)

说明2：

如果槽位为65536，发送心跳的信息头哒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。
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大。如果节点过1000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
槽位越小，节点越少的情况下，压缩比越高，越容易传输
Redis主节点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的值填充率slots/N很高的话(N表示节点数),bitmap的压缩率就很低。如果节点很少，而哈希槽数量很多的话，bitmap的压缩率就很低。

3.哈希槽的计算

Redis集群中内置了16384个哈希槽，redis会根据节点数量大致均等的将哈希槽映射到不同的节点。当需要在Redis集群中放置一个key-value时，redis先对key使用CRC16算法算出一个结果，然后把结果对16384求余数，这样每个key都会对应一个在0~16383之间的哈希槽，也就是映射到某个节点上。如下代码，key之A、B在Node2，key之C落在Node 3上
哈希槽的计算