Redis 百億級Key存儲方案，太牛逼了！

1.需求背景

該應用場景為DMP緩存存儲需求，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的幫助下離線存儲千億記錄并不困難，然而DMP還需要提供毫秒級的實時查詢。由于cookie這種id本身具有不穩定性，所以很多的真實用戶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，無法通過預熱來獲取較高的命中，這就跟緩存存儲帶來了極大的挑戰。
經過實際測試，對于上述數據，常規存儲超過五十億的kv記錄就需要1T多的內存，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內存碎片，這就需要超大規模的存儲方案來解決上述問題。

2.存儲何種數據?

人?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的映射。以下是數據存儲?示例：1) PC端的ID：媒體編號-媒體cookie=>supperidsupperid?=> { age=>年齡段編碼，gender=>性別編碼，geo=>地理位置編碼 }2) 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數據需要存儲兩種key=>value還有key=>hashmap，?而Device數據需要存儲?一種key=>hashmap即可。

3.數據特點

1. 短key短value：其中superid為21位數字：比如1605242015141689522；imei為小寫md5：比如2d131005dc0f37d362a5d97094103633；idfa為大寫帶”-”md5：比如：51DFFC83-9541-4411-FA4F-356927E39D04；
2. 媒體自身的cookie長短不一；
3. 需要為全量數據提供服務，supperid是百億級、媒體映射是千億級、移動id是幾十億級；
4. 每天有十億級別的mapping關系產生；
5. 對于較大時間窗口內可以預判熱數據（有一些存留的穩定cookie）；
6. 對于當前mapping數據無法預判熱數據，有很多是新生成的cookie；

4.存在的技術挑戰

1）長短不一容易造成內存碎片；2）由于指針大量存在，內存膨脹率比較高，一般在7倍，純內存存儲通病；3）雖然可以通過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）由于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，而不會讓請求落到后端的冷數據；5）業務方面，所有數據原則上至少保留35天甚至更久；6）內存至今也比較昂貴，百億級Key乃至千億級存儲方案勢在必行！

5.解決方案

5.1 淘汰策略?存儲吃緊的一個重要原因在于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存儲的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在某個時間窗口的（可能是一個campaign，半個月、幾個月）訪問行為上會有一定的重復性。
數據初始化之前，我們先利用hbase將日志的id聚合去重，劃定TTL的范圍，一般是35天，這樣可以砍掉近35天未出現的id。
另外在Redis中設置過期時間是35天，當有訪問并命中時，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），再合理的范圍內，key越多自然hash表空間越大，消耗的內存自然也會很大。再加上大量指針本身是長整型，所以內存存儲的膨脹十分可觀。先來談談如何把key的個數減少。
大家先來了解一種存儲結構。我們期望將key1=>value1存儲在redis中，那么可以按照如下過程去存儲。先用固定長度的隨機散列md5(key)值作為redis的key，我們稱之為BucketId，而將key1=>value1存儲在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散列，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。?
如果我們通過預先計算，讓很多key可以在BucketId空間里碰撞，那么可以認為一個BucketId下面掛了多個key。比如平均每個BucketId下面掛10個key，那么理論上我們將會減少超過90%的redis key的個數。
具體實現起來有一些麻煩，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位的hexString（16進制字符），它的空間是128bit，這個量級太大了，我們需要存儲的是百億級，大約是33bit，所以我們需要有一種機制計算出合適位數的散列，而且為了節約內存，我們需要利用全部字符類型（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。
下面是具體的實現方式?

public?static?byte?[] getBucketId(byte?[] key, Integer bit) {

MessageDigest mdInst = MessageDigest.getInstance("MD5");

mdInst.update(key);

byte?[] md = mdInst.digest();

byte?[] r =?new?byte[(bit-1)/7?+?1];// 因為一個字節中只有7位能夠表示成單字符

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。這里解釋一下為何一個字節中只有7位可用，是因為redis存儲key時需要是ASCII（0~127），而不是byte array。
如果規劃百億級存儲，計劃每個桶分擔10個kv，那么我們只需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于內存無法對齊、過期刪除后，內存無法重新分配。通過上文描述的方式，我們可以將人口標簽和mapping數據按照上面的方式去存儲，這樣的好處就是redis key是等長的。
另外對于hashmap中的key我們也做了相關優化，截取cookie或者deviceid的后六位作為key，這樣也可以保證內存對齊，理論上會有沖突的可能性，但在同一個桶內后綴相同的概率極低(試想id幾乎是隨機的字符串，隨意10個由較長字符組成的id后綴相同的概率*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概率事件，而且這個概率可以通過調整后綴保留長度控制期望值)。而value只存儲age、gender、geo的編碼，用三個字節去存儲。
另外提一下，減少碎片還有個很low但是有效的方法，將slave重啟，然后強制的failover切換主從，這樣相當于給master整理的內存的碎片。推薦Google-tcmalloc， facebook-jemalloc內存分配，可以在value不大時減少內存碎片和內存消耗。有人測過大value情況下反而libc更節約。

6. md5散列桶的方法需要注意的問題

1）kv存儲的量級必須事先規劃好，浮動的范圍大概在桶個數的十到十五倍，比如我就想存儲百億左右的kv，那么最好選擇30bit~31bit作為桶的個數。也就是說業務增長在一個合理的范圍（10~15倍的增長）是沒問題的，如果業務太多倍數的增長，會導致hashset增長過快導致查詢時間增加，甚至觸發zip-list閾值，導致內存急劇上升。
2）適合短小value，如果value太大或字段太多并不適合，因為這種方式必須要求把value一次性取出，比如人口標簽是非常小的編碼，甚至只需要3、4個bit（位）就能裝下。
3）典型的時間換空間的做法，由于我們的業務場景并不是要求在極高的qps之下，一般每天億到十億級別的量，所以合理利用CPU租值，也是十分經濟的。
4）由于使用了信息摘要降低了key的大小以及約定長度，所以無法從redis里面random出key。如果需要導出，必須在冷數據中導出。
5）expire需要自己實現，目前的算法很簡單，由于只有在寫操作時才會增加消耗，所以在寫操作時按照一定的比例抽樣，用HLEN命中判斷是否超過15個entry，超過才將過期的key刪除，TTL的時間戳存儲在value的前32bit中。
6）桶的消耗統計是需要做的。需要定期清理過期的key，保證redis的查詢不會變慢。

7. 測試結果

人口標簽和mapping的數據100億條記錄。優化前用2.3T，碎片率在2左右；優化后500g，而單個桶的平均消耗在4左右。碎片率在1.02左右。查詢時這對于cpu的耗損微乎其微。另外需要提一下的是，每個桶的消耗實際上并不是均勻的，而是符合多項式分布的。上面的公式可以計算桶消耗的概率分布。公式是唬人用的，只是為了提醒大家不要想當然的認為桶消耗是完全均勻的，有可能有的桶會有上百個key。
但事實并不沒有那么夸張。試想一下投硬幣，結果只有兩種正反面。相當于只有兩個桶，如果你投上無限多次，每一次相當于一次伯努利實驗，那么兩個桶必然會十分的均勻。概率分布就像上帝施的魔咒一樣，當你面對大量的桶進行很多的廣義的伯努利實驗。桶的消耗分布就會趨于一種穩定的值。
接下來我們就了解一下桶消耗分布具體什么情況：通過采樣統計31bit（20多億）的桶，平均4.18消耗100億節約了1.8T內存。相當于節約了原先的78%內存，而且桶消耗指標遠沒有達到預計的底線值15。對于未出現的桶也是存在一定量的，如果過多會導致規劃不準確，其實數量是符合二項分布的，對于2^30桶存儲2^32kv，不存在的桶大概有（百萬級別，影響不大）：Math.pow((1 - 1.0 / Math.pow(2, 30)), Math.pow(2, 32)) * Math.pow(2, 30);對于桶消耗不均衡的問題不必太擔心，隨著時間的推移，寫入時會對HLEN超過15的桶進行削減，根據多項式分布的原理，當實驗次數多到一定程度時，桶的分布就會趨于均勻（硬幣投擲無數次，那么正反面出現次數應該是一致的），只不過我們通過expire策略削減了桶消耗，實際上對于每個桶已經經歷了很多的實驗發生。

總結

信息摘要在這種場景下不僅能節約key存儲，對齊了內存，還能讓Key按照多項式分布均勻的散列在更少量的key下面從而減少膨脹，另外無需在給key設置expire，也很大程度上節約了空間。
這也印證了時間換空間的基本理論，合理利用CPU租值也是需要考慮的。